طبقه‌بندی تصاویر ابرطیفی با استفاده از تحلیل ممیز خطی فضای خوشه و مجموعه نمونه‌های آموزشی کوچک
الموضوعات :
مریم ایمانی
1
(دانشگاه تربیت مدرس)
حسن قاسمیان یزدی
2
(دانشگاه تربیت مدرس)
الکلمات المفتاحية: ابرطیفی استخراج ویژگی خوشه‌بندی طبقه‌بندی نمونه آموزشی,
ملخص المقالة :
امروزه، تصاویر ابرطیفی به دست آمده از سنجنده‌های از راه دور، امکان تمییز بین کلاس‌ها با جزئیات بیشتر را فراهم آورده‌اند. بعد بالای داده ابرطیفی از یک سو و کمبود تعداد نمونه‌های آموزشی از سوی دیگر، سبب ایجاد مشکلاتی در طبقه‌بندی تصاویر ابرطیفی می‌شود. از آنجایی که جمع‌آوری داده‌های آموزشی سخت و زمان‌بر است، کاهش تعداد باندهای طیفی به بهبود کارایی طبقه‌بند کمک شایانی خواهد نمود. بنابراین استخراج ویژگی تصاویر ابرطیفی، یکی از مراحل مهم پیش‌پردازش این نوع داده‌ها محسوب می‌شود. در شرایطی که تعداد نمونه آموزشی در دسترس محدود است، روش‌های استخراج ویژگی معمول همچون LDA دارای کارایی خوبی نخواهند بود. در این مقاله، یک روش استخراج ویژگی نظارت‌شده معرفی گردیده که بدون نیاز به تعیین برچسب نمونه‌های آزمایشی، با انجام خوشه‌بندی بر روی آنها و یافتن رابطه بین نمونه‌های آموزشی و آزمایشی، از قدرت نمونه‌های بدون برچسب به همراه نمونه‌های آموزشی برای تولید ماتریس‌های پراکندگی درون‌کلاسی و بین‌کلاسی استفاده می‌کند. این کار دقت طبقه‌بندی را خصوصاً برای داده‌های ابرطیفی چندمده افزایش خواهد داد. روش پیشنهادی که تحلیل ممیز خطی فضای خوشه (CSLDA) نامیده می‌شود، با روش‌های پرکاربرد استخراج ویژگی نظارت‌شده همچون LDA، GDA و NWFE مقایسه شده است. نتایج به دست آمده بر روی تصاویر ابرطیفی واقعی از مناطق شهری و کشاورزی نشان می‌دهند که روش پیشنهادی با استفاده از تعداد محدود نمونه‌های آموزشی، دارای کارایی بهتری نسبت به سایر روش‌ها می‌باشد.
[1] G. F. Hughes, "On the mean accuracy of statistical pattern recognition," IEEE Trans. Inf. Theory, vol. 14, no. 1, pp. 55-63, Jan. 1968.
[2] G. Moser and S. B. Serpico, "Combining support vector machines and markov random fields in an integrated framework for contextual image classification," IEEE Trans. on Geoscience and Remote Sensing, vol. 51, no. 5, pp. 2734-2752, May 2013.
[3] B. Demir and S. Erturk, "Clustering-based extraction of border training patterns for accurate SVM classification of hyperspectral images," IEEE Geoscience and Remote Sensing Lett., vol. 6, no. 4, pp. 840-844, Oct. 2009.
[4] M. Imani and H. Ghassemian, "Adaptive expansion of training samples for improving hyperspectral image classification performance," in Proc. 21st Iranian Conf. on Electrical Engineering, 6 pp., May 2013.
[5] X. Jia, B. C. Kuo, and M. Crawford, "Feature mining for hyperspectral image classification," Proceedings of the IEEE, vol. 101, no. 3, pp. 676-697, Mar. 2013.
[6] M. Kamandar and H. Ghassemian, "Linear feature extraction for hyperspectral images based on information theoretic learning," IEEE Geoscience and Remote Sensing Lett., vol. 10, no. 4, pp. 702-706, Jun. 2013.
[7] M. Imani and H. Ghassemian, "Band clustering-based feature extraction for classification of hyperspectral images using limited training samples," IEEE Geoscience and Remote Sensing Lett., vol. 11, no. 8, pp. 1325-1329, Aug. 2014.
[8] D. Korycinski, M. Crawford, J. W. Barnes, and J. Ghosh, "Adaptive feature selection for hyperspectral data analysis using a binary hierarchical classifier and tabu search," in Proc. IEEE Symp. on Geoscience and Remote Sensing, vol. 1, pp. 297-299, Jul. 2003S. [9] S. Li, H. Wu, D. Wan, and J. Zhu, "An effective feature selection method for hyperspectral image classification based on genetic algorithm and support vector machine," Knowledge-Based Systems, vol. 24, no. 1, pp. 40-48, Feb. 2011.
[10] K. Fukunaga, Introduction to Statistical Pattern Recognition, San Diego: Academic Press Inc., 1990.
[11] G. Baudat and F. Anouar, "Generalized discriminant analysis using a kernel approach," Neural Comput., vol. 12, no. 10, pp. 2385-2404, Oct. 2000.
[12] B. C. Kuo and D. A. Landgrebe, "Nonparametric weighted feature extraction for classification," IEEE Trans. Geosci. Remote Sens, vol. 42, no. 5, pp. 1096-1105, May 2004.
[13] X. F. He and P. Niyogi, "Locality preserving projections," in Proc. Adv. Neural Inf. Process. Syst., vol. 16, pp. 153-160, 2004.
[14] X. F. He, D. Cai, S. C. Yan, and H. J. Zhang, "Neighborhood preserving embedding," in Proc. 10th IEEE Int. Conf. Comput. Vis., ICCV'05, vol. 2, pp. 1208-1213, 17-21 Oct. 2005.
[15] H. Y. Huang and B. C. Kuo, "Double nearest proportion feature extraction for hyperspectral-image classification," IEEE Trans. Geosci. Remote Sens., vol. 48, no. 11, pp. 4034-4046, Nov. 2010.
[16] J. Wen, Z. Tian, X. Liu, and W. Lin, "Neighborhood preserving orthogonal PNMF feature extraction for hyperspectral image classification," IEEE J. of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 6, no. 2, pp. 759-768, Apr. 2013.
[17] A. M. MartoAnez and A. C. Kak, "PCA versus LDA," IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 23, no. 2, pp. 228-233, Feb. 2001.
[18] J. H. Friedman, "Regularized discriminant analysis," J. of the American Statistical Association, vol. 84, no. 405, pp. 165-175, Mar. 1989.
[19] C. Chang and C. Linin, LIBSVM-A Library for Support Vector Machines, 2008. [Online], Available: http://www.csie.ntu.edu.tw/~cjlin/libsvm.
[20] J. Cohen, "A coefficient of agreement from nominal scales," Edu. Psychol. Meas., vol. 20, no. 1, pp. 37-46, Apr. 1960.
[21] G. M. Foody, "Thematic map comparison: evaluating the statistical significance of differences in classification accuracy," Photogramm. Eng. Remote Sens., vol. 70, no. 5, pp. 627-633, May 2004.
