بهبود طبقه بندي طيفي-مکاني تصاوير ابرطيفي با به کارگيري اطالعات مکاني در انتخاب نشانه ها

Transcript

1 بهبود طبقه بندي طيفي-مکاني تصاوير ابرطيفي با به کارگيري اطالعات مکاني در انتخاب نشانه ها 1 داود اکبري 3 سعید همایونی 2 عبدالرضا صفری تاریخ دریافت مقاله: 94/05/27 تاریخ پذیرش مقاله: 94/11/14 ********* چكیده فنآوري سنجش از دور ابرطیفي داراي کاربردهاي فراوان در طبقهبندي پوششهاي زمین و بررسي تغییرات آنها است. معمولترین روش جهت طبقهبندي تصاویر ابرطیفي طبقهبندي مبتني بر پیكسل بوده که در آن هر پیكسل فقط با اطالعات طیفي خود و بدون در نظر گرفتن پیكسلهاي همسایه به کالس مشخصي اختصاص ميیابد. پیشرفتهاي اخیر و ایجاد تصاویري با قدرت تفكیک مكاني باال لزوم استفاده توأم از اطالعات طیفي و مكاني را در طبقهبندي تصاویر ابرطیفي ایجاب ميکند. در این تحقیق روشي جدید برای طبقهبندي طیفي-مكاني تصاویر ابرطیفي و بر اساس الگوریتم قطعهبندی هرمي مبتني بر نشانه معرفي ميشود. در میان الگوریتمهاي مختلف طبقهبندي طیفي-مكاني تصاویر ابرطیفي تاکنون الگوریتم قطعهبندي هرمي مبتني بر نشانه در ترکیب با الگوریتم طبقهبندي ماشین بردار پشتیبان به بهترین نتایج دست یافته است. در روش پیشنهادي براي انتخاب نشانهها از ترکیب قطعهبندي واترشد (Watershed) و طبقهبندي ماشین بردار پشتیبان استفاده ميشود. برای این منظور از میان پیكسلهای با بیشترین جمعیت برای هر ناحیه از نقشه قطعهبندی آنهایی که دارای باالترین درجه تعلق به یک کالس هستند به عنوان نشانه انتخاب میگردند. سپس بر روي نشانههاي بدست آمده الگوریتم قطعهبندي هرمي پیادهسازي ميشود. در نهایت نقشه قطعهبندي بدست آمده به کمک قانون تصمیم رأي اکثریت با نقشه طبقهبندي ماشین بردار پشتیبان ترکیب ميگردد. روش پیشنهادي بر روي سه تصویر ابرطیفي Pavia Berlin و DC Mall پیادهسازي شد نتایج آزمایشات بدست آمده برتري روش پیشنهادي را در مقایسه با الگوریتم هرمي مبتني بر نشانه اولیه نشان ميدهد. این برتري برابر با 6 4 و 5 درصد در پارامتر ضریب کاپا و به ترتیب براي تصاویر Pavia Berlin و DC Mall ميباشد. واژههای کلیدی: تصوير ابرطيفي طبقهبندي طيفي-مکاني انتخاب نشانه قطعهبندي واترشد قطعهبندی هرمي مبتنی بر نشانه. ********* 1. دانشجوي دکتري سنجش از دور گروه مهندسي نقشه برداري دانشگاه تهران davoodakbari@ut.ac.ir 2. دانشیار گروه ژئودزی دانشکده مهندسی نقشهبرداری و اطالعات مکانی دانشگاه تهران asafari@ut.ac.ir 3. استاديار سنجش از دور گروه جغرافیا دانشگاه اوتاوا کانادا

2 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 25 شماره 98 تابستان 95 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.25,No.98, Summer 2016 / 6 در سال 2002 میالدي 2002) Landgrebe, (Jackson & طبقهبندي کننده آماري مبتني بر مدل MRF 1 پیشنهاد داد. هانگ در سال 2009 میالدي 2009) Zhang, (Huang & اطالعات مکاني بدست آمده از ماتريس هموقوع )GLCM( 2 را براي طبقهبندي داده ابرطیفي به کار گرفت. در روش پیشنهادي توسط هانگ ابتدا ويژگيهاي بافت 3 به کمک ماتريس GLCM و با استفاده از 6 چهار اندازهگیري مؤلفه دوم زاويه 4 کنتراست 5 آنتروپي و يکنواختي 7 استخراج گرديد سپس آنالیز مؤلفههاي اصلي ( 8 )PCA بر روي ويژگيهاي بدست آمده اعمال گشته و مؤلفههاي اصلي به عنوان ويژگيهاي ورودي براي طبقهبندي کننده بیشترين شباهت 9 انتخاب شدند. بنديکسون در سال 2003 میالدي روش نیمرخ همسايگي 10 را به عنوان روشي ديگر جهت استفاده از اطالعات مکاني پیشنهاد داد (2003 al.,.(benediktsson et نیمرخ همسايگي از ترکیب فیلترهاي باز 11 و بسته 12 تشکیل شده است. اعمال روش فوق بر روي باندهاي مختلف تصوير ابرطیفی به نام نیمرخ همسايگي توسعه يافته 13 شناخته ميشود 2001) Benediktsson,.(Pesaresi & ايجاد نیمرخ همسايگي توسعه يافته بر روي تمام باندهاي تصوير باعث ايجاد ويژگيهاي وابسته زيادي شده از اينرو کاهش تعداد باندهاي تصوير ابرطیفي قبل از اعمال نیمرخ همسايگي الزامي است. در همین راستا در (2005 al., (Benediktsson et روش نیمرخ همسايگي توسعه يافته بر روي چندين ويژگي بدست آمده از تبديل PCA که داراي بیشترين واريانس ميباشند اعمال گرديد. 1- Markov Random Field 2- Gray Level Co-occurrence Matrix 3- Texture Features 4- Angular Second Moment 5- Contrast 6- Entropy 7- Homogeneity 8- Principal Component Analysis 9- Maximum Likelihood 10- Morphological Profiles 11- Opening 12- Closing 13- Extended Morphological Profiles 1- مقدمه فنآوري سنجش از دور ابرطیفي در دو دهه گذشته شاهد پیشرفت چشمگیري بوده است. اين پیشرفت در طراحي و ساختسنجندههاوهمچنیندرتوسعهوپیادهسازيروشهاي پردازش داده بسیار مشهود است.(2004 Arora, (Varshney & امروزه اکثر تحقیقات در زمینه سنجش از دور ابرطیفي بر طبقهبندي اين تصاوير تأکید دارد. طبقهبندي يا تبديل تصاوير به نقشه موضوعي در اثر عواملي از جمله پیچیدگي منطقه مورد مطالعه انتخاب داده پردازش تصوير و الگوريتم مورد استفاده در معرض چالش جدي بوده و ممکن است بر موفقیت طبقهبندي تأثیر بگذارد.( 2002 Woods, (Gonzalez & هر چند توانايي تولید دادههايي با خصوصیات طیفي مکاني و راديومتريکي باال منجر به تجزيه و تحلیل بهتر و شناسايي موفقیتآمیز اهداف زمیني ميشود ولي مشکالتي نیز پديد ميآيد که در مقايسه با دادههاي چندطیفي تجربه جديدي است. اولین مشکل حجم نسبتا زياد اين دادهها است. اين حجم قابل توجه از داده نیاز به سختافزار و نرمافزارهاي ويژهاي جهت پردازش دارد. زمان مورد نیاز براي پردازش اين نوع دادهها از مشکالت ديگر پیش رو است. 2003) Roux, (Homayouni & به طور کلي روشهاي طبقهبندي تصاوير ابرطیفي به دو دسته تقسیمبندي ميشوند. دسته اول روشهاي طبقهبندي مبتني بر پیکسل بوده که در آن هر پیکسل فقط با استفاده از اطالعات طیفي خود و بدون در نظر گرفتن اطالعات موجود در پیکسلهاي همسايه به يک کالس مشخص اختصاص مييابد.(1995 (Vapnik, دسته دوم روشهاي طبقهبندي روشهاي طبقهبندي طیفي-مکاني بوده که عالوه بر اطالعات طیفي پیکسلها از اطالعات پیکسلهاي همسايه استفاده مينمايند.(2010a (Tarabalka et al., در اين دسته از الگوريتمها استفاده از اطالعات مکاني به روشهاي مختلف صورت ميگیرد. سادهترين روش استفاده از اطالعات نزديکترين همسايگيها است.( 2006 Jia, (Richards & براساس اين راه حل جکسون

3 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) بهبود طبقهبندی طیفی - مکانی تصاویر ابرطیفی با... / 7 يکيديگرازروشهاياستخراجاطالعاتمکاني روشهاي قطعهبندي 1 استکهدرآنبراساسويژگيهاييماننديکنواختي اشیاء موجود در تصوير )مجموعهاي از پیکسلها با ويژگي يکسان( شناسايي ميشوند 2011). al., (Tarabalka et مزاياي استفاده از روشهاي قطعهبندي در& (Bitam 2010) al., Ameur, 2013; Tarabalka et al., 2009; Tarabalka et بیان شده است. در اين روشها هر شيء به صورت همسايگي مکاني براي همه پیکسلهاي داخل آن شيء تعريف ميشود. اين راهحل براي مناطق يکنواخت بزرگ همسايگيهاي بزرگي را ايجاد کرده و از طرف ديگر مناطق با يک يا چند پیکسل را از دست نميدهد. بنابراين اگر قرار باشد نقشه دقیقي از اشیاء بر اساس ساختارهاي مکاني در تصوير ايجاد گردد نقشه قطعهبندي اطالعات مکاني دقیق و کاملي را ايجاد خواهد کرد. يک روش معمول جهت داشتن نتايج قطعهبندي دقیق قطعهبندي مبتني بر نشانه 2 است 2003) Soille, (Tarabalka et al., 2011; که در آن براي هر ناحیه مکاني از تصوير يک يا چند پیکسل به عنوان نشانه انتخاب شده سپس نشانههاي بدست آمده در فرآيند قطعهبندي رشد يافته و منجر به ناحیهاي مشخص در نقشه قطعهبندي ميشود. در تحقیقات اولیه صورت گرفته نشانهها عموما از روي مناطق يکنواخت يعني مناطقي با مقادير پیکسل يکسان يا بافت يکنواخت انتخاب ميشدند.(2003 (Soille, گومز در (2007 al., (Gómez et به کمک هیستوگرام تصوير پیکسلهاي با مقادير يکسان را به عنوان نشانه اختیار نمود. نويل و همکارانش با انجام طبقهبندي تصوير ابرطیفي و سپس فیلتر نمودن آن به کمک عملگرهاي همسايگي مناطق مکاني بزرگ را به عنوان نشانه انتخاب نمودند.( 2007 al., (Noyel, ;2008 Noyel et در تحقیق ديگري که اخیرا توسط تارابالکا و همکاران او جهت طبقهبندي طیفي-مکاني تصاوير ابرطیفي پیشنهاد شده است از الگوريتم قطعهبندي هرمي HSEG( ) 3 مبتني بر نشانه جهت استخراج اطالعات مکاني استفاده شد (Tarabalka et.(2011 al., آنها به کمک نقشه طبقهبندي ماشین بردار پشتیبان SVM( ) 4 پیکسلهايي با درجه تعلق باال به هر کالس را به عنوان نشانه انتخاب نمودند. براي اين منظور ابتدا روي نقشه طبقهبندي SVM آنالیز برچسبگذاري مؤلفههاي متصل صورت گرفته سپس براي نواحي بزرگ ايجاد شده p درصد از پیکسلهاي با باالترين احتمال و براي نواحي کوچک پیکسلهايي با درجه احتمال بیشتر از حدآستانهاي مشخص به عنوان نشانه در نظر گرفته شد. با توجه به مطالعات صورت گرفته تاکنون الگوريتم طبقهبندي تارابالکا و همکاران او در مقايسه با ساير الگوريتمهاي طبقهبندي طیفي-مکاني در تصاوير ابرطیفي به بهترين نتايج دست يافته است. تنها عیب الگوريتم مذکور اين است که از اطالعات مکاني در فرآيند انتخاب نشانه استفاده نميکند. از اين رو در تحقیق حاضر سعي ميگردد با استخراج اطالعات از پیکسلهاي همسايگي در فرآيند انتخاب نشانه دقت الگوريتم طبقهبندي مذکور بهبود داده شود. براي اين منظور پیکسلهاي مربوط به کالسي با 5 بیشترين جمعیت براي هر ناحیه از نقشه قطعهبندي واترشد به عنوان پیکسلهای کانديد نشانه نگه داشته ميشود. سپس پیکسلهايي با بیشترين درجه تعلق به يک کالس از میان پیکسلهاي موجود در هر ناحیه به عنوان نشانه انتخاب ميشوند. بعد از انجام قطعهبندي هرمي بر روي نشانههاي بدست آمده در مرحله بعد نقشههاي قطعهبندي بدست آمده به کمک قانون تصمیم رأي اکثريت 6 با نقشه طبقهبندي SVM ترکیب ميشود. در ادامه تحقیق در بخش 2 روش طبقهبندي طیفي-مکاني پیشنهادي بیان گشته سپس در بخش 3 به تشريح آزمونهاي عملي صورت گرفته پرداخته شده است و در نهايت در بخش پاياني نتیجهگیري از موارد بیان شده ارائه ميگردد. 4-Support Vector Machines 5-Watershed 6-Majority Voting 1- Segmentation 2- Marker 3- Hierarchical Segmentation

4 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 25 شماره 98 تابستان 95 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.25,No.98, Summer 2016 / 8 2- روش پیشنهادي از آنجايي که انتخاب دقیق نشانهها در فرآيند قطعهبندي تأثیر بسزايي در افزايش دقت آن و در نهايت طبقهبندي تصاوير دارد از اين رو در در اين تحقیق سعي ميگردد با استخراج و دخالت اطالعات مکاني در فرآيند انتخاب نشانه دقت طبقهبندي طیفي-مکاني تصاوير ابرطیفي بهبود داده شود. نگاره )1( مراحل روش طبقهبندی پیشنهادي را نشان ميدهد. نگاره 1: مراحل روش پيشنهادي همانطور که در اين نگاره مشخص است در روش پیشنهادی برای انتخاب نشانه تصوير ابرطیفي به کمک الگوريتمهاي SVM و واترشد به صورت موازي طبقهبندي و قطعهبندي شده سپس براي هر ناحیه از نقشه قطعهبندي پیکسلهاي مربوط به کالسي با بیشترين جمعیت حفظ ميشود )مطابق نگاره 2( و در نهايت پیکسلهايي با بیشترين درجه تعلق به يک کالس از میان پیکسلهاي موجود در هر ناحیه به عنوان نشانه انتخاب ميشوند. براي اين منظور نیاز به سه پارامتر M P و t است. پارامتر M برابر با تعداد پیکسلهاي يک ناحیه بوده که کوچکي يا بزرگي آن ناحیه را مشخص ميکند. پارامتر P برابر با درصد پیکسلهاي مربوط به نواحي بزرگ بوده که به عنوان نشانه انتخاب ميشوند. پارامتر t برابر با حدآستانهاي از احتمال تعلق پیکسلها به يک کالس در نواحي کوچک ميباشد. درادامهبرروينشانههايبدستآمدهالگوريتم قطعهبندي هرمي اعمال گشته و در پايان به کمک قانون تصمیم رأي اکثريت نقشه قطعهبندي با نقشه طبقهبندي SVM ترکیب ميگردد. در قانون تصمیم رأي اکثريت هر ناحیه از نقشه قطعهبندي به کالسي که اکثر پیکسلهاي آن در نقشه طبقهبندي تعلق دارند اختصاص مييابد. در ادامه اين بخش با تفصیل بیشتري به الگوريتمهاي قطعهبندي واترشد و هرمي پرداخته شده است. نگاره 2: مثالي از ترکیب نقشه طبقه بندي SVM با نقشه قطعه بندي

5 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) بهبود طبقهبندی طیفی - مکانی تصاویر ابرطیفی با... / الگوریتم واترشد (Watershed) تبديل واترشد بر روي تصوير شیب به کار گرفته مي شود. تصوير شیب دارايبیشترين مقدار در مرزبیناشیا و کمترين مقدار در مناطق يکنواخت است( 2002 Woods, (Gonzalez &. جهت محاسبه از تصويري با B باند تصوير شیب براي هر بردار پیکسل ψ = مجموعهاي از e بردار در همسايگي آن در نظر گرفته به طوري که شامل نباشد. در اين حالت شیب به صورت اختالف بین بیشترين و کمترين فاصله بین بردارهاي ψ تعريف ميشود )رابطه 1 (. j ( x ) inf{ d( x, x )} )1( و در اين رابطه معرف شیب ),(d معرف فاصله بین دو بردار و inf بیانگر اختالف بین بیشترين و کمترين فاصله مي باشد. بعد از ايجاد تصوير شیب با استفاده از الگوريتم وينسنت و سويل 1 تبديل واترشد اعمال مي گردد (1991 Soille,.(Vincent & الگوريتم فوق با شبیهسازي جاري شدن سیل از پیکسلهاي با ارتفاع بیشتر عمل کرده و جهت ايجاد نواحي مختلف حوزههاي آبريز 2 و خطوط مرز 3 را در تصوير تعیین ميکند. در نهايت جهت اختصاص هر پیکسل واترشد به ناحیه موردنظر بردار میانه براي هر ناحیه S که شامل l پیکسل ميباشد با استفاده از رابطه )2( محاسبه ميشود. l S argmin ss{ 1 s s } )2( j j همانطوري که از رابطه )2( مشخص است بردار فوق مجموع فواصل بین اين بردار و همه بردارهاي موجود در آن ناحیه را مینیمم مينمايد. سپس هر پیکسل واترشد به ناحیهاي از همسايگي خود که داراي کمترين فاصله بین آن پیکسل و بردار میانه ناحیه باشد تعلق ميگیرد الگوریتم هرمي الگوريتم هرمي مبتني بر روش رشد ناحیه و بهینهسازي هرمي بوده (2003 (Tilton, و امکان ترکیب نواحي مکاني غیرمجاور را به وسیله پارامتر ورودي فراهم ميسازد. اهمیت نسبي خوشهبندي طیفي را در مقابل پارامتر رشد ناحیه نشان ميدهد. براي الگوريتم هرمي فقط نواحي مکاني مجاور را با يکديگر ترکیب ميکند و براي نواحي مجاور و غیر مجاور داراي وزن يکساني در ترکیب ميباشند و در نهايت براي مقادير بین صفر و يک ترکیب نواحي مجاور در مقايسه با نواحي ميباشد. به طور کلي الگوريتم غیرمجاور داراي برتري هرمي شامل مراحل زير ميشود( 2009 (Tilton, : 1( شروع قطعهبندي با تخصیص برچسب يک ناحیه مجزا براي هر پیکسل. اگر قطعهبندي از قبل وجود داشته باشد ميتوان برچسب هر پیکسل را بر اساس آن انجام داد. 2( محاسبه مقدار معیار عدم تشابه براي هر جفت از نواحي مکاني مجاور ( ) 3( پیدا کردن جفت نواحي مجاور با کوچکترين مقدار معیار عدم تشابه و ترکیب آنها 4( اگر پارامتر باشد همه جفت نواحي غیر مجاور با مقدار معیار عدم تشابه کمتر يا مساوي حاصلضرب در کوچکترين مقدار معیار عدم تشابه براي جفت نواحي مجاور ترکیب ميگردد. 5( پايان مراحل درصورتي که ترکیب ديگري نیاز نباشد در غیر اين صورت مراحل 2 به بعد تکرار ميشود. الزم به ذکر است جهت محاسبه عدم تشابه در الگوريتم هرمي اندازهگیريهاي مختلفي مانند نرم بردار 4 اندازهگیري زاويه طیفي SAM( ) 5 و ديورژانس اطالعات طیفي ( 6 )SID مورد استفاده قرار ميگیرد. همچنین اين الگوريتم داراي انعطاف جهت انتخاب سطح مناسبي از جزئیات در نقشه قطعهبندي بوده هر چند ترکیب نواحي غیر مجاور نیاز به محاسبات بااليي داشته از اين رو جهت کاهش محاسبات تخمیني از آن به صورت الگوريتم هرمي بازگشتي RHSEG( ) 7 به کار گرفته ميشود. 4- Vector Norms 5- Spectral Angle Measure 6 - Spectral Information Divergence 7- Recursive HSEG, d p p p j 1-Vincent and Soile 2- Catchment basins 3- Ridge lines

6 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 25 شماره 98 تابستان 95 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.25,No.98, Summer 2016 / 10 جدول 1: خصوصيات تصاوير ابرطيفي مورد استفاده داده تصویري سنجنده گستره طیفي ابعاد مكاني )پیكسل( قدرت تفكیک مكاني )متر( تعداد باندهاي قابل استفاده تعداد کالس ها / /43-0/86 ROSIS-03 Pavia / /4-2/5 Hymap Berlin / /4-2/4 HYDICE DC Mall 3- آزمون هاي عملي 1-3- داده هاي ابرطیفي مورد استفاده در اين تحقیق براي ارزيابي روش پیشنهادي از سه تصوير ابرطیفي Pavia Berlin و DC Mall که جزء تصاوير بنچ مارک در حوزه سنجش از دور ابرطیفي بوده و براي بررسي الگوريتم طبقهبندي پیشنهادي به کار ميروند استفاده شد. مشخصات اين تصاوير در جدول )1( خالصه شدهاند. براي هر يک از کالسها در هر سه داده تصويري به صورت تصادفي حدود 10 درصد از نمونههاي برچسبگذاري شده را به عنوان داده آموزشي و مابقي آنها يعني حدود 90 درصد را به عنوان داده تست انتخاب نموديم نتایج آزمونها در آزمونهاي صورت گرفته برای طبقهبندي SVM از کرنل پايه شعاعي گوسین 1 استفاده شد- Shawe (Cristianini & γ( ( و کرنل گوسین مقادير دو پارامتر تنبیه )C( 2.Taylor, (2000 در الگوريتم SVM به کمک تکنیک ارزيابي عرضي 3 تعیین گرديد. مقادير پارامترهاي فوق براي تصوير Pavia برابر با 128=C و 0/02= γ تصوير Berlin برابر با 200=C و γ و 0/01 = برابر با 100=C DC و تصويرMall γ 0/01= بدست آمد. براي انتخاب نشانهها در روش پیشنهادي همانطور که در بخش 2 بیان شد بعد از تعیین پیکسلهاي کالسي با بیشترين جمعیت براي هر ناحیه از نقشه قطعهبندي واترشد اگر ناحیه موردنظر داراي بیشتر از = 40 M پیکسل باشد = 9 P درصد از پیکسلهاي آن با بیشترين احتمال تعلق به يک کالس به عنوان نشانه انتخاب ميشوند. در غیر اين صورت يعني براي نواحي کوچک پیکسلهايي که داراي احتمال بیشتر از 6= t درصد هستند به عنوان نشانه در نظر گرفته ميشوند در واقع حدآستانه انتخابي برابر با کمترين احتمال در بین 6 درصد از بیشترين احتماالت کل تصوير ميباشد. نگاره )4( میزان وابستگي روش پیشنهادي به پارامترهاي انتخابي را نشان ميدهد. الزم به ذکر است جهت تعیین مقدار هر پارامتر دو پارامتر ديگر ثابت بوده سپس طبقهبندي با روش پیشنهادي انجام ميگیرد. در اين نگاره منظور از OA پارامتر دقت کلی میباشد. در آزمونهاي صورت گرفته براي الگوريتم هرمي به دلیل پیچیدگي مناطق شهري تصاوير ابرطیفي مورد استفاده مقدار پارامتر برابر با 0/2 در نظر گرفته شد (2011 al., (Tarabalka et. بعد از انجام فرآيند قطعهبندي نقشه بدست آمده به کمک قانون تصمیم رأي اکثريت با نقشه طبقهبندي SVM ترکیب گرديد. روش پیشنهادي بیان شده در اين تحقیق با الگوريتم هرمي مبتني بر نشانه اولیه (Original-RHSEG) مقايسه شد (2011 al.,.(tarabalka et در اين الگوريتم همانطور که در بخش مقدمه بیان شد براي انتخاب نشانهها از آنالیز برچسبگذاري مؤلفههاي متصل استفاده ميشود. براي اين منظور آنالیزي بر اساس 8 پیکسل همسايگي بر روي نقشه طبقهبندي SVM انجام گرفت و براي نواحي با بیشتر از 20 پیکسل 5 درصد از پیکسلهاي با بیشترين احتمال تعلق به يک کالس به عنوان پیکسلهاي نشانه انتخاب شد. 1-Gaussian Radial Basis Kernel 2- Penalty parameter 3- Cross validation

7 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) بهبود طبقهبندی طیفی - مکانی تصاویر ابرطیفی با... / 11 نگاره 3: نمایش رنگي سه تصویر ابرطیفي مورد استفاده به همراه داده واقعیت زمیني آنها براي نواحي کوچک يعني کمتر از 20 پیکسل پیکسلهاي با درجه احتمال بیشتر از حدآستانهاي برابر با کمترين احتمال در بین 2 درصد از بیشترين احتماالت کل تصوير به عنوان پیکسلهاي نشانه انتخاب گرديد.( 2006 Meer, (Van der نگاره )5( نقشههاي طبقهبندي حاصل از به کارگیري روش پیشنهادي و روش Original-RHSEG را براي سه تصوير ابرطیفي مورد استفاده نشان ميدهد. همانطوري که مالحظه ميگردد در هر سه تصوير Pavia Berlin و DC Mall نقشه طبقهبندي پیشنهادي در مقايسه با الگوريتم هرمي اولیه شامل مناطق يکنواختتري است.

8 فلا) ب) ج) فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 25 شماره 98 تابستان 95 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.25,No.98, Summer 2016 / 12 ) ) ) نگاره 4: آنالیز حساسیت روش پیشنهادي به انتخاب سه پارامتر M P و t در داده تصویري )الف( Pa DC Mall و )ج( Berlin )ب( via به منظور ارزيابي دقت آزمونهاي صورت گرفته ابتدا ماتريس خطا را به کمک داده واقعیت زمیني تشکیل داده سپس پارامترهاي دقت میانگین )AA( 1 دقت کلي )OA( 2 ضريب کاپا )K( و دقت تولید کننده 3 مربوط به هر کالس استخراج گرديد. نگاره 5 : نقشههاي طبقهبندي حاصل از اعمال الگوریتمهاي )1( Original-RHSEG و )2( روش پیشنهادي بر تصویر ابرطیفي )الف( Pavia )ب( Berlin و )ج( DC Mall جدول )3( مقادير پارامترهاي AA OA و K نقشههاي طبقهبندي بدست آمده از تصاوير ابرطیفي Pavia Berlin و DC Mall را نشان ميدهد. نگاره )6( مقادير پارامتر دقت تولید کننده در سه تصوير ابرطیفي مورد اس تفاده را نمايش ميدهد. همانطوري که از جدول )3( و نگاره )6( مشخص است استفاده از اطالعات مکاني نقشه قطعهبندي واترشد در انتخاب نشانهها براي الگوريتم هرمي در هر سه تصوير ابرطیفي باعث افزايش 1- Average Accuracy 2-Overall Accuracy 3-Producer Accuracy

9 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) بهبود طبقهبندی طیفی - مکانی تصاویر ابرطیفی با... / 13 و )ج( DC Mall دقت طبقهبندي شده است که اين افزايش براي تصاوير Pavia و در تصوير Pavia به جز کالسهاي آجر و موزائیک Berlin حدود 3 درصد و براي تصوير DC Mall حدود 4 درصد در مقايسه با الگوريتم Original-RHSEG در پارامتر دقت کلي مي باشد. همچنین با توجه به نگاره )6( در تصاوير Berlin و DC Mall در همه کالس ها مقدار دقت تولیدکننده به کمک روش پیشنهادي بهبود يافته است. جدول 3 : مقادیر سه پارامتر دقت آزمون هاي صورت گرفته داده تصويري در سه تصویر ابرطیفي پارامترهاي دقت Original- RHSEG 94/6 AA Pavia روش پيشنهادي 98/2 98/7 93/9 92/5 92/2 90/8 90/5 90/7 88/0 95/1 89/3 89/4 89/2 84/0 86/0 86/5 82/6 OA K AA OA K AA OA K Berlin نگاره 6 : مقادير دقت توليد کننده براي الگوريتم هاي طبقه بندي پيشنهادي و هرمي اوليه در تصوير )الف( Pavia )ب( Berlin DC Mall فرش در ساير کالسها افزايش دقت را شاهد هستیم. علت کاهش دقت در اين دو کالس ميتواند به دلیل شباهت طیفي آنها به يکديگر باشد. 4- نتیجهگیري در اين تحقیق روشي جديد برای طبقهبندي طیفي- مکاني تصاوير ابرطیفي با به کارگیری اطالعات مکاني در مرحله انتخاب نشانه الگوريتم قطعهبندي هرمي معرفي گرديد. الگوريتم قطعهبندي هرمي مبتني بر نشانه در ترکیب با طبقهبندی SVM جزء دقیقترين الگوريتمهاي طبقهبندی طیفی-مکانی در تصاوير ابرطیفي است. در روش پیشنهادي بعد از انجام همزمان قطعهبندي واترشد و طبقهبندي SVM پیکسلهاي مربوط به کالسي با بیشترين جمعیت براي هر ناحیه از نقشه قطعهبندي نگه داشته ميشود. سپس از میان آنها پیکسلهايي با باالترين درجه تعلق به يک کالس به عنوان نشانه انتخاب ميشوند. در نهايت نقشه نواحي بدست آمده از الگوريتم قطعهبندي هرمي مبتني بر نشانه با نقشه طبقهبندي SVM به کمک قانون تصمیم راي اکثريت ترکیب گرديد. روش پیشنهادي بر روي سه تصوير ابرطیفي بنچ

10 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 25 شماره 98 تابستان 95 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.25,No.98, Summer 2016 / 14 Image Anal. Stereol., 26: Pesaresi, M., & Benediktsson, J.A. (2001). A new approach for the morphological segmentation of highresolution satellite imagery. IEEE Trans. Geosci. Remote Sens., vol. 39, no. 2, pp Richards, J.A., & Jia, X. (2006). Remote Sensing Digital Image Analysis: An Introduction. Springer- Verlag Berlin Heidelberg. 14. Soille, P. (2003). Morphological Image Analysis. 2nd ed. Berlin, Germany: Springer-Verlag. 15. Tarabalka, Y., Benediktsson, J.A., & Chanussot, J. (2009). Spectral-spatial classification of hyperspectral imagery based on partitional clustering techniques. IEEE Translation Geoscience Remote Sensing, 47(9): Tarabalka, Y., Benediktsson, J.A., Chanussot, J., & Tilton, J.C. (2010). Multiple spectral-spatial classification approach for hyperspectral data. IEEE Translation Geoscience Remote Sensing, 48(11): Tarabalka, Y., Chanussot, J., & Benediktsson, J.A., (2010a). Segmentation and classification of hyperspectral images using minimum spanning forest grown from automatically selected markers. IEEE Trans. Syst., Man, Cybern. B, Cybern., vol. 40, pp Tarabalka, Y., Tilton, J.C., Benediktsson, J.A., & Chanussot, J. (2011). A Marker-Based Approach for the Automated Selection of a Single Segmentation from a Hierarchical Set of Image Segmentations. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 19. Tilton, J. (2003). Analysis of hierarchically related image segmentations. in Proc. IEEE Workshop Adv. Tech. Anal. Remotely Sensed Data, Tilton, J. (2009). RHSEG User s Manual: Including the Core RHSEG Open Source Release, HSEGExtract, HSEGReader and HSEGViewer. 21. Van der Meer, F. (2006). The effectiveness of spectral similarity measures for the analysis of hyperspectral imagery. Int. J. Appl. Earth Observation Geoinformation, vol. 8, no. 1, pp Vapnik, V. (1995). The Nature of Statistical Learning Theory. New York, NY: Springer-Verlag. 23. Varshney, P.K., & Arora, M.K. (2004). Advanced Image Processing Techniques for Remotely Sensed Hyperspectral Data. Springer Berlin Heidelberg New York. 24. Vincent, L., & Soille, P. (1991). Watersheds in digital spaces: an efficient algorithm based on immersion simulations. IEEE Translation Pattern Anal. Mach. Intell., مارک Pavia Berlin و DC Mall پیاده سازي شد. آزمايشات عملي صورت گرفته برتري کمي و کیفي به کارگیري اطالعات مکاني در مرحله انتخاب نشانه را در الگوريتم هرمي مبتني بر نشانه نشان ميدهد. منابع و مآخذ 1. Benediktsson, J.A., Palmason, J.A., & Sveinsson, J.R. (2005). Classification of hyperspectral data from urban areas based on extended morphological profiles. IEEE Trans. Geos. and Remote Sens., 43(3): Benediktsson, J.A., Pesaresi, M., & Arnason, K. (2003). Classification and feature extraction for remote sensing images from urban areas based on morphological transformations. IEEE Trans. Geos. And Remote Sens., 41(9): Bitam, A., & Ameur, S. (2013). A local-spectral fuzzy segmentation for MSG multispectral images. International Journal of Remote Sensing, 34: Cristianini, N. & Shawe-Taylor, J. (2000). An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press. 5. Gómez, O., González, J.A., & Morales, E.F. (2007). Image segmentation using automatic seeded region growing and instance-based learning. in Proc. 12th Iberoamerican Congress Pattern Recognition, Valparaiso, Chile, Gonzalez, R.C., & Woods, R.E. (2002). Digital Image Processing. Prentice Hall, Homayouni, S., & Roux, M. (2003). Material Mapping from Hyperspectral Images using Spectral Matching in Urban Area. IEEE Workshop on Advances in Techniques for analysis of Remotely Sensed Data, NASA Goddard center, Washington DC, USA. 8. Huang, X., & Zhang, L. (2009). A comparative study of spatial approaches for urban mapping using hyperspectral rosis images over pavia city, northern Italy. International Journal of Remote Sensing, 30(12): Jackson, Q., & Landgrebe, V. (2002). Adaptive bayesian contextual classification based on Markov random fields. IEEE Trans. Geos. And Remote Sens., 40(11): Noyel, G. (2008). Filtrage, Réduction de Dimension, Classification et Segmentation Morphologique Hyperspectrale. Ph.D. dissertation, Ctr. Mathematical Morphology, Paris Sch. Mines, Paris, France. 11. Noyel, G., Angulo, J., & Jeulin, D. (2007). Morphological segmentation of hyperspectral images.