سازمان جغرافیایی فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر» 2588-3860 25 98 2016 10 01 Improving the spectral-spatial classification of hyperspectral images using spatial information in selecting markers بهبود طبقه بندی طیفی-مکانی تصاویر ابرطیفی با به کارگیری اطلاعات مکانی در انتخاب نشانه ها 5 14 22126 10.22131/sepehr.2016.22126 FA داود اکبری دانشجوی دکتری سنجش از دور، گروه مهندسی نقشه برداری، دانشگاه تهران عبدالرضا صفری دانشیار گروه ژئودزی، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشگاه تهران سعید همایونی استادیار سنجش از دور، گروه جغرافیا، دانشگاه اوتاوا، کانادا Journal Article 2015 08 10 Abstract Recently, a new approach, based on the Hierarchical SEGmentation (HSEG), grown from automatically selected markers using Support Vector Machines (SVM), has been proposed for spectral-spatial classification of hyperspectral images. The HSEG algorithm, which combines region object finding with region object clustering, has given good performances for hyperspectral image analysis. This technique produces at its output a hierarchical set of image segmentations. This paper aims at improving this approach by using image segmentation to integrate the spatial information into the marker selection process. In this study, the markers are extracted from the classification maps obtained by both SVM and watershed segmentation algorithm. The watershed algorithm is used in parallel and independently to segment the image. It is a powerful morphological approach to image segmentation. Moreover, the class’s pixels, with the largest population in the classification map, are kept for each region of the segmentation map. Lastly, the most reliable classified pixels are chosen from among the exiting pixels as markers. Then, a marker-based HSEG algorithm is applied. Each region from the segmentation map is classified by applying a majority vote rule over the pixel-wise SVM classification results. Three benchmark urban hyperspectral datasets are used for our comparisons: Pavia, Berlin and DC Mall. The results of our experiment indicate that, compared to the original hierarchical approach, the marker selection using segmentation algorithm leads in more accurate classification maps. Indeed, the proposed approach achieves an approximately 4%, 6% and 5% kappa coefficient higher than the original hierarchical-based algorithm for the Pavia, Berlin, and DC Mall datasets, respectively. فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه‌ بندی پوشش‌ های زمین و بررسی تغییرات آنها است. معمولترین روش جهت طبقهبندی تصاویر ابرطیفی، طبقه‌ بندی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسل های همسایه، به کلاس مشخصی اختصاص می‌ یابد. پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توأم از اطلاعات طیفی و مکانی را در طبقه‌ بندی تصاویر ابرطیفی ایجاب می‌ کند. در این تحقیق روشی جدید برای طبقه‌ بندی طیفی-مکانی تصاویر ابرطیفی و بر اساس الگوریتم قطعه‌ بندی هرمیمبتنی بر نشانه معرفی میشود. در میان الگوریتمهای مختلف طبقهبندی طیفی-مکانی تصاویر ابرطیفی، تاکنون الگوریتم قطعهبندی هرمی مبتنی بر نشانه در ترکیب با الگوریتم طبقه‌ بندی ماشین بردار پشتیبان به بهترین نتایج دست یافته است. در روش پیشنهادی برای انتخاب نشانهها از ترکیب قطعهبندی واترشد (Watershed)و طبقهبندی ماشین بردار پشتیبان استفاده میشود. برای این منظور از میان پیکسلهای با بیشترین جمعیت برای هر ناحیه از نقشه قطعهبندی، آنهایی که دارای بالاترین درجه تعلق به یک کلاس هستند، به عنوان نشانه انتخاب میگردند. سپس بر روی نشانه‌ های بدست آمده، الگوریتم قطعهبندی هرمی پیادهسازی میشود. در نهایت نقشه قطعه‌ بندی بدست آمده به کمک قانون تصمیم رأی اکثریت با نقشه طبقهبندی ماشین بردار پشتیبان ترکیب می‌ گردد. روش پیشنهادی بر روی سه تصویر ابرطیفی Pavia، Berlin و DC Mall پیادهسازی شد، نتایج آزمایشات بدست آمده برتری روش پیشنهادی را در مقایسه با الگوریتم هرمی مبتنی بر نشانه اولیه نشان میدهد. این برتری برابر با 4، 6 و 5 درصد در پارامتر ضریب کاپا و به ترتیب برای تصاویر Pavia، Berlin و DC Mall میباشد.

https://www.sepehr.org/article_22126_e7bb2a9a04e354411b083c574e7e1b1b.pdf