تخمین بعد ذاتی و کاهش ابعاد داده های فراطیفی به منظور طبقه بندی با استفاده از روش های درخت تصمیم، ماشین بردار پشتیبان و شبکه عصبی

طبقه­ بندی تصاویر فراطیفی، به دلیل کاربردهای برجسته این تصاویر در حوزه­ های مختلف مانند نظامی، مدیریت و برنامه­ ریزی شهری، مدیریت منابع و کشف معادن، یکی‌ از مسائل بسیار مهم در پردازش تصاویر فرا­طیفی به شمار می‌‌آید. تصاویر فراطیفی به دلیل دارا بودن توان تفکیک طیفی بالا، اطلاعات قابل توجهی در ارتباط با ترکیب شی‌ با صحنه تصویر­برداری در اختیار کاربر قرار می­دهند. بزرگی ابعاد این تصاویر نه تنها محاسبات را پیچیده­تر می­کند بلکه دقت طبقه­بندی را به صورت قابل ملاحظه­ای کاهش می­دهد، به همین علت یکی از مهم­ترین بخش­های پردازش و تحلیل داده­های ابر­طیفی انتخاب کردن ویژگی­های مناسب جهت استخراج عوارض مورد­نظر می­باشد. در این تحقیق روشی برای غلبه بر این پیچیدگی ارائه می­شود. منطقه مورد مطالعه مربوط به دانشگاه پاویا می­باشد که به وسیله سنجنده هوابرد ROSIS از قسمت شمالی ایتالیا تصویر­برداری شده است. روش آنالیز اجزای اصلی به کمک تخمین بعد ذاتی به عنوان پیش­پردازشی جهت بهبود نتایج طبقه­بندی انجام شده است. در مرحله اول با استفاده از روش تخمین بعد ذاتی به روش Hysime تعداد باندهای مطلوب برای طبقه­بندی مشخص شده است و با استفاده از روش آنالیز اجزای اصلی باندهای بهینه برای اجرای الگوریتم­های طبقه­بندی استخراج می‍شود. سپس روش­های درخت تصمیم­گیری C4.5، ماشین بردار پشتیبان و شبکه عصبی برای طبقه­بندی تصویر فراطیفی پیاده سازی شده است. در نهایت دقت روش­های طبقه­بندی مقایسه شده که دقت طبقه­بندی به روش شبکه عصبی با دقت کلی 948/0 بیشترین دقت را در میان طبقه­بندی­کننده­ها داشته است.