استفاده از روش های شئ گرا در طبقه بندی تصاویر ابرطیفی

غنای داده های طیفی موجود در تصاویر ابرطیفی امکان مناسبی را برای تفکیک کلاس های مختلف عوارض موجود در صحنه تصویربرداری فراهم می کند. اما با اتکا به اطلاعات طیفی موجود در بردار ویژگی طیفی پیکسل ها نمی توان به حداکثر دقت ممکن طبقه بندی دست یافت. روش های مختلفی به منظور بهبود دقت طبقه بندی با ایجاد ویژگی های جدید یا تغییر بردار ویژگی موجود به منظور افزایش تفکیک پذیری کلاس ها در فضای ویژگی ارائه شده است. از جمله روش هایی که به این منظور مورد استفاده قرار می گیرد استفاده از محتوای مکانی موجود در تصاویر است. با افزایش حدتفکیک مکانی سنجنده ها استفاده از این داده ها نیز تسهیل شده است. روش های قدیمی که به این منظور استفاده می شوند عمدتاً از محاسبات ریاضی غیرقابل درک توسط انسان به این منظور استفاده می کنند و توانایی استفاده از تمامی ساختارهای مکانی موجود در تصویر برای آن ها فراهم نیست. روش طبقه بندی شئ گرا به عنوان یک روش نوین به این منظور توسعه یافته و از ساز و کار درک بصری انسان از تصاویر برای افزودن اطلاعات مکانی به طبقه بندی استفاده می کند. به منظور ارزیابی قابلیت روش طبقه بندی شئ گرا در استخراج اطلاعات از داده های ابرطیفی در این پایان نامه مقایسه جامعی بین روش های طبقه بندی پیکسل مبنا و شئ گرا انجام شده است. شش روش طبقه بندی نظارت شده (ml, fll, svm, be, sam, sid) انتخاب شده اند و ویژگی های استخراج شده با استفاده از روش های نظارت شده (dafe, dbfe, nwfe) و نظارت نشده ی (mnf, pca, ica, band mean) استخراج ویژگی برای انجام طبقه بندی استفاده شده است. در مرحله اول، طبقه بندی پیکسل-مبنا انجام شده و تعداد ویژگی که بهترین دقت طبقه بندی را حاصل کرده به عنوان تعداد ویژگی بهینه انتخاب شده است. برای انجام طبقه بندی شئ گرا ابتدا اشیای تصویری با استفاده از روش قطعه بندی fnea تولید شده اند. برای تعیین پارامترهای بهینه برای انجام قطعه بندی حالت های مختلف مورد آزمایش قرارگرفته است و سپس طبقه بندی اشیای تولیدشده به این روش با انتساب ویژگی های بهینه به اشیا و شش روش طبقه بندی انجام شده است. آزمایشات بر روی 103 باند از مجموعه داده سنجنده rosis که از یک منطقه شهری در کشور ایتالیا اخذ شده انجام شده اند. مقایسه نتایج به دست آمده حکم به برتری روش طبقه بندی شئ گرا در همه حالت های ترکیب ویژگی ها و طبقه بندی کننده های مورد استفاده می دهد. بهبود دقت به طور متوسط به صورت افزایش 8.25 درصدی دقت کلی روش شئ گرا در مقابل روش پیکسل مبنا قابل مشاهده است.