مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 3 1 2005 3 21 A Fast Algorithm for Hyperspectral Image Analysis Using SVM and Spatial Dependency يک الگوريتم سريع مبتني بر ماشين بردار پشتيبان براي طبقه‌بندي تصاوير ابرطيفي با استفاده از همبستگي مکاني 37 44 fa حسن قاسمیان یزدی احمد کشاورز 2005 5 23 Recent significant development in sensor technology makes possible Earth observational remote sensing system with unprecedented spectral resolution and data dimensionality. The value of these new sensor systems lies in their ability to acquire a nearly complete optical spectrum for each pixel in the scene. Such imaging spectrometry now makes possible the acquisition of data in hundreds of spectral bands simultaneously, and it is called hyperspectral images. With the limited number of training samples of hyperspectral images, the classification of these images using conventional feature extraction algorithms (PCA, ICA, PP, DBFE, DAFE and Wavelet) is considered useless. In this paper a two stages classification algorithm is proposed, by fussing the spatial and spectral information. In the first stage the classes of each pixel and its eight neighbors are identified, using a classical classification algorithm. In the second stage two primary classes of a pixel and its neighbors are compared in each node of decision tree by a SVM. The proposed, binary tree SVM, takes advantage of both the efficient computation of the tree architecture and the high classification accuracy of SVM. The hyperspectral data set used in our experiments is a scene from Indiana’s Indian Pine by the AVIRIS sensor. The examples results show the problem of limited training samples can be mitigated using the proposed algorithm; moreover the computational time is significantly reduced. This suggests that binary tree SVM could be a promising tool for classifying hyperspectral images. با افزايش تعداد باند‌هاي تصاوير سنجش از دور، الگوريتم‌هاي استخراج ويژگي مانند تحليل مؤلفه‌‌هاي اصلي، تحليل مؤلفه‌‌هاي مستقل، نگاشت جستجوگر، استخراج ويژگي با مرز تصميم‌گيري، تحليل مميز و تبديل موجک به منظور کاهش تعداد ويژگي‌ها و بهبود طبقه‌بندي مورد استفاده قرار گرفته‌اند. اما اين الگوريتم‌ها به دليل افزايش تعداد منابع اطلاعاتي، حجم داده‌‌ها و محدود بودن تعداد نمونه‌‌هاي آموزشي در تصاوير ابرطيفي، بازدهي مطلوبي ندارند. در اين مقاله براي حل اين مشکل، الگوريتم جديد مبتني بر ماشين بردار پشتيبان ارايه گرديده است. اين الگوريتم پس از يک طبقه‌بندي اوليه، با استفاده از کلاس هر پيکسل و همسايه‌‌هايش به صورت سلسله‌مراتبي تصميم‌گيري می‌کند. تصميم‌گيري در هر يک از سطوح اين طبقه‌بندي کننده بوسيله يک ماشين بردار پشتيبان انجام می‌شود. اين الگوريتم بر روي داده‌‌هاي واقعي ابر طيفي سنجنده AVIRIS اجرا شد. نتايج نشان مي‌دهد كه صحت طبقه‌بندي داده‌‌هاي ابرطيفي با استفاده از اين الگوريتم بسيار مطلوب بوده و مشكل محدود بودن تعداد نمونه‌‌هاي آموزشي تا حد قابل توجهي جبران شده است. در واقع اين تحقيق با ادغام اطلاعات مکاني و استفاده از طبقه‌بندي کننده ماشين بردار پشتيبان صحت طبقه‌بندي را بهبود می‌بخشد. اين الگوريتم زمان لازم براي طبقه‌بندي تصاوير ابرطيفي را با استفاده از ماشين بردار پشتيبان، بسيار کاهش داده و کارآيي الگوريتم ماشين بردار پشتيبان را به عنوان طبقه‌بندي کننده تصاوير ابرطيفي افزايش می‌دهد. http://ijece.org/fa/Article/Download/27838