رضا شاه حسینی - گروه مهندسی نقشه برداری، دانشکده فنی، دانشگاه تهران
سعید همایونی
محمدرضا سراجیان

با پیشرفت های نوین در سنجش از دور و تولید داده های فراطیفی با اطلاعات طیفی فراوان، امید زیادی به استفاده از این داده ها جهت مطالعه دقیق پدیده ها و طبقه بندی موفق کلاسهای پوشش زمینی ایجاد شده است. علی رغم این ویژگی مفید و مهم ، تعدد باندها یا به عبارت دیگر اطلاعات طیفی با ابعاد زیاد ، چالشی جدی در پردازش و تجزیه تحلیل این داده ها در برابر پژوهشگران قرار داده است. این دشواری، به ویژه، در طبقه بندی تصاویر در مرحله جمع آوری داده های آموزشی و آموزش طبقه بندی کننده ها، خودنمایی می کند. لذا، برای حل این مشکل، مطالعه و پژوهش بر روی روش هایی که برای طبقه بندی نیاز به داده های آموزشی کم تری دارند، مورد توجه قرار گرفته است . یکی از این روش ها که در سالهای اخیر بسیار موفقیت آمیز بوده است، الگوریتمی بر پایه ماشین های بردار پشتیبان (SVM) است که از تئوری یادگیری آماری استخراج شده است.در این مقاله ، کارایی روش ماشین های بردار پشتیبان در طبقه بندی تصاویر فراطیفی مورد بررسی قرار گرفته است . ویژ گی اصلی این روش، توانایی آن در بکار گیری داده هایی با ابعاد طیفی زیاد و عدم نیاز به مرحله انتخاب ویژگی ها و یا کاهش ابعاد می باشد. ماشین های بردار پشتیبان ، از لحاظ فرمول بندی، دارای دو فرم یگانه و دوگانه هستند. در اغلب موارد ، این دو فرم معادل یکدیگرند . ولی برای بهینه سازی فرم یگانه، که یک رابطه بدون قید است، از هر روشی می توان برای بهینه سازی است فاده کرد . در حالی که برای بهینه سازی فرم دوگانه، بایستی از روش ضرائب نامعین لاگرانژ استفاده کرد. در این پژوهش، در گام اول، الگوریتمی جهت طبقه بندی داده های فراطیفی با استفاده از ماشین های بردار پشتیبان به فرم دوگانه، پیاده سازی شده است. در گام بعد، آنالیز دقت و ارزیابی حساسیت این الگوریتم نسبت به تعداد نمونه های آموزشی مختلف، پارامترهای کنترل کننده الگوریتم و توابع هسته، که نقش مهمی در فرآیند بهینه سازی الگوریتم دارند، انجام شده است. این روش بر روی داده های تصویری فراطیفی سنجنده Hyperion شامل 242 باند با قدرت تفکیک مکانی 30 متر از یک منطقه کشاورزی، پیاده سازی شده است. ارزیابی های دقت نشانگر موفقیت قابل قبول نتایج طبقه بندی این تصاویر به کمک روش پیشنهادی است.

طبقه بندی نظارت شده، تصاویر فراطیفی، ماشین های بردار پشتیبان، بهین ه سازی