توسعه و ارزیابی یک الگوریتم کاهش نوفه به منظور بهبود کارایی و دقت طبقه بندی تصاویر ابرطیفی

تصویربرداری ابرطیفی، به عنوان یکی از فنآوری‎های نوین سنجش از دوری، منبع ارزشمندی برای کاربردهای مختلف علوم زمین، از جمله تهیه نقشه­های پوششی، شناسایی و اکتشاف معادن، نظارت زیست­محیطی به شمار می‌رود. با این وجود، به دلایل سخت افزاری و فنآوری این داده‏ها دارای مشکلات ذاتی هستند. از آنجایی که بهبود سیستم سخت افزاری سنجنده‌های ابرطیفی بسیار پرهزینه است، روش‌های سنجش از دوری پردازش تصویر مانند کاهش نویز، استخراج ویژگی و غیره به دلیل هزینه کم و موثر بودن مورد توجه قرار گرفته‎اند. یکی از جدیدترین و کارآمدترین این روش‌ها، روش پیش‌بینی فرضیه چندگانه است. نقطه ضعف این روش عدم استفاده از روشی موثر در انتخاب باند‌های با شباهت بیشتر است که هدف از این مقاله بررسی روش پیش‌بینی‌ فرضیه چندگانه[1] و اتخاذ روشی مناسب برای انتخاب باندهای طیفی بر مبنای رگرسیون خطی است. به دلیل انعطاف زیاد روش پیش‌بینی رگرسیونی در تعیین ضرایب شباهت بین باندی، برای انتخاب باندهای طیفی مشابه، این روش انتخاب و پیاده‎سازی شد.  داده‌های مورد استفاده در این تحقیق داده‌های رایج جهت کار بر روی تصاویر ابرطیفی است که توسط دانشگاه باسک اسپانیا جمع آوری شده اند. این داده‌ها شامل تصویر سایت های آزمایشی مزارع ایالت ایندیانا از سنجنده AVIRIS و تصویر دانشگاه پاویا از سنجنده ROSIS است. نتایج حاصله از پیاده سازی روش پیشنهادی نشان داد که صحت کلی طبقه‌بندی ماشین بردار پشتیبان[2] و k نزدیکترین همسایگی[3] برای مجموعه داده‌های ابرطیفی Indian Pines و دانشگاه Pavia  به ترتیب برابر با 82/95، 43/99 و 89/92و88/98 است که در طبقه‌بندی SVM به ترتیب 4/0 و 3/0 و در طبقه‌بندی KNN به ترتیب 22/8 و 2 درصد افزایش را نشان می‌دهد که نشان دهنده‌ی کارآمدی روش پیشنهادی به طور ویژه در مورد طبقه­بندی KNN است. 1 Multi Hypothesis Prediction 2 Support Vector Machine 3 K Nearest Neighbor