طبقه بندی تصاویر ابرطیفی با استفاده از مشتق گیری در فضای طیفی

داده های ابرطیفی اطلاعات بسیار زیادی را از اهداف زمینی جمع آوری می نمایند به گونه ای که با این اطلاعات می توان اهداف زمینی را به خوبی شناسایی کرد. روش های متعددی برای استخراج اطلاعات از داده های ابرطیفی وجود دارد، که از آن جمله می توان به روش مشتق گیری از طیف بازتابندگی و استفاده از مناطق جذبی اشاره کرد. در این تحقیق با مشتق گیری از طیف بازتابندگی، فرکانسهای پایین طیف که عمدتاً دارای اطلاعات مفیدی نمی باشند حذف شده، همپوشانی بین مناطق جذبی را از بین برده و تباین طیفی بالاتر برده شده است که نتیجه آن ارتقای دقت در برآورد اطلاعات از اهداف زمینی بوده است. همچنین استفاده از کدگذاری طیفی باعث افزایش سرعت پردازش داده ها گردیده که برای پردازش داده های حجیم ابرطیفی بسیار مناسب می باشد. در بخش اول این تحقیق با مشتق گیری و سپس کدگذاری طیف های داده ابرطیفی و طیف های بازتابندگی کتابخانه طیفی روشی برای طبقه بندی داده های ابرطیفی ارائه شده است. سپس این روش برای طبقه بندی داده های شبیه سازی شده و داده های واقعی مورد استفاده قرار گرفته است. برای ارزیابی دقت، نتایج این روش با روش های spam، sdfc و sfbc مقایسه شد. دقت کلی روش های spam،sdfc وsfbc برای طبقه بندی داده های شبیه سازی شده به ترتیب 49، 57.59 و 42.31 درصد بود. در مقابل دقت کلی روش پیشنهادی 88.32 درصد بدست آمد، که این دقت نشان دهنده کارآیی بالای این روش در مقایسه با روش های قبلی می باشد. در بخش دوم پس از مشتق گیری طیفی، طیف به قسمت های کوچکتری تقسیم شده و همبستگی بین قسمت های کوچک در طیف تصویری و طیف کتابخانه طیفی بدست آمده و با این روش نیز داده ها طبقه بندی شدند. این روش با روش های sam، sid و scm مقایسه شده و نتایج دقت کلی روش های sam، sid و scm در داده های شبیه سازی شده به ترتیب 45.84، 44.33 و 57.53 بدست آمد. در مقابل دقت کلی روش پیشنهادی در این قسمت 73.70 بدست آمد. مشکل روش همبستگی سرعت طبقه بندی بسیار پایین آن می باشد. علی الخصوص وقتی کتابخانه طیفی دارای طیف های بسیار زیادی باشد سرعت طبقه بندی به شدت کاهش می یابد. در این قسمت با استفاده از روش کدگذاری برای یک پیکسل، طیف های کتابخانه طیفی از شبیه ترین تا متفاوت ترین طیف اولویت بندی شدند. سپس چند درصد محدود آنها به عنوان کتابخانه طیفی در نظر گرفته شده و با روش همبستگی پیکسل ها طبقه بندی شدند که باعث بهبود دقت طبقه بندی همراه با افزایش سرعت طبقه بندی شد.