عنوان پایان‌نامه
طبقه بندی تصا ویر فرا طیفی بر مبنای استخرا ج اطلا عات طیفی -مکانی در مناطق شهری
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3220;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73996
- تاریخ دفاع
- ۲۳ فروردین ۱۳۹۵
- دانشجو
- داود اکبری
- استاد راهنما
- عبدالرضا صفری
- چکیده
- طبقه بندی در تصاویر فراطیفی معمولا با استفاده از روشهای متداول مبتنی بر اطلاعات طیفی انجام می گیرد. به علت نادیده گرفتن اطلاعات حاصل از پیکسلهای مجاور و پیچیده بودن اطلاعات طیفی مربوط به پدیده های ناهمگن در داده هایی با قدرت تفکیک مکانی بالا، استفاده از الگوریتم های طبقه بندی متداول غالبا با نتایج مطلوبی همراه نیست. از این رو استفاده از اطلاعات مکانی در طبقه بندی، از روشهای معمول برای اجتناب از این محدودیت ها است. به ویژه در مناطق شهری که دارای ویژگیهایی با شباهت طیفی بالا هستند. یکی از مرسوم¬ترین روشها جهت استفاده از اطلاعات مکانی در فرآیند طبقه بندی، روشهای قطعه بندی است. در قطعه بندی می توان برای داشتن نتایج بهتر از پیکسلهایی به عنوان نشانه استفاده نمود. در یک تصویر پیکسل های با بالاترین درجه تعلق به یک کلاس، به عنوان نشانه در نظر گرفته می شوند. در بین روشهای قطعه بندی ارائه شده تاکنون دو روش قطعه بندی هرمی و جنگل پوشای مینیمم (MSF) مبتنی بر نشانه به بهترین نتایج در استفاده از اطلاعات مکانی دست یافته اند. در این رساله سعی شده است روشها و راهکارهایی نوین جهت بهبود طبقه بندی طیفی-مکانی تصاویر فراطیفی در غالب دو روش قطعه بندی مذکور ارائه شود. برای این منظور هفت راهکار مورد بررسی قرار گرفت: راهکار اول مبتنی بر استخراج ویژگی از نقشه قطعه بندی است. برای این منظور ویژگی های مساحت، آنتروپی، شکل، مجاورت و رابطه، برای اشیاء نقشه قطعه بندی هرمی مبتنی بر نشانه استخراج و سپس به کمک الگوریتم ماشین بردار پشتیبان (SVM) هر شیء به یک کلاس اختصاص یافت. راهکار دوم شامل ارائه یک الگوریتم طبقه بندی طیفی-مکانی جدید، به نام MSF-SVM است. در این الگوریتم ابتدا کلاسهایی که در الگوریتم SVM دارای دقت پایینی هستند، انتخاب شده سپس به کمک الگوریتم MSF مبتنی بر نشانه بهبود یافته ای به نام MV-MMSF دقت آن ها بهبود می یابد. راهکار سوم شامل بررسی تاثیر کاهش ابعاد تصویر فراطیفی بر سه الگوریتم Watershed، هرمی و MSF مبتنی بر نشانه است. در این روش جهت کاهش ابعاد از الگوریتم ژنتیک استفاده شد. نتایج بدست آمده در نهایت به کمک قانون تصمیم رای اکثریت با الگوریتم SVM ترکیب گردید. راهکار چهارم مبتنی بر کاهش ابعاد تصویر فراطیفی است. برای این منظور کاهش ابعاد در سه مرحله قبل و بعد از انتخاب نشانه و به صورت همزمان برای الگوریتم MSF در نظر گرفته شد. راهکار پنجم با ترکیب سه روش قطعه بندی watershed، EM و هرمی و نقشه طبقه بندی SVM پیکسلهای نشانه را انتخاب کرده و سپس از نشانه های بدست آمده در الگوریتم MSF استفاده می شود. راهکار ششم مبتنی بر استخراج ویژگی از تصویر اولیه است، برای این منظور ویژگی های درجه تباین، میانگین، آنتروپی، فیلترهای گابور و موجک از تصویر فراطیفی اولیه استخراج و به کمک الگوریتم تحلیل مولفه اصلی(PCA)، ویژگی های مناسب حاصل گردید. سپس الگوریتم MSF مبتنی بر نشانه بر ویژگی های بدست آمده اعمال شد. راهکار هفتم مبتنی بر انتخاب نشانه برای الگوریتم MSF بوده و با ترکیب دو نقشه طبقه بندی SVM و شبکه عصبی پرسپترون چند لایه به انتخاب نشانه می پردازد. روشهای طبقه بندی طیفی-مکانی پیشنهادی بر پنج تصویر فراطیفی شهریWashington DC Mall، Berlin، مرکز شهر و منطقه دانشگاهی Pavia و Telopsو تصویر فراطیفی Indiana Pines مربوط به منطقه ای کشاورزی پیاده سازی گردید. نتایج آزمونهای صورت گرفته برتری روش های پیشنهادی را نسبت به الگوریتم های طبقه بندی طیفی-مکانی MSF و هرمی مبتنی بر نشانه اولیه نشان می دهد. در راهکار اول، روش پیشنهادی باعث افزایش حدود 2، 4 و 3 درصدی پارامتر دقت کلی در مقایسه با الگوریتم هرمی مبتنی بر نشانه های پیشنهادی، در تصاویر مرکز ، دانشگاهی Pavia و DC Mall Washington شد. در راهکار دوم، روش پیشنهادی دارای برتری 4، 4 و 6 درصدی پارامتر دقت کلی در مقایسه با الگوریتم MSF اولیه و به ترتیب در تصاویر Berlin، Washington DC Mall و Telops است. در راهکار سوم کاهش ابعاد در هر سه تصویر فراطیفی مورد استفاده برای الگوریتم MSF باعث افزایش دقت طبقه بندی شده است، حال آنکه در دو الگوریتم watershed و هرمی کاهش ابعاد سبب کاهش دقت طبقه بندی گردید. در راهکار چهارم به کارگیری الگوریتم کاهش ابعاد ژنتیک برای مرحله قبل از انتخاب نشانه ها در دو تصویر دانشگاهی Pavia و Telops باعث افزایش دقت طبقه بندی گردید. در تصویر Indian Pines به¬کارگیری کاهش ابعاد قبل و بعد از انتخاب نشانه ها و به صورت همزمان دقت طبقه بندی را افزایش داد. در راهکار پنجم، با استفاده از روش-های قطعه بندی در مرحله انتخاب نشانه، دقت الگوریتم MSF مبتنی بر نشانه اولیه بهبودیافت، به طوری که در تصویر Washington DC Mall قطعه بندی هرمی به میزان 4 درصد و در تصویر Berlin قطعه بندی watershed به میزان 5 درصد دقت MSF اولیه را افزایش دادند. روش پیشنهادی در راهکار ششم نیز باعث افزایش دقت کلی به میزان 4، 4 و 1 درصد در مقایسه با الگوریتم MSF اولیه و در داده های Berlin، دانشگاهی Pavia و Washington DC Mall شد. درنهایت در راهکار هفتم، برتری روش پیشنهادی در پارامتر دقت کلی حدود 5 و 2 درصد بیشتر از MSF اولیه در تصاویر Indiana Pine و دانشگاهی Pavia است. بعد از پیاده سازی راهکارهای پیشنهادی بر روی تصویر مشترک Berlin و انتخاب راهکارهای برتر، راهکار هشتم حاصل از ترکیب آنها به عنوان بهترین راهکار پیشنهاد گردید. دراین راهکار ابتدا ابعاد تصویر فراطیفی با الگویتم ژنتیک کاهش می یابد. سپس پیکسل های نشانه به کمک دو نقشه طبقه بندی طیفی-مکانی حاصل از ویژگی های کاهش یافته بدست آمده و در نهایت الگوریتم MSF مبتنی بر نشانه بر روی تمام باندهای تصویر اعمال می گردد. کلمات کلیدی: تصویر فراطیفی، طبقه بندی طیفی-مکانی، قطعه بندی مبتنی بر نشانه، کاهش ابعاد، جنگل پوشای مینیمم (MSF)، ماشین بردار پشتیبان (SVM).
- Abstract
- There are two major approaches for classification of hyperspectral images: the spectral or pixel-based and the spectral-spatial or object-based approaches. While the pixel-based techniques use only the spectral information of the pixels, the spectral-spatial frameworks employ both spectral characteristics and spatial context of the pixels. Many researchers have demonstrated that the use of spectral-spatial information, rather than only spectral information, improves the classification efficiency of hyperspectral data. Segmentation techniques are powerful means for defining the spatial dependencies among the pixels and for finding the homogeneous regions in an image. An alternative way in order to improve the accuracy of segmentation is performing a marker-based technique. In this approach for each spatial object of the image, one or several pixels are selected as seed or marker. The selected markers then grow and create a unique region in the segmentation map. Among the different segmentation methods, the hierarchical and the Minimum Spanning Forests (MSF) algorithms based on markers have achieved the best results. In this thesis, we propose new methods and strategies to improve the spectral-spatial classification of hyperspectral images based on the mentioned segmentation algorithms. For this purpose, seven solutions were evaluated. In the following, these solutions are expressed. In the first solution, we propose an object-based classification scheme that allows the image to be classified using different contextual measures for different sets of classes. In this scheme, different spatial features from hierarchical segmented image are extracted. This contextual information can help decrease the number of misclassifications amongst spectrally similar classes. In the second solution, we propose an innovative framework to improve the pixel-based classification of hyperspectral images using the spatial information obtained by an enhanced marker-based MSF, MV-MMSF algorithm. In the proposed approach, namely MSF-SVM , the MV-MMSF spectral-spatial algorithm is used to improve the accuracy for classes with low accuracy in the SVM algorithm. In the third solution, we have evaluated the effect of dimensionality reduction on spectral-spatial classification of hyperspectral imagery. For this purpose, the dimension of hyperspectral images is first reduced by using the genetic algorithm. Then, the three segmentation algorithms, watershed, hierarchical and MSF based on markers are applied on the resulting bands. Finally, the obtained segmentation maps are combined with SVM classification map using majority voting rule. The fourth solution is evaluated the dimension reduction of hyperspectral image before and after marker selection process in MSF using genetic algorithm. In the fifth solution, the hyperspectral images are first classified using SVM and a segmentation algorithm. Then, the corresponding pixels of each class with the largest population for each region of segmentation map are kept. Lastly, the most reliable classified pixels are chosen as markers and used to build the MSF. The segmentation algorithms used in this test are the watershed, Expectation Maximization (EM) and hierarchical algorithms. The sixth solution is based on deriving the appropriate spatial and spectral features of the original hyperspectral image using the Principal Component Analysis (PCA). The spatial features extracted in this solution are wavelet, Gabor filter, mean, contrast, entropy, variance, homogeneity, dissimilarity, second moment, and correlation. These obtained features are then classified using the marker-based MSF classifier. In the seventh solution, an improved marker selection method for spectral-spatial classification of hyperspectral images is proposed. In this method, the markers are selected using the maps obtained from the combination of SVM and MLP classifications. The proposed spectral-spatial classification methods are implemented on sex hyperspectral images Center of Pavia, Pavia University Campus, Washington DC Mall, Telops, Berlin and Indian Pines, each of which is recognized as a benchmark dataset in the hyperspectral research community. The results of tests carried out show that the proposed methods are superior to the MSF and hierarchical spectral-spatial classification algorithms. In the first solution, the proposed method increased about 2, 4 and 3% Overall Accuracy (OA) parameter compared to the hierarchical algorithm based on the proposed marks in this solution, in Center and University of Pavia and Washington DC Mall images. In the second solution, the proposed method led to the lead to 4, 4 and 6% OA compared to the MSF approach in Berlin, Washington DC Mall and Telops images, respectively. In the third solution, the obtained experimental results indicate the superiority use of reduced bands in MSF based on markers algorithm and all bands in watershed and hierarchical based on markers algorithms. In the fourth solution, the dimension reduction using genetic algorithm for marker selection increases classification accuracy in University of Pavia and Telops images. In the Indian Pines image, applying the dimension reduction before and after of the marker selection, increase classification accuracy. The fifth solution improved the MSF algorithm accuracy using the markers extracted from the classification maps, obtained by both SVM and segmentation algorithms. For the Washington DC Mall dataset, the OA of Hierarchical-MSF method is approximately 4% higher than the Original-MSF method. Moreover, for the Berlin dataset, however, the Watershed-MSF has an increase of about 5% OA, higher than the Original-MSF; these results are slightly different from Hierarchical segmentation. In the sixth solution, the proposed approach achieves an approximately 4% OA higher than the original MSF framework for the Berlin and Pavia datasets. Moreover, in the Washington DC Mall dataset, the proposed approach is a slight increase of about 0.7% OA higher than the original MSF framework. Finally in the seventh solution, the OA of proposed method is approximately 4% higher than the MSF algorithm based on MLP and 5% higher than the MSF algorithm based on SVM for the Indian Pines dataset. Moreover, for the Pavia university campus dataset, the OA of proposed method is an increase of about 3% and 2% higher than the MSF based on MLP and SVM respectively.
