طبقه‌بندی تصاویر ابرطیفی با استفاده از تحلیل ممیز خطی فضای خوشه و مجموعه نمونه‌های آموزشی کوچک
محورهای موضوعی : مهندسی برق و کامپیوترمریم ایمانی 1 , حسن قاسمیان یزدی 2
1 - دانشگاه تربیت مدرس
2 - دانشگاه تربیت مدرس
کلید واژه: ابرطیفی استخراج ویژگی خوشه‌بندی طبقه‌بندی نمونه آموزشی,
چکیده مقاله :
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.
The hyperspectral images allow us to discriminate between different classes with more details. There are lots of spectral bands in hyperspectral images. On the other hand, the limited number of available training samples causes difficulties in classification of high dimensional data. Since the gathering of training samples is hard and time consuming, feature reduction can considerably improve the performance of classification. So, feature extraction is one of the most important preprocessing steps in analysis and classification of hyperspectral images. Feature extraction methods such as LDA have not good efficiency in small sample size situation. A supervised feature extraction method is proposed in this paper. The proposed method, which is called cluster space linear discriminant analysis (CSLDA), without obtaining the label of testing samples and just with doing a clustering on testing data, finds the relationship between training and testing samples. Then, it uses the power of unlabeled samples together with training samples for estimation of within-class and between-class scatter matrices. The CSLDA improves the classification accuracy particularly in multimodal hyperspectral data. The experimental results on urban and agriculture hyperspectral images show the better performance of CSLDA compared to popular feature extraction methods such as LDA, GDA, and NWFE using limited number of training samples.
[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.
