طبقه بندی نظارت نشده تصاویر فراطیفی با الگوریتم خوشه بندی possibilistic fuzzy c-means
Abstract(in Persian; no English abstract is available)
روش های طبقه بندی از مهم ترین روش های استخراج اطلاعات از تصاویر سنجش از دوری می باشند که به طور مرسوم به دو دسته نظارت شده و نظارت نشده تقسیم می شوند. روش های نظارت شده نیازمند جمع آوری داده های آموزشی بوده و مستلزم صرف هزینه و زمان می باشند. در مقابل، روش های نظارت نشده فقط متکی بر داده های تصویری بوده و اغلب به صورت اتوماتیک انجام می شوند. روش های نظارت نشده نسبت به روش های نظارت شده اگر چه معمولا دارای دقت پایین تری هستند، امّا نیازمند هزینه، زمان و اطلاعات کم تری می باشند و به همین دلیل توجه بسیاری از محققین را به خود جلب نموده اند. در میان روش های طبقه بندی نظارت نشده، روش های خوشه بندی از اهمیت ویژه ای برخوردارند که یکی از معروف ترین آن ها، c-means است. نسخه فازی روش c-means مدل fuzzy c-means (fcm) است که یکی از پرکاربردترین روش های خوشه بندی می باشد. الگوریتم fcm به داده های دارای خطا حساس است و تحت تاثیر آنها قرار می گیرد. برای حل این مشکل، نسخه های اصلاحی دیگری شامل possibilistic c-means (pcm)، fuzzy possibilistic c-means (fpcm) و possibilistic fuzzy c-means (pfcm) توسط محققین ارائه شده است. در ابتدا مدل pcm پیشنهاد گردید که آن خود به خوشه های منطبق بر هم منجر می شد. از این رو، مدل fpcm ارائه شد که این مسئله را مرتفع نماید، اما برای یک مجموعه داده بزرگ این مدل نیز کارایی خود را از دست می داد. برای حل این مشکل مدل pfcm معرفی گردید که دارای انعطاف بیشتری نسبت به بقیه مدل ها بود. الگوریتم خوشه بندی pfcm، ترکیبی از الگوریتم های fcm و pcm است که از محدودیت های هر دو آن ها به دور می باشد و مشکل الگوریتم fpcm را نیز ندارد. در این مقاله از یکی از موفق ترین نسخه های c-means یعنی الگوریتم خوشه بندی pfcm، جهت طبقه بندی داده های تصویری فراطیفی hyperion استفاده گردیده و نتایج آن با نتایج الگوریتم fcm مقایسه شده است. آزمون های انجام شده نشان می دهد الگوریتم pfcm، دقت کلی را حدود %3 افزایش می دهد.