دوره 20، شماره 2 - ( 6-1402 )
جلد 20 شماره 2 صفحات 174-163 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Miri F, Hosseini S, Shaghaghi Kandovan R. Feature fusion by neural network classification in remotely sensed hyperspectral images. JSDP 2023; 20 (2) : 10
URL: http://jsdp.rcisp.ac.ir/article-1-1317-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1317-fa.html
میری فاطمه سادات، حسینی سید ابوالفضل، شقاقی کندوان رامین. ادغام ویژگی های طیفی و مکانی تصاویر ابر طیفی به کمک طبقه بند شبکه عصبی. پردازش علائم و داده‌ها. 1402; 20 (2) :163-174
دانشکده برق و کامپیوتر
چکیده: (624 مشاهده)
در تصاویر ابرطیفی که توسط سنجنده های از راه دور بدست می آیند، می توان تفکیک بین کلاس ها را دقیق تر و با جزئیات بیشتر بدست آورد. از آنجایی که ابعاد بالای داده ابرطیفی و تعداد کم نمونه های آموزشی، طبقه بندی تصاویر ابرطیفی را مشکل می سازد. به دنبال تکنیک هایی هستیم که در هنگام کمبود تعداد نمونه های آموزشی دقت طبقه بندی قابل قبولی داشته باشد. لذا بکارگیری تکنیک هایی که علاو بر کاهش تعداد نمونه های آموزشی، دقت طبقه بندی را بالاتر ببرد حائز اهمیت می گردد. این مقاله از روش طبقه بند شبکه عصبی در طبقه بندی تصاویر ابرطیفی به کمک ادغام ویژگی طیفی و مکانی در دو روش پشته و روش مبتنی بر گراف دودویی بهره گرفته است. علاوه بر روش متداول پشته یاstack ،استفاده از روش گراف دودویی ناحیه ای به منظور ادغام مناسب اطلاعات طیفی و مکانی یک روش مطلوب برای استفاده همزمان از اطلاعات طیفی در کنار اطلاعات مکانی (Feature Fusion) در طبقه بندی تصویر ابرطیفی می باشد. در هریک ازاین روش ها طبقه بند شبکه عصبی روی ویژگیهای طیفی و مکانی به صورت مجزاو ادغام شده بکار گرفته شده است و سپس با عملکرد طبقه بند ماشین بردار پشتیبان در شرایط مشابه مقایسه شده است. نتایج طبقه بندی بیانگر برتری طبقه بند شبکه عصبی است.
شماره‌ی مقاله: 10
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1401/3/22 | پذیرش: 1402/4/26 | انتشار: 1402/7/30 | انتشار الکترونیک: 1402/7/30
دریافت: 1401/3/22 | پذیرش: 1402/4/26 | انتشار: 1402/7/30 | انتشار الکترونیک: 1402/7/30
فهرست منابع
1. [1] M. Imani and H. Ghassemian, "Pansharpening optimisation using multiresolution analysis and sparse representation," International Journal of Image and Data Fusion, vol. 12, no. 4, pp. 1-23, 2017.
2. [2] M. Imani and H. Ghassemian, "Feature reduction of hyperspectral images Discriminant analysis and the first principal component," Journal of AI and Data Mining, vol. 3, no. 5, pp. 1-9, 2015. [DOI:10.5829/idosi.JAIDM.2015.03.01.01]
3. [3] M. Imani and H. Ghassemian, "Feature space discriminant analysis for hyperspectral data feature reduction," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 102, no. 5, pp. 1-13, 2015. [DOI:10.1016/j.isprsjprs.2014.12.024]
4. [4] A. Taghipour, H. Ghassemian, and F. Mirzapour, "Anomaly detection of hyperspectral imagery using differential morphological profile" in Electrical Engineering (ICEE), 2016 24th Iranian Conference on, 2016, vol. 12, no. 4, pp. 1219-1223, 2016. [DOI:10.1109/IranianCEE.2016.7585707]
5. [5] A. Taghipour and H. Ghassemian, "Hyperspectral Anomaly Detection Using Attribute Profiles" IEEE Geoscience and Remote Sensing Letters,vol. 12, no. 4, pp. 13-15, 2017.
6. [6] Z. Zhu, "Change detection using landsat time series: A review of frequencies, preprocessing, algorithms, and applications" ISPRS Journal of Photogrammetry and Remote Sensing, vol. 130, no. 13, pp. 370-384, 2017. [DOI:10.1016/j.isprsjprs.2017.06.013]
7. [7] Maryam Vafadar; Hassan Ghassemian, " Hyperspectral anomaly detection using Modified Principal component analysis reconstruction error" ,2017 Iranian Conference on Electrical Engineering (ICEE), DOI:10. 1109/Iranian CEE. 2017. 7985332. [DOI:10.1109/IranianCEE.2017.7985332]
8. [8] Hamid Nourollahi, S. Abolfazl Hosseini*, Ali Shahzadi & Ramin Shaghaghi Kandovan, Signal detection Using Rational Function Curve Fitting, Signal and Data Processing Journal Serial 54, Volume 19, Number 4 (3-2023), jsdp. rcisp. ac. ir
9. [9] R. Rajabi and H. Ghassemian, "Sparsity constrained graph regularized NMF for spectral unmixing of hyperspectral data," Journal of the Indian Society of Remote Sensing, vol. 43, no. 13, pp. 269-278, 2015. [DOI:10.1007/s12524-014-0408-2]
10. [10] F. Kowkabi, H. Ghassemian, and A. Keshavarz, "Hyperspectral endmember extraction and unmixing by a novel spatial-spectral preprocessing module," in Geoscience and Remote Sensing Symposium (IGARSS), 2016 IEEE International, vol. 12, no. 4, pp. 33823385, 2016. [DOI:10.1109/IGARSS.2016.7729874]
11. [11] Hongmin Gao; Zhonghao Chen ; Feng Xu " Adaptive spectral-spatial feature fusion network for hyperspectral image classification using limited training samples" ; International Journal of Applied Earth Observation and Geoinformation Volume 107, March 2022
12. [12] H. Ghassemian and D. A. Landgrebe, "object-oriented feature extraction method for image data compaction," IEEE Control Systems Magazine, vol. 8, no. 3, pp. 42 - 48, 1988. [DOI:10.1109/37.476]
13. [13] M. Fauvel, Y. Tarabalka and J. A. Benedi, "Advances in Spectral-Spatial Classification of Hyperspectral Images," Proceedings of the IEEE, vol. 101, no. 3, pp. 652 - 675, 2013. [DOI:10.1109/JPROC.2012.2197589]
14. [14] Mathieu FauvelMathieu FauvelJocelyn ChanussotJocelyn ChanussotJon Atli BenediktssonJon Atli BenediktssonJohannes R. SveinssonJohannes R. Sveinsson " Spectral and spatial classification of hyperspectral data using SVMs and morphological profiles", "IEEE Transactions on Geoscience and Remote Sensing 46, 11 - part 2 (2008) 3804-3814" [DOI:10.1109/TGRS.2008.922034]
15. [15] Siyuan Hao, Yufeng Xia, Lijian Zhou, etc Yuanxin Ye; Wei Wang "Spectral and Spatial Feature Fusion for Hyperspectral Image Classification" Journals & Magazines, IEEE Geoscience and Remote Sensing Letters, Volume: 19,2022 [DOI:10.1109/LGRS.2022.3223090]
16. [16] W. Liao, M. Dalla Mura and J. Chanussot, "Fusion of Spectral and Spatial Information for Classification of Hyperspectral Remote-Sensed Imagery by Local Graph," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 9, no. 2, pp. 583 - 594, 2016. [DOI:10.1109/JSTARS.2015.2498664]
17. [17] Maryam Imani, Hassan Ghassemian, "An overview on spectral and spatial information fusion for hyperspectral image classification: Current trends and challenges" Elsevier Information Fusion 59 (2020) 59-83, 2020. [DOI:10.1016/j.inffus.2020.01.007]
18. [18] M. Imani and H. Ghassemian, "GLCM, Gabor, and morphology profiles fusion for hyperspectral image classification," 2016 24th Iranian Conference on Electrical Engineering (ICEE), pp. 460 - 465, 2016. [DOI:10.1109/IranianCEE.2016.7585566]
19. [19] Maryam Imani, Hassan Ghassemian, "An overview on spectral and spatial information fusion for hyperspectral image classification: Current trends and challenges", journal Elsevier Information Fusion 59 (2020) 59-83 [DOI:10.1016/j.inffus.2020.01.007]
20. [20] Hosseini S Abolfazl, Beitollahi Mersedeh, "Using Savitsky-Golay filter and interval curve fitting in order to hyperspectral data compression", IEEE 2017. [DOI:10.1109/IranianCEE.2017.7985378]
21. [21] Debaleena Datta, Pradeep Kumar Mallick, Akash Kumar Bhoi, Muhammad Fazal Ijaz, Jana Shafi, and Jaeyoung Choi," Hyperspectral Image Classification: Potentials, Challenges, and Future Directions "Hindawi Computational Intelligence and Neuroscience Volume 2022. [DOI:10.1155/2022/3854635] [PMID] []
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
