بهبود خوشه‌بندی تصاوير فراطيفي با به‌کارگیری دیورژانس اطلاعات طیفی


چکیده
الگوریتم خوشه‌بندی K-Means یکی از پرکاربردترین روش‌های طبقه‌‌بندی نظارت ‌‌نشده در پردازش تصاویر سنجش از دور است. در الگوریتم K-Means استاندارد، از معیار عدم شباهتِ فاصله اقلیدسی، به منظور اندازه‎گیری عدم شباهتِ بین داده‎ها و خوشه‌ها استفاده می‌شود. فاصله اقلیدسی، یک معیار عدم شباهتِ قطعی است که بردار طیفی پیکسل‌ها و مراکز خوشه‌ها را به صورت نقاطی در یک فضای چندبعدی در‌نظر می‌گیرد و فاصله هندسی بین آن‌ها را اندازه‌گیری می‌کند. تصاویر فراطیفی همواره دارای عدم قطعیت هستند، به همین دلیل استفاده از یک معیار عدم شباهت آماری (غیرقطعی)، جهت خوشه‌بندی آن‌ها مناسب‌تر به نظر می‌رسد. بر این اساس در این مقاله، با به‌کارگیری یک معیار عدم شباهت آماری، یک روش نظارت ‌نشده جدید برای خوشه‌بندی تصاویر فراطیفی طراحی و پیاده‎سازی شده است. روش خوشه‌بندی پیشنهادی، برای برآورد عدم شباهت بین مرکز خوشه‎ها و پیکسل‌‎ها، از یک معیار عدم شباهت آماری، به نام دیورژانس اطلاعات طیفی، به‌جای فاصله اقلیدسی استفاده می‌کند. دیورژانس اطلاعات طیفی، توزیع احتمال طیف‌ها را از طریق نرمال‎کردن امضای طیفی، مدل‎سازی می‌کند. سپس فاصله بین توزیع احتمال طیف یک پیکسل و توزیع احتمال طیف هر مرکز خوشه را برآورد می‌کند. آزمون‌های انجام‌شده بر روی داده‌های تصویری فراطیفی واقعی حاصل از سه سنجنده HyMap، HYDICE و Hyperion نشان می‌دهد که روش خوشه‌بندی پیشنهادیِ مبتنی بر دیورژانس اطلاعات طیفی، نتایج طبقه‌بندی را بهبود می‌بخشد، به‌طوری که ضریب کاپای نتایج طبقه‌بندی تصاویر فراطیفی مورد استفاده به ترتیب، حدود 7%، 56% و 10% افزایش یافته است.

واژگان کلیدی
خوشه‎بندي – معیار عدم شباهت – دیورژانس اطلاعات طیفی – تصاویر فراطیفی

بری دانلود این مقاله به لینک زیر مراجعه کنید.

http://gisj.sbu.ac.ir/article/view/19214

آموزش کاربردی GIS وRS

همراه با فیلم و کتاب

همراه با پروژه های کاربردی

مدرس:

دکتر سعید جوی زاده

تلفن ثبت نام:

09382252774

آدرس وب سایت:

https://gisland.org/

بدون دیدگاه

دیدگاهتان را بنویسید