بهبود دقت طبقه بندی تصویر فراطیفی AVIRIS با استفاده از الگوریتم کاهش نویز رگرسیونی بر مبنای پیش بینی فرضیه چندگانه

تصویربرداری فراطیفی به عنوان یکی از فناوری های نوین سنجش از دوری منبع ارزشمندی برای کاربردهای مختلف علوم زمین از جمله تهیه نقشه های پوششی شناسایی و اکتشاف معدن نظارت زیست محیطی به شمار می رود با این وجود به دلایل سخت افزاری و فناوری این داده های تصاویری دارای مشکلات ذاتی هستند از انجایی که بهبود سیستم سخت افزاری سنجنده های فراطیفی بسیار پر هزینه است روش های سنجش از دوری پردازش تصویر مانند کاهش نویز استخراج ویژگی و غیره به دلیل هزینه کم و موثر بودن مورد توجه قرار گرفته اند یکی از جدیدترین و کارآمدترین این روش ها روش پیش بینی فرضیه چندگانه است نقطه ضعف این روش عدم استفاده از روشی موثر در انتخاب باندهای با شباهت بیشتر است هدف این مقاله بررسی روش پیش بینی فرضیه چندگانه و اتخاذ روشی مناسب برای انتخاب باندهای طیفی بر مبنای رگرسیون خطی است به دلیل انعطاف زیاد روش پیش بینی رگرسیونی در تعیین ضرایب شباهت بین باندی برای انتخاب باندهای طیفی مشابه این روش انتخاب و پیاده سازی شد در این تحقیق صحت کلی طبقه بندی SVMبرای مجموعه داده ی فراطیفی Indian Pines حاصل از روش پیشنهادی 95/82به دست آمد که 0/4 بهبود را نشان داد و در طبقه بندی KNNصحت کلی 92/89به دست آمد که 8/23درصد افزایش داشت که نشان دهنده ی کارآمدی روش پیشنهادی است

Keywords:

تصاویر فراطیفی , کاهش نویز , روش پیش بینی فرضیه چندگانه , SVM , KNN