طبقه بندی تصاویر ابرطیفی و حذف وابستگی های غیرخطی بین آن

امروزه تصاویر ابرطیفی یکی از مهمترین ابزارهای علم سنجش از دور هستند. استفاده از این تصاویر در کاربردهای مختلف مانند کشاورزی، جنگلداری، مطالعه پوشش های گیاهی، شناسایی آلودگی ها، اکتشاف منابع طبیعی و معدنی، زمین شناسی، کاربردهای نظامی نتایج قابل توجهی را کسب کرده است. با توجه به پیشرفت سنجنده های فضایی، دقت تفکیک طیفی آنها به چند صد باند در تصاویر ابرطیفی افزایش یافته است که تعداد زیاد این باندها به صورت بالقوه جدایی پذیری کلاس ها را افزایش می دهد. اما با افزایش تعداد باندها و بالا رفتن بعد فضای داده ها باید داده های آموزشی متناسب با تعداد باندها برای تخمین دقیق پارامترهای طبقه بند را داشته باشیم تا این مزیت بالفعل شود. بدون داشتن داده های آموزشی متناسب با تعداد باندها دچار پدیده هیوز در طبقه بندی نظارت شده می شویم که می گوید با داده آموزشی محدود، با افزایش تعداد باندها ابتدا دقت طبقه بندی افزایش و بعد از رسیدن به یک بیشینه رو به کاهش می گذارد. در این رساله یک اثبات تحلیلی برای این پدیده فراهم شده است. از آنجا که جمع آوری داده های آموزشی در تصاویر ابرطیفی بسیار گران، زمان بر و گهگاه مقدور نمی باشد در طبقه بندی نظارت شده آنها دچار پدیده هیوز می شویم. کاهش ویژگی یکی از راهکارهای غلبه بر پدیده هیوز است. بنابراین هدف این رساله پیشنهاد روش های انتخاب باند و استخراج ویژگی مناسب برای داده های ابرطیفی می باشد. داده های ابرطیفی دارای ممان های مرتبه بالاتر از دو و خصوصیات غیرخطی می باشند که باید در انتخاب شاخص و نگاشت کاهش بعد داده ها به این خصوصیات توجه کرد. در این رساله شاخص بیشینه ارتباط-کمینه افزونگی را که پیش از این برای انتخاب باند استفاده شده است را اصلاح و برای انتخاب باند و استخراج ویژگی در تصاویر ابرطیفی استفاده کرده ایم. این شاخص جدایی پذیری بر حسب ترم های اطلاعات متقابل می باشد که از اطلاعات تمام ممان های داده ها استفاده می کند. نگاشت های خطی، خطی تعمیم یافته و یک پرسپترون دو لایه به عنوان یک نگاشت غیرخطی توانمند برای استخراج ویژگی استفاده شده اند. در تمام روش های انتخاب باند و استخراج ویژگی پیشنهادی، پارامترهای آزادی وجود دارد تا بتوانیم با تنظیم آنها پیچیدگی شاخص و نگاشت های استفاده شده را مهار کرده و با تعداد داده آموزشی محدود، تخمین دقیقتری از پارامترهای بهینه نگاشت کاهش ویژگی داشته باشیم. روش استخراج ویژگی خطی پیشنهادی برای تصویر ایندیانا صحت طبقه بندی 84% دارد در صورتی که برای روش های سنتی مانند pca و lda به ترتیب 67% و 75% است. روش استخراج ویژگی غیرخطی پیشنهادی نیز صحت طبقه بندی برابر با 90% می باشد در صورتی که برای روش های سنتی مانند kpca و gda به ترتیب 81% و 84% است