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

Abstract

فنآوری سنننناز از دور ابرطیفی دارای کاربردهای فراوان در طبقهبندی پوشنننزهای زمین و بررسنننی یغییرات آنها اسننن . با پیشرف های اخیر و ایااد یصاویری با قدرت یفکیک مکانی بالا، استفاده همزمان از اطلاعات طیفی و مکانی در طبقهبندی یصاویر ابرطیفی ضروری اس . در این یحقیق روشی جدید جه طبقهبندی یصاویر ابرطیفی به کمک یکنیکهای کاهز ابعاد و استخراج ویژگیهای مکانی و الگوریتم شبکه عصبی معرفی میشود. در روش پیشنهادی ابتدا ابعاد یصویر ابرطیفی به کمک الگوریتم آنالیز مولفههای ا صلی کاهز مییابد. سپس ده ویژگی مکانی، میانگین، انحراف معیار، درجه یباین، یکنواختی، همب ستگی، عدم ی شابه، انرژی، آنتروپی، یبدیل موجک و فیلتر گابور، استخراج و در ادامه بر روی ویژگیهای طیفی و مکانی بدس آمده، الگوریتم ژنتیک وزندار اعمال میشنننود. در الگوریتم ژنتیک وزندار به ویژگیها بر حسنننط اطلاعات موجود در آنها، وزنی بین صنننفر یا یک اختصننای یاف . در نهای بر روی ویژگیهای موجود الگوریتم طبقهبندی شننبکه عصننبی پرسننپترون ندلایه اعمال شنند. روش پیشنهادی بر روی دو یصویر ابرطیفی پاویا و برلین پیادهسازی گردید، نتایج آزمایشات بدس آمده بریری روش پیشنهادی را نسب به روشهای طبقهبندی ماشین بردار پشتیبان، شبکه عصبی پرسپترون ند لایه و جنگل پوشای مینیمم نشان میدهد، که این افزایز برای یصویر پاویا حدود 13 ، 6 و 5 درصد و برای یصویر برلین حدود 8 ، 6 و 5 درصد در پارامتر دق کلی و در مقایسه با روشهای مذکور بهیرییط میباشد.