طبقه بندی تصاویر فراطیفی با استفاده از مدل آمیخته ی گاوسی و الگوریتم نمونه گیر گیبز

با پیشرفت­های فناوری سنجش از دور و تولید داده­های فراطیفی با اطلاعات طیفی فراوان، استفاده از این داده­ها جهت مطالعه دقیق پدیده­ها به سرعت در حال گسترش است. تصاویر فراطیفی به دلیل نمایش گسترده خصوصیات طیفی عوارض و پدیده­های سطح زمین در بسیاری از علوم زمین مورد توجه قرار گرفته‏‏اند. یکی از مهمترین کاربردهای تصاویر فراطیفی، طبقه­بندی آنها و تولید نقشه­های پوشش زمینی بدون نیاز به داده­های واقعیت زمینی است. در بین روش­های گوناگون طبقه­بندی بدون نظارت، استفاده از مدل­ آمیخته­ گاوسی به دلیل عملکرد بهتر و دقت بالا در خوشه­بندی داده­های فراطیفی، مورد توجه قرار گرفته است. مهمترین بخش یک مدل برآورد پارامترهای آن است. تاکنون روش­های متفاوتی به منظور تخمین پارامترهای مدل آمیخته­­ی گاوسی ارائه شده است. یکی از پرکاربردترین این روش­ها در سال­های اخیر، الگوریتم امید ریاضی-بیشینه­سازی می­باشد. این الگوریتم علیرغم سرعت بالا و دقت کلی قابل قبول، از مشکل دقت پایین در طبقه­بندی مناطق با وسعت پایین رنج می­برد که این مشکل در مناطق شهری نمود پیدا می­کند. در این پژوهش نویسندگان با معرفی الگوریتم نمونه­گیر گیبز علاوه بر تلاش برای بالابردن دقت کلی، سعی در فائق آمدن بر مشکل برخورد با عوارض کوچک دارند. از طرف دیگر، استفاده از تمام باندهای تصویر فراطیفی در فرآیند طبقه­بندی به علت همبستگی بالای بین باندها و همچنین افزایش زمان محاسبات توصیه نمی­گردد. یکی از راهکارهای رفع این مشکل، استفاده از روش­های کاهش ابعاد به منظور بهبود دقت طبقه­بندی است. در این پژوهش از روش­های کاهش ابعاد آنالیز مولفه­های اصلی و نگاشت تصادفی استفاده شد. به منظور مقایسه و ارزیابی صحت روش­های پیشنهادی در این پژوهش، دو داده فراطیفی واقعی شناخته شده Pavia University و Salinas و یک داده­ شبیه­سازی شده مورد استفاده قرار گرفت. نتایج آزمایشات صورت گرفته نشان از برتری به کارگیری الگوریتم نمونه­گیر گیبز نسبت به الگوریتم امید ریاضی-بیشینه­سازی به منظور تخمین پارامترهای مدل آمیخته گاوسی و همچنین دقت بالاتر این الگوریتم در طبقه­بندی عوارض کوچک دارد.