روشی بهبود یافته به منظور طبقه بندی طیفی-مکانی تصاویر ابرطیفی به کمک الگوریتم های ژنتیک وزن دار و شبکه عصبی

Abstract

سابقه و هدف: فنّاوری سنجش از دور ابرطیفی، در دو دهۀ گذشته، شاهد پیشرفت چشمگیری بوده است. این پیشرفت در طراحی و ساخت سنجندهها و همچنین در توسعه و اجرای روشهای پردازش داده بسیار مشهود است. امروزه بیشتر تحقیقات، در زمینۀ فنّاوری سنجش از دور ابرطیفی، بر طبقهبندی این تصاویر تأکید دارد. روشهای طبقهبندی تصاویر ابرطیفی در دو دستۀ طبقهبندی طیفی یا مبتنیبر پیکسل و طبقهبندی طیفی– مکانی یا مبتنیبر شیء قرار میگیرند. در این تحقیق، به طبقهبندی طیفی– مکانی تصویر ابرطیفی، در محیطی شهری، پرداخته شده است. ازآنجاکه محیطهای شهری، از نظر عناصر بهکاررفته در آنها، ویژگیهای پیچیدهای دارند، دادههای ابرطیفی به شناسایی و استخراج و تولید نقشه از عناصر سازندۀ آنها کمک مؤثری میکنند. شناسایی مواد گوناگون در محیطهای شهری اهمیت بسیاری در زمینۀ کاربردهای گوناگون، همچون ارتباط تلفنهای همراه، واقعیت مجازی، معماری و مدلسازی شهری و برنامهریزی و مدیریت شهرهادارد. مواد و روشها: در این تحقیق، برای ارزیابی روش پیشنهادی از دو تصویر ابرطیفی پاویا و برلین، که جزء تصاویر معیار در حوزۀ سنجش از دور ابرطیفی است، استفاده شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی بهکمک الگوریتم PCA کاهش مییابد؛ سپس ده ویژگی مکانی میانگین، انحراف معیار، درجۀ تباین، یکنواختی، همبستگی، نبود تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور از روی باندهای کاهشیافته استخراج میشود. در ادامه، الگوریتم ژنتیک وزندار بر ویژگیهای طیفی و مکانی بهدستآمده اعمال میشود و در انتها، ویژگیهای حاصل بهکمک الگوریتم MLP طبقهبندی میشود. نتایج و بحث: در آزمونهای انجامشده در زمینۀ الگوریتم ژنتیک، کروموزومها دارای ژنهایی برابر با تعداد ویژگیهای طیفی و مکانیاند. در این آزمونها، میزان تقاطع و جهش بهترتیب برابر با 5/0 و 05/0 در نظر گرفته شد. همچنین، برای ایجاد تناسب بین دو پارامتر دقت و زمان محاسبات، تعداد جمعیت اولیه 30 و حداکثرتعداد تکرار، برای توقف، 100 در نظرگرفته شد. البته در عمل، درمورد هر دو تصویر ابرطیفی با توجه به استفاده از شرط فعال برای توقف الگوریتم، روند تکرار به مرحلۀ 100 نمیرسد و قبل از آن، الگوریتم به وضعیت پایدار میرسد و متوقف میشود. الگوریتم طبقهبندی MLP با سه لایۀ پنهان، شامل و 6 و 8 نورون، اجرا و با پانصد تکرار ارزیابی شد. روش طبقهبندی پیشنهادی بیانشده با الگوریتمهای SVM ،MLP و MSF مقایسه شد. در هر دو تصویر ابرطیفی، نقشۀ حاصل از روش پیشنهادی در مقایسه با سایر الگوریتمها مناطق یکنواختتری را دربرمیگیرد. روش پیشنهادی، در تصویر پاویا، باعث افزایش 13 ،7 و 6درصدی و در تصویر برلین، باعث افزایش 9 ،6 و 5درصدی پارامتر ضریب کاپا، در قیاس با بهترتیب الگوریتمهای SVM ،MLP و MSF شده است. دلیل این افزایش دقت روش پیشنهادی میتواند استفاده از اطلاعات نزدیکترین همسایگی و دو مرحلۀ کاهش ابعاد باشد.