Journal of Geomatics Science and Technology

fa طبقه بندی تصاویر فراطیفی با استفاده از مدل آمیخته ی گاوسی و الگوریتم نمونه گیر گیبز Hyperspectral Images Classification using Gaussian Mixture Model and Gibbs Sampler Algorithm فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">با پیشرفتهای فناوری سنجش از دور و تولید دادههای فراطیفی با اطلاعات طیفی فراوان، استفاده از این دادهها جهت مطالعه دقیق پدیدهها به سرعت در حال گسترش است. تصاویر فراطیفی به دلیل نمایش گسترده خصوصیات طیفی عوارض و پدیدههای سطح زمین در بسیاری از علوم زمین مورد توجه قرار گرفته&rlm;&rlm;اند. یکی از مهمترین کاربردهای تصاویر فراطیفی، طبقهبندی آنها و تولید نقشههای پوشش زمینی بدون نیاز به دادههای واقعیت زمینی است. در بین روشهای گوناگون طبقهبندی بدون نظارت، استفاده از مدل آمیخته گاوسی به دلیل عملکرد بهتر و دقت بالا در خوشهبندی دادههای فراطیفی، مورد توجه قرار گرفته است. مهمترین بخش یک مدل برآورد پارامترهای آن است. تاکنون روشهای متفاوتی به منظور تخمین پارامترهای مدل آمیختهی گاوسی ارائه شده است. یکی از پرکاربردترین این روشها در سالهای اخیر، الگوریتم امید ریاضی-بیشینهسازی میباشد. این الگوریتم علیرغم سرعت بالا و دقت کلی قابل قبول، از مشکل دقت پایین در طبقهبندی مناطق با وسعت پایین رنج میبرد که این مشکل در مناطق شهری نمود پیدا میکند. در این پژوهش نویسندگان با معرفی الگوریتم نمونهگیر گیبز علاوه بر تلاش برای بالابردن دقت کلی، سعی در فائق آمدن بر مشکل برخورد با عوارض کوچک دارند. از طرف دیگر، استفاده از تمام باندهای تصویر فراطیفی در فرآیند طبقهبندی به علت همبستگی بالای بین باندها و همچنین افزایش زمان محاسبات توصیه نمیگردد. یکی از راهکارهای رفع این مشکل، استفاده از روشهای کاهش ابعاد به منظور بهبود دقت طبقهبندی است. در این پژوهش از روشهای کاهش ابعاد آنالیز مولفههای اصلی و نگاشت تصادفی استفاده شد. به منظور مقایسه و ارزیابی صحت روشهای پیشنهادی در این پژوهش، دو داده فراطیفی واقعی شناخته شده Pavia University و Salinas و یک داده شبیهسازی شده مورد استفاده قرار گرفت. نتایج آزمایشات صورت گرفته نشان از برتری به کارگیری الگوریتم نمونهگیر گیبز نسبت به الگوریتم امید ریاضی-بیشینهسازی به منظور تخمین پارامترهای مدل آمیخته گاوسی و همچنین دقت بالاتر این الگوریتم در طبقهبندی عوارض کوچک دارد. </div> Hyperspectral image contains hundreds of narrow and contiguous spectral bands. Because of this high spectral resolution, hyperspectral images provide valuable information from the earth surface materials and objects. By advances in remote sensing technology and production of hyper spectral data with high spatial and spectral information, using such data for a detailed study of the phenomenon is spreading quickly. One of the most important applications of hyperspectral data analysis is either supervised or unsupervised classification for land cover mapping. Among different unsupervised methods, Gaussian mixture model has attracted a lot of attention, due to its performance and efficient computational time. Gaussian Mixture Models (GMMs) have been frequently applied in hyperspectral image classification tasks. The problem of estimating the parameters in a Gaussian mixture model has been studied in the literature. Gibbs sampler is one of the methods that can be applied for this problem. Another method for estimation the parameters of a Gaussian mixture model is Expectation-Maximization (EM) algorithm. EM is a general method for optimizing likelihood functions and is useful in situations where data might be missing or simpler optimization methods fail .On the other hand, the large number of bands in a hyperspectral images leads into estimation of a large number of parameters. In the other point of view, the enormous amount of information provided by hyperspectral images increases the computational burden as well as the correlation among spectral bands. Thus, dimensionality reduction is often conducted as one of the most important steps before target detection to both maximize the detection performance and minimize the computational burden. In this paper, we use PCA and Random Projection (RP) for solving the high dimensionality of the data. In order to evaluate the proposed algorithm in real analysis scenarios, we used two benchmark hyperspectral data sets collected by AVIRIS and Reflective Optics System Spectrographic Imaging System (ROSIS). In order to evaluate the effectiveness of the proposed method which is based on the using GMMS and its parameter are estimated using Gibbs sampler method we used two well-known dataset ROSIS and AVIRIS hyperspectral images which they are acquired from a urban and agricultural area, respectively. Moreover, for better evaluation we used a simulated data which is attained using a toolbox which is known as HYDRA project. Investigations on the simulated dataset and two real hyperspectral data showed that the case in which the number of bands has been reduced in the pre-processing stage using either RP or PCA in the feature space, can result the highest accuracy and efficiency for thematic mapping. We also demonstrated that the superiority of the Gibbs sampler in comparison with EM algorithm for estimating the GMM parameters. For instance, in Pavia university dataset, the overall accuracy and Kappa coefficient was 88.80 and 0.84, respectively for GMM-Gibbs-RP method and for GMM-EM-RP method the overall accuracy and kappa coefficient was 84.21 and 0.80, respectively. In other view point, in urban area (Pavia university dataset) with small structures, the amount of improvement in by Gibbs sampler in comparison with EM algorithm was more than the AVIRIS dataset which is related to agricultural area with bigger regions. This shows the capability of Gibbs sampler in confronting with singularities. طبقه بندی, تصاویر فراطیفی, مدل آمیخته گاوسی, نمونه گیر گیبز, کاهش ابعاد Classification, Gaussian Mixture Model, Gibbs Sampler, Dimension Reduction, Hyperspectral Image 27 38 http://jgst.issgeac.ir/browse.php?a_code=A-10-481-1&slc_lang=fa&sid=1 H. Ghanbari حمید قنبری hamid.ghanbari@ut.ac.ir 10031947532846005294 10031947532846005294 Yes tehran university دانشگاه تهران S. Homayouni سعید همایونی Saeid.Homayouni@uOttawa.ca 10031947532846005295 10031947532846005295 No ottawa university دانشگاه اتاوا A. Safari عبدالرضا صفری asafari@ut.ac.ir 10031947532846005296 10031947532846005296 No tehran university دانشگاه تهران A. Mohammadpour عادل محمدپور adel@aut.ac.ir 10031947532846005297 10031947532846005297 No amirkabir university دانشگاه صنعتی امیرکبیر