طبقه‌بندی طیفی-مکانی تصاویر ابرطیفی به کمک ویژگی‌های گشتاور‌ هندسی تصویر و الگوریتم ژنتیک

از تصاویر ابرطیفی همواره در حوزه‌های مختلفی مانند کشاورزی، زمین‌شناسی و معدن، مدیریت شهری، نظامی، شناسایی اهداف و... استفاده است. طبقه‌بندی که یکی از مهم‌ترین شاخه‌ها از الگوریتم‌های پردازشی داده‌های ابرطیفی است که به‌طور سنتی با اطلاعات طیفی انجام می‌شود. تحقیقات گوناگون نشان داده است که استفاده از ویژگی‌های مکانی تصویر در کنار ویژگی‌های طیفی موجب می‌‌شود دقت طبقه‌بندی به میزان چشمگیری افزایش پیدا کند. در این تحقیق روشی به منظور طبقه‌بندی طیفی-مکانی تصاویر ابرطیفی گسترش داده شده است. در این روش پس از یک مرحله استخراج ویژگی بر مبنای روش کسر نویز کمینه (MNF) ، از چند مؤلفه اول تولید شده، ویژگی‌های گشتاور هندسی تصویر در مرتبه‌ها و ابعاد گوناگون پنجره تحلیل تولید می‌شود. در مرحله بعد، این ویژگی‌ها در کنار ویژگی‌های طیفی قرار گرفته و از الگوریتم ژنتیک به منظور انتخاب ویژگی‌های مناسب برای طبقه‌بندی استفاده می‌شود. در نهایت نیز پس‌پردازشی بر مبنای فیلتر رأی اکثریت به منظور حذف پیکسل‌های اشتباه در هر کلاس و هموارسازی برچسب‌ها و افزایش دقت طبقه‌بندی انجام می‌شود. استفاده از تبدیل MNF به منظور تولید ویژگی‌های گشتاور هندسی تصویر، استفاده از الگوریتم ژنتیک به منظور انتخاب ویژگی‌های طیفی-مکانی و پس‌پردازش مبتنی بر فیلتر رأی اکثریت از جمله‌ی نوآوری‌های این مقاله است. نتایج پیاده‌سازی بر روی یک تصویر ابرطیفی واقعی از مناطق نیمه-شهری کشاورزی نشان می‌دهد که الگوریتم پیشنهادی این تحقیق در مقایسه با روش معمول می‌تواند دقت طبقه‌بندی را تا حدود 40 درصد افزایش دهد.