ناحیه بندی تصاویر ابرطیفی با به کارگیری ویژگی های طیفی-مکانی

سنسورهای سنجش از دور ابرطیفی، با اخذ تصویر در چند صد طول موج مختلف، احتمال تفکیک پذیری مواد موجود در صحنه را نسبت به تصاویر چند طیفی افزایش داده و امکان طبقه بندی تصویر در تعداد کلاس های بیشتر و با دقت بالاتر را فراهم می آورند. بااین وجود، مشکلات ناشی از ابعاد بالای تصاویر ابرطیفی در بعد طیفی، موجب ناکارآمدی روشهای متداول طبقه بندی تصاویر چندطیفی در این تصاویر می شود (نفرین ابعاد). برای حل این مشکلات، پژوهش های فراوانی به ویژه در زمینه روش های استخراج ویژگی و طبقه بندهای مقاوم در مقابل پدیده هیوز صورت گرفته است. عملکرد مطلوب روش های ارائه شده برای طبقه بندی مبتنی بر پیکسل در کنار افزایش دقت مکانی اخذ تصاویر ابرطیفی و توسعه سخت افزاری کامپیوترها موجب حرکت به سمت طبقه بندهای طیفی-مکانی در سال های اخیر گردیده است. این طبقه بندها برخلاف طبقه-بندهای طیفی (مبتنی بر پیکسل) از اطلاعات مکانی نیز در کنار اطلاعات طیفی برای افزایش دقت طبقه بندی استفاده می-کنند. استفاده از اطلاعات مکانی، علاوه بر اینکه مدل واقعی تر و دقیقتری از مسئله طبقه بندی تصاویر ارئه می دهد، امکان تعریف کلاس های جدید (ساختارهای مختلف از مواد یکسان) به ویژه در تصاویر شهری را فراهم می آورد. در پژوهش پیش رو، ابتدا دسته بندی از روش های طبقه بندی طیفی-مکانی تصاویر ابرطیفی ارائه نموده و مروری مختصر بر پیشینه تحقیق در این زمینه خواهیم داشت. در ادامه به طور خاص به روش های ناحیه بندی بانظارت که زیر مجموعه ای از طبقه بندهای طیفی-مکانی هستند می پردازیم و دو روش پیشنهادی خود برای بهبود دقت طبقه بندی را ارائه می نماییم. پیشنهاد اول، اصلاح تابع انرژی مدل mrf با استفاده از ناحیه بندی سلسله مراتبی srm است که خطای ناشی از فرض ساده کننده استقلال شرطی در رابطه بیز را کاهش داده و علاوه بر افزایش دقت طبقه بندی، وابستگی دقت طبقه بندی به پارامتر همبستگی مکانی را نیز کاهش می دهد. پیشنهاد دوم، روشی برای انتخاب خودکار بذر (گام نخست در روش های رشد ناحیه) با کمک فیلتر pde غیرخطی است که نسبت به روش های موجود ساده تر و سریع تر بوده و حساسیت آن نیز نسبت به پارامترهای ورودی کمتر است. مقایسه نتایج نشان می دهد که روش های پیشنهادی ازنظر معیارهای دقت با روش های پیشرفته در این زمینه رقابت کرده و در بسیاری از موارد برتری دارند. کلمات کلیدی: سنجش از دور، ابرطیفی، طبقه بندی، طبقه بند طیفی-مکانی، ناحیه بندی با نظارت