فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: در سال‌‌های اخیر استفاده از تصاویر ابرطیفی به‌دلیل‌‌ غنای بالای طیفی در زمینه‌های مختلف مطالعات زمین به‌خصوص در سنجش از دور بسیار افزایش یافته است. طبقه‌‌بندی این تصاویر به‌منظور استخراج اطلاعات از آنها همواره با چالش‌‌هایی مختلفی همچون چگونگی مدیرت ابعاد این داده‌‌ها و صحت کم طبقه‌‌بندی در هنگام وجود تعداد محدودی از نمونه‌‌های آموزشی همراه است. افرایش صحت طبقه‌‌بندی این تصاویر با هدف مطالعات دقیق پدیده‌‌‌‌ها و تغییرات سطح زمین همواره از موضوعات مورد مطالعة جامعة علمی سنجش از دور بوده است. در سال‌‌های اخیر استفاده از ویژگی‌‌های مکانی به‌منظور افزایش صحت طبقه‌‌بندی تصاویر ابرطیفی بسیار رایج شده است. تاکنون روش‌‌های مختلفی برای طبقه‌‌بندی طیفی-مکانی تصاویر ابرطیفی معرفی شده است و پژوهش‌های مربوطه در راستای معرفی روش‌‌هایی با ساختار ساده‌‌تر و صحت بالاتر نیز در جریان است. به‌دلیل‌‌ وجود رابطه‌‌های پیچیده میان باندهای مختلف تصویر ابرطیفی با الهام از پژوهش‌های موجود در شاخة بینایی ماشین در این پژوهش روشی توسعه داده شده است که می‌‌تواند روابط پیچیدة میان ویژگی‌‌های طیفی و مکانی در یک تصویر ابرطیفی را مدل‌سازی کند. هدف اصلی این مقاله ارائة روشی جدید و کارا مبتنی بر ترکیب ویژگی‌‌های مستخرج از ماتریس محلی کرنل وزن‌‌دار ویژگی‌‌های طیفی و فرکتالی به‌منظور تولید ویژگی برای طبقه‌‌بندی تصاویر ابرطیفی است. مواد و روش‌‌ها: به‌منظور طبقه‌‌بندی تصاویر ابرطیفی در پژوهش حاضر ابتدا یک مرحله کاهش بعد بر روی تصویر ابرطیفی انجام می‌‌شود. در مرحلة بعد ویژگی‌‌های مکانی مبتنی بر بعد فرکتال جهت‌‌دار تولید می‌شوند و مجدداً این ویژگی‌‌ها کاهش بعد پیدا می‌‌کنند. در مرحلة بعد ویژگی‌‌های مستخرج از ماتریس محلی کرنل وزن‌‌دار از هر دو دسته ویژگی‌‌های طیفی و فرکتالی تولید می‌‌شوند. این ویژگی‌‌های ثانویه وابستگی‌‌های محلی غیرخطی میان ویژگی‌‌های طیفی و فرکتالی را که در روش‌‌های پیشین طبقه‌‌بندی مورد توجه نبوده است، در فرایند تولید ویژگی لحاظ می‌‌کنند که در نهایت سبب افزایش صحت طبقه‌‌بندی می‌‌شوند. سپس این دو دسته بردار ویژگی جدید برای هر پیکسل با هم الصاق می‌شود و یک بردار غنی از اطلاعات طیفی– مکانی را تشکیل می‌‌دهد. در نهایت به‌منظور تعیین برچسب هر پیکسل، بردار ویژگی حاصل از الگوریتم ماشین بردار پشتیبان طبقه‌‌بندی می‌‌شود. آزمایش‌‌های این پژوهش بر دو تصویر مرجع ابرطیفی واقعی ایندین پاین و دانشگاه پاویا انجام شده است. نتایج و بحث: تحلیل نتایج نشان می‌‌دهد که روش پیشنهادی با در نظر گرفتن ویژگی‌‌های مستخرج از ماتریس محلی کرنل وزن‌‌دار ویژگی‌‌های طیفی– فرکتالی موجب افزایش 20 و 18 درصدی صحت طبقه‌‌بندی در مقایسه با طبقه‌‌بندی با ویژگی‌‌های طیفی تنها به‌ترتیب در تصاویر ایندین پاین و دانشگاه پاویا شده است. این نتیجه تأیید می‌‌کند که در نظر گرفتن اطلاعات مکانی به‌طور مؤثر سبب افزایش چشمگیر صحت طبقه‌‌بندی حتی زمانی که نمونه‌‌های آموزشی اندکی در دسترس باشد، می‌‌شود. همچنین رویکرد پیشنهادی این پژوهش در مقایسه با چندین پژوهش دیگر در این حوزه به صحت‌‌های بالاتری رسیده است. نتیجه‌‌گیری: عملکرد بهتر روش پیشنهادی در مقایسه با دیگر روش‌های رقیب به‌دلیل‌‌ در نظر گرفتن وابستگی‌‌های محلی غیرخطی میان ویژگی‌‌های طیفی و فرکتالی است که تاکنون در پژوهش‌های پیشین مورد توجه نبوده است. در پژوهش‌های آتی در نظر داریم که رویکرد پیشنهادی را درگام اول از نظر زمانی و در گام بعدی با در نظر گرفتن تعداد بیشتری از ویزگی‌‌های مبتنی بر هندسة فرکتال از نظر صحت بهبود دهیم.