ارزیابی ترکیب طبقه بندی کننده های پیکسل های مختلط به منظور بهبود تخمین حضور عوارض درسطح زیر پیکسل

یکی از مهم ترین پردازش ها در حیطه ی تصاویر ابر طیفی، آشکارسازی اهداف در سطح زیر پیکسل می باشد. به دلیل قدرت تفکیک طیفی بالای تصاویر ابرطیفی از یک سو و قدرت تفکیک مکانی محدود آنها از سوی دیگر، اهداف مورد نظر در سطح زیر پیکسل ظاهر می شوند. از این رو آشکارسازی این اهداف با استفاده از روش های رایج پردازش تصویر که بر مبنای اطلاعات مکانی استوار هستند امکان پذیر نیست. در طی سال های اخیر روش های متفاوتی به منظور حل مسئله ی آشکارسازی توسعه داده شده اند که در این پایان نامه روش های آشکارسازی osp، cem، tcimf، amsd، ace،fcls ، ncls و scls مورد استفاده قرار گرفته اند. براساس مقایسه های انجام شده در این پایان نامه، عموما روش های ace و cem دارای عملکردی بهتر از سایر روش ها می باشند. از سوی دیگر هر کدام از روش های آشکارسازی بر پایه ی فرض های متفاوتی استوار بوده و نقاط ضعف و قوت خاص خود را دارند. یکی از راهکارهای ممکن برای بهبود نتایج حاصل از آشکار سازی و استفاده از نقاط قوت هر کدام از این روش ها، ترکیب نتایج حاصل از آشکارسازها می باشد. برطبق نتایج بدست آمده در این پایان نامه با استفاده از داده-های شبیه سازی شده و واقعی، روش ترکیب میانگین دارای بهترین عملکرد می باشد. از سوی دیگر، به دلیل افزایش ابعاد فضای ویژگی در تصاویر ابرطیفی، ابعاد فضای فرضیات نیز بشدت افزایش خواهد یافت که این عامل نیز سبب دشوار شدن عملیات آشکارسازی خواهد شد. بنابراین راهکاری دیگر جهت بهبود آشکار سازی، کاهش ابعاد داده های ابرطیفی است. بنابراین به منظور بررسی اثر کاهش ابعاد داده ی ابرطیفی از الگوریتم ژنتیک (نظارت شده) و تبدیل wavelet (نظارت نشده) استفاده شده است. بر اساس نتایج بدست آمده، این روش ها می توانند سبب بهبود نتایج آشکارسازی شوند، اما هر کدام از این دو روش همانطور که در بخش های بعدی اشاره خواهد شد دارای نقاط ضعف خاص خود می باشند. از اینرو در این پژوهش، از یک فرآیند انتخاب باند نظارت نشده در فضای پدیده جهت بهبود عملکرد آشکارسازی استفاده شده است. نتایج حاصله بر روی داده ی ابرطیفی واقعی، نشان دهنده ی اثر مثبت روش پیشنهادی در بهبود نتایج می باشد. علاوه بر موارد فوق، در این پایان نامه دو روش جهت خوشه بندی تصاویر ابرطیفی با استفاده از روش های fcls، ncls و scls نیز ارائه شده است. در روش اول، خوشه بندی توسط الگوریتم fcls صورت می گیرد . توجیه توسعه ی چنین روشی احتمال وجود پیکسل های مختلط در تصاویر ابرطیفی می باشد. در روش دوم نیز از ترکیب روش های fcls، ncls و scls به منظور بهبود عملکرد خوشه بندی استفاده شده است. مقایسه ی نتایج بدست آمده از این روش ها با روش های خوشه بندی fuzzy c-means و k-means، با استفاده از معیار ari، نشان دهنده ی عملکرد مناسب روش های پیشنهادی می باشد.