ارائه روشی برای طبقه بندی داده های ابرطیفی AVIRIS ، با استفاده از استخراج ویژگی و ترکیب طبقه بندی کننده ها | ||
| نشریه سنجش از دور و GIS ایران | ||
| مقاله 7، دوره 1، شماره 1، تیر 1388، صفحه 101-118 اصل مقاله (549.66 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| مجید رحیم زادگان؛ محمدرضا مباشری* ؛ محمدجواد ولدان زوج؛ یاسر مقصودی مهرانی | ||
| دانشگاه خواجه نصیرالدین طوسی | ||
| چکیده | ||
| یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظرو طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابر طیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باند ها)، احتمال یکتا شده ماتریس های برآورد شده و با کاهش دقت طبقه بندی وجود دارد. به منظور حل این مشکل از روش های مختلفی همچون کاهش تعداد ویژگی ها (کاهش تعداد باندهای استفاده شده) و یا ترکیب طبقه بندی کننده ها استفاده می گردد. در این پژوهش ازتلفیق این دو روش استفاده شده است، بدن تربیت که برای کاهش ابعاد، روش استخراج ویژگی غیرپارامتریک وزن دار به علت مزایای متعدد آن به کار رفته است؛ و در مورد ترکیب طبقه بندی کننده ها برای ایجاد ترکیبات مناسب از طبقه بندی کننده ها، از روش تغییر ویژگی های ورودی و روش استخراج ویژگی بر مبنای کلاس افتاده شده است. همچنین در ترکیب خروجی طبقه بندی کننده ها، از روش سطح اندازه گیری استفاده شده است. تصویر ابرطیفی مورد استفاده در این پژوهشت، تصویر سنجیده AVIRIS مربوط به منطقه ای جنگلی / کشاورزی در شمال ایالت ایندیانا در آمریکاست. پس از پیاده سازی روش استخراج ویژگی غیر پارامتریک وزن دار، دقت طبقه بندی کلی 67/85 درصد حاصل گردید. در ترکیب طبقه بندی کننده ها، دقت طبقه بندی کلی 26/89 در صد و در روش پیشنهای دقیت طبقه بندی کلی 34/89 درصد به دست آمد، که در قیاس با دو روش تشکیل دهنده آن، دقت طبقه بندی بهبود یافته است. به رغم کم بودن میزان بهبود دقت، به علت پیچیدگی محاسبات و همچنین امکان انجام محاسبات موازی، روش پیشنهاید در این پژوهش مناسب تر به نظر می رسد. | ||
| کلیدواژه‌ها | ||
| ابرطیفی؛ طبقه بندی؛ استخراج ویژگی؛ ترکیب طبقه بندی کننده ها؛ کلاس | ||
| عنوان مقاله [English] | ||
| Introducing a Method for Classification of AVIRIS Hyperspectral Data, using Feature Extraction and Classifier Ensemble Methods | ||
| چکیده [English] | ||
| One of the most applied supervised classification method is Maximum Likelihood (ML) in which a series of statistical parameters such as variance-covariance matrices are estimated. In Hyperspectral remote sensing images, due to the limited number of training samples and their high spectral dimensions, the probability of having singular matrices and/or reduction the accuracy of classification is plausible. To solve this problem, different approaches such as reduction of number of features or ensembling of classifiers can be used. In theory, the acquisition of large number of training data set is feasible, but it is very time consuming. Then in practice there are always some limitations where we believe methods such as Feature Extraction algorithms or ensemble of classifiers for dimensionality reduction can solve that. In this research, Nonparametric Weighted Feature Extraction (NWFE), as well as classifier ensembles, are used simultaneously. For constructing multiple classifiers, manipulation of input features are done in which input feature space is divided into multiple subspaces by using class based NWFE method. A ML classifier is applied on each of the prepared feature subsets, and finally a combination scheme was used to combine the outputs of each individual classifier. In order to fuse multiple classifiers, a measurement level method is suggested using the mean rule. The results show an overall accuracy of 85.67% for NWFE method and 89.26% for classifier ensemble. For method suggested in this paper the overall classification accuracy of 89.34% was achieved. The results indicate significant improvement in classification accuracy, compared to the two methods on which this method is based upon. Despite the closeness of these two accuracies, because of less complexities and feasibility of parallel calculation, the suggested method is preferred. | ||
| کلیدواژه‌ها [English] | ||
| Hyperspectral, Feature extraction, Classifier ensemble, Classification | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3,004 تعداد دریافت فایل اصل مقاله: 1,708 |
||