خلاصة:
Hyperspectral imaging concerns measurement and interpretation of spectral imagery acquired by satellite, airborne, terrestrial, or laboratory sensors over visible, infrared and sometime thermal spectral regions of electromagnetic spectrum. There are two major approaches for classification of hyperspectral images: the spectral or pixel-based techniques, and the spectral-spatial or object-based techniques. Recently, an effective approach for spectral-spatial classification has been proposed using Hierarchical SEGmentation (HSEG) grown form automatically selected markers. This paper aims at improving this approach for classification of hyperspectral images in urban areas. The Weighted Genetic (WG) algorithm is first used to obtain the subspace of hyperspectral data. The obtained features are then fed into the marker-based HSEG algorithm. Then, the contextual features from segmented images are extracted. For spatial features, area, entropy, shape, adjacency and relation features are considered as the potential components in feature space. Finally, using both spectral and spatial features, the image objects are classified by a rule-based classifier. The experimental tests are applied to two datasets: the Berlin, and Quebec City, which are two known and benchmark datasets in hyperspectral imagery. The evaluation of results showed that the proposed approach achieves approximately 16% and 9% better overall accuracy than the Original-HSEG algorithm for these datasets respectively.
اخیرا، یک روش موثر برای طبقه بندی طیفی-مکانی با استفاده از قطعه بندی هرمی (HSEG) رشد یافته از نشانه های انتخاب شده ارایه شده است. هدف این مقاله بهبود این روش برای طبقه بندی تصاویر فراطیفی در مناطق شهری است. ابتدا الگوریتم ژنتیک وزن دار (WG) برای بدست آوردن باندهای بهینه داده های فراطیفی استفاده می شود. الگوریتم HSEG مبتنی بر نشانه سپس بر ویژگی های بدست آمده پیاده سازی می شوند. در ادامه، ویژگی های زمینه ای از تصاویر قطعه بندی شده استخراج می شوند. برای ویژگی های مکانی، ویژگی های مساحت، آنتروپی، شکل، مجاورت و رابطه به عنوان اجزای بالقوه در فضای ویژگی در نظر گرفته شده اند. سرانجام ، با استفاده از هر دو ویژگی طیفی و مکانی، اشیا تصویر توسط یک طبقه بندی کننده مبتنی بر قانون طبقه بندی می شوند. آزمون ها بر روی دو مجموعه داده اعمال شد: Berlin و Quebec City، که دو مجموعه داده شناخته شده و بنچ مارک در تصاویر فراطیفی هستند. ارزیابی نتایج نشان داد که روش پیشنهادی به ترتیب برای این مجموعه داده ها به ترتیب از ۱۶٪ و ۹٪ دقت کلی بهتری نسبت به الگوریتم HSEG اولیه به دست می آورد.