به کارگیری روشهای مبتنی بر استفاده از زیرفضا در طبقه بندی تصاویر ابرطیفی

غنای طیفی تصاویر ابرطیفی به اندازه ای بالاست که آن ها را برای بسیاری از کاربردها مناسب می نماید. استفاده از این استعداد نهفته البته با چالش هایی نیز همراه می باشد. در زمینه ی طبقه بندی نظارت شده یکی از این چالش ها نیاز به تعداد نمونه های آموزشی بیشتر است. در طبقه بندی این مساله تحت عنوان پدیده ی هاف شناخته می شود. کارایی طبقه بندی کننده های متداول که ذاتاً برای پردازش تصاویر چند طیفی توسعه داده شده اند، هنگام اعمال بر روی تصاویر ابرطیفی بسیار پایین می آید. استفاده از روش های کاهش ویژگی قبل از انجام طبقه بندی یکی از راه های مقابله با این مشکل است. نوع دیگری از طبقه بندی کننده ها وجود دارند که ذاتاً بر مبنای خصوصیات فضاهای ابربعدی توسعه یافته اند. این طبقه بندی کننده ها، طبقه بندی کننده-های مبتنی بر استفاده از زیرفضا نام دارند. طبقه بندی کننده های مبتنی بر استفاده از زیرفضا برای طبقه بندی تصاویر ابرطیفی نیازی به پیش پردازش کاهش ویژگی ندارند. در این پایان نامه مقایسه ی جامعی بین عملکرد روش های طبقه بندی مبتنی بر استفاده از زیرفضا و طبقه-بندی مبتنی بر سناریوی استفاده از پیش پردازش کاهش ویژگی صورت گرفته است. سه طبقه بندی کننده ی مبتنی بر استفاده از زیرفضای clafic، msm و alsm و دو طبقه بندی کننده ی متداول یک نزدیک ترین همسایگی و حداکثر شباهت که پس از کم کردن از تعداد ویژگی ها به کمک روش های کاهش ویژگی sfs، lda و nwfe مورد استفاده قرار گرفته اند، روش های طبقه بندی هستند که در این پایان نامه مقایسه شده-اند. نتایج آزمایش ها بر روی داده ی ابرطیفی متداول indian pine از برتری alsm بر سایر روش ها به ویژه در صورت وجود تعداد کافی نمونه ی آموزشی حکایت دارد. دقت alsm در این وضعیت از بهترین دقت سایر طبقه بندی کننده های مبتنی بر استفاده از زیرفضا 28/6 درصد و از بهترین دقت سناریوی طبقه بندی مبتنی بر استفاده از پیش پردازش کاهش ویژگی 28/1 درصد بیشتر است. حساسیت طبقه بندی کننده های مبتنی بر استفاده از زیرفضا به تعداد نمونه های آموزشی و کارایی آن ها در طبقه بندی ویژگی های با تعدادی بیشتر از توانایی پردازش روش های کاهش ویژگی از دیگر مواردی هستند که در این پایان نامه بررسی شده اند. نتایج آزمایش ها نشان می دهد، بدون داشتن نگرانی در مورد تعداد نمونه های آموزشی می توان از آن ها برای طبقه بندی فضاهای ویژگی ابربعدی و مافوق ابربعدی استفاده کرد. به لطف این مزیت طبقه بندی کننده های مبتنی بر استفاده از زیرفضا، امکان پردازش هم زمان ویژگی های حاوی اطلاعات محتوایی به همراه ویژگی های طیفی فراهم می شود. نتایج آزمایش ها نشان می دهد، پردازش هم زمان ویژگی-های حاوی اطلاعات محتوایی و روابط بین پیکسلی به همراه ویژگی های طیفی به کمک استفاده از طبقه-بندی کننده ی مبتنی بر استفاده از زیرفضای پایه ی clafic رسیدن به دقت بالای 95 درصد را در طبقه-بندی به همراه داشته است. در این پایان نامه هم چنین، یک طبقه بندی کننده ی مبتنی بر استفاده از زیرفضای جدید توسعه داده شد که عملکرد آن در طبقه بندی تصاویر ابرطیفی به کمک تعداد محدودی نمونه ی آموزشی بهتر از سایر طبقه-بندی کننده های مبتنی بر استفاده از زیرفضا است. دقت این طبقه بندی کننده که spfs نام گرفت در این وضعیت از بهترین دقت به دست آمده با سایر طبقه بندی کننده های مبتنی بر استفاده از زیرفضا 34/1 درصد بیشتر می باشد. طبقه بندی کننده ی مبتنی بر استفاده از زیرفضای توسعه داده شده علاوه بر این برخلاف سایر طبقه بندی کننده های مبتنی بر استفاده از زیرفضا هیچ پارامتر نیازمند تنظیمی ندارد و بنابراین سطح اتوماسیون آن نسبت به طبقه بندی کننده های مبتنی بر استفاده از زیرفضای دیگر بالاتر است.