طبقه بندی خرد پیکسلی تصاویر فراطیفی با استفاده از تحلیل مولفه های مستقل

شناسایی و تشخیص عوارض شهری، یکی از کاربردهای پیچیده در طبقه بندی تصاویر سنجش از دوری است. با این وجود، به نظر می رسد تصاویر فراطیفی به دلیل توانمندی ویژه در ارائه اطلاعات پیرامون مواد و اشیاء سطح زمین، توان بهتری داشته باشند. روش های پردازش تصاویر کلاسیک معمولا برای داده های فراطیفی، به نتایج قابل قبولی منجر نمی شوند. از این رو، روش-های نوینی برای استخراج اطلاعات از این نوع داده ها، مطرح شده اند. در این مقاله، بر پایه ی تحلیل مولفه های مستقل ((Independent Component Analysis (ICA) که یک روش پردازش سیگنال برای کاربردهای گوناگون جداسازی منابع است، یک الگوریتم طبقه بندی نرم ارائه شده است. ایده اصلی روش ICA، بر مبنای فرض خطی بودن ترکیب منابع و استقلال آماری دو جانبه آنهاست. این روش، جداسازی منابع مرتبط با سهم و توزیع مواد گوناگون در صحنه را، بدون هیچ دانشی از پیش، فراهم می کند. به عبارت دیگر می توان این تحلیل را به عنوان راه حل غیر نظارت شده برای طبقه بندی نرم و جزء پیکسلی درنظر گرفت. در کاربرد طبقه بندی نرم، سیستم تصویربرداری فراطیفی، یک سیستم مشاهده گر با یک ترکیب طیفی خطی در نظر گرفته می شود. همچنین فرض می شود اطلاعات فراوانی کلاس های طیفی، مستقل هستند و به عنوان انواع گوناگونی از مواد با طیف خالص نسبی تفسیر شوند. به علت ابهامات ذاتی ICA، منابع تخمین زده شده منطبق با فراوانی کلاس-های طیفی حاضر در صحنه نیست و نمی توانند به طور مستقیم به عنوان میزان حضور یا تعلق کلاس ها در صحنه مورد استفاده قرار گیرند. بنابراین، جهت تهیه نقشه های مواد حاضر در صحنه ی نقشه های پوششی، مرحله دیگری که همان تصمیم گیری، بر مبنای منطق فازی است، مورد نیاز است. الگوریتم پیشنهادی بر روی داده های سنجنده ی هوابرد CASI، پیاده سازی شد. نتایج از طریق مقایسه با داده حقیقی زمینی ارزیابی شد. نتایج این پژوهش نشان می دهد که این الگوریتم برای کشف کلاس های اصلی موجود در صحنه توانمند است. با این وجود فرض خطی بودن مدل ممکن است همیشه برای برخی پدیده ها مانند اثر توپوگرافی روی سقف ساختمان ها، اثرات اتمسفری و پدیده اختلاط طیفی سازگار نباشد.