Signal and Data Processing

fa ادغام ویژگی های طیفی و مکانی تصاویر ابر طیفی به کمک طبقه بند شبکه عصبی Feature fusion by neural network classification in remotely sensed hyperspectral images مقالات پردازش داده‌های رقمی Paper پژوهشي Research 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.   Hyper-spectral image classification is a popular topic in the field of remote sensing.Hyperspectral images (HSI) have rich spectral information and spatial information. Traditional hyperspectral image (HSI) classification methods typically use the spectral features and do not make full use of the spatial or other features of the HSI. In general, the classification approaches classify input data by considering the spectral information of the data to produce a classification map in order to discriminate different classes of interest. The pixel-wise classification approaches classify each pixel autonomously without considering information about spatial structures, further enhancement of classification results can be obtain by considering spatial dependences between pixels. However, how to fuse and utilize spectral-spatial features more efficiently is a challenging task. So the combination of spectral information and spatial information has become an effective means to obtain good classification results. Specifically, firstly, the principal component analysis (PCA) algorithm is used to extract the first principal component in the original hyperspectral image. Secondly, the   residual network Gabor, GLCM and MP   are introduced for each band to extract the spatial information of the image. Thirdly, the image is classified by using SVM to get the final classification result. In this paper, we have used the neural network classifier in the classification of hyperspectral images by integrating spectral and spatial properties in two methods stack and the method based on binary graphs. In spite of   the traditional stack method, the use of local binary graph method to properly integrate spectral and spatial information is a desirable method for the simultaneous use of spectral information along with spatial information (Feature Fusion) in hyperspectral image classification. In each of these methods, the neural network classifier is applied to the spectral and spatial features separately and then compared with the performance of the support vector machine classifier in similar conditions. The classification results show that the proposed method can outperform other traditional   classification techniques  طبقه بندی, ادغام ویژگی, طیفی و مکانی , شبکه عصبی, تصاویر ابرطیفی feature fusion, spectral, spatial, neural network, SVM, classification 163 174 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1016-2&slc_lang=fa&sid=1 Fatemeh Miri فاطمه سادات میری f_miri_61@yahoo.com 100319475328460012446 100319475328460012446 No ECE Faculty دانشکده برق و کامپیوتر Seyed Hosseini سید ابوالفضل حسینی abolfazl.hosseini@modares.ac.ir 100319475328460012447 100319475328460012447 Yes ECE Faculty دانشکده برق و کامپیوتر Ramin Shaghaghi Kandovan رامین شقاقی کندوان ramin.shaghaghi@gmail.com 100319475328460012448 100319475328460012448 No ECE Faculty دانشکده برق و کامپیوتر