طبقه‌بندی نظارت‌نشده تصاویر فراطیفی با الگوریتم خوشه‌بندی Possibilistic Fuzzy c-Means

روش‌های طبقه‌بندی از مهم‌ترین روش‌های استخراج اطلاعات از تصاویر سنجش از دوری می‌باشند که به طور مرسوم به دو دسته نظارت‌شده و نظارت‌نشده تقسیم می‌شوند. روش‌های نظارت‌شده نیازمند جمع‌آوری داده‌های آموزشی بوده و مستلزم صرف هزینه و زمان می‌باشند. در مقابل، روش‌های نظارت‌نشده فقط متکی بر داده‌های تصویری بوده و اغلب به صورت اتوماتیک انجام می‌شوند. روش‌های نظارت‌نشده نسبت به روش‌های نظارت‌شده اگر چه معمولا دارای دقت پایین‌تری هستند، امّا نیازمند هزینه، زمان و اطلاعات کم‌تری می‌باشند و به همین دلیل توجه بسیاری از محققین را به خود جلب نموده‌اند. در میان روش‌های طبقه‌‌بندی نظارت‌نشده، روش‌های خوشه‌بندی از اهمیت ویژه‌ای برخوردارند که یکی از معروف‌ترین آن‌ها، c-means است. نسخه فازی روش c-means مدل Fuzzy c-means (FCM) است که یکی از پرکاربردترین روش‌های خوشه‌بندی می‌باشد. الگوریتم FCM به داده‌های دارای خطا حساس است و تحت تاثیر آنها قرار می‌گیرد. برای حل این مشکل، نسخه‌های اصلاحی دیگری شامل Possibilistic c-means (PCM)، Fuzzy Possibilistic c-means (FPCM) و Possibilistic Fuzzy c-means (PFCM) توسط محققین ارائه شده است. در ابتدا مدل PCM پیشنهاد گردید که آن خود به خوشه‌های منطبق بر هم منجر می‌شد. از این رو، مدل FPCM ارائه شد که این مسئله را مرتفع نماید، اما برای یک مجموعه داده بزرگ این مدل نیز کارایی خود را از دست می‌داد. برای حل این مشکل مدل PFCM معرفی گردید که دارای انعطاف بیشتری نسبت به بقیه مدل‌ها بود. الگوریتم خوشه‌بندی PFCM، ترکیبی از الگوریتم‌‌های FCM و PCM است که از محدودیت‌های هر دو آن‌ها به دور می‌باشد و مشکل الگوریتم FPCM را نیز ندارد. در این مقاله از یکی از موفق‌ترین نسخه‌های c-means یعنی الگوریتم خوشه‌بندی PFCM، جهت طبقه‌‌بندی داده‌های تصویری فراطیفی Hyperion استفاده گردیده و نتایج آن با نتایج الگوریتم FCM مقایسه شده است. آزمون‌های انجام‌شده نشان می‌دهد الگوریتم‌ PFCM، دقت کلی را حدود %3 افزایش می‌دهد.