بکارگیری همسایگی مکانی در طبقه بندی نیمه نظارتی تصاویر ابر طیفی

در سالهای اخیر به منظور بهبود صحت طبقه بندی تصاویر ابر طیفی با نقاط آموزشی محدود (نیمه نظارتی) الگوریتم های زیادی پیشنهاد شده اند مانند روشهای بردار پشتیبان و یا گراف بیس و ... این الگوریتم ها تنها به ویژگی های طیفی باند ها تمرکز می کنند و گرچه بعضاً صحت قابل قبولی هم به دست می آورند ولی پیچیدگی های زیاد، محاسبات طولانی و نیاز به رایانه های پیشرفته استفاده از آنها را دشوار می کند. در الگوریتم ارائه شده ابتدا با یک روش طبقه بندی معمولی مانند روش حداکثر احتمال طبقه بندی انجام می شود و با در نظر گرفتن همسایگی مکانی در دو پنجره کوچک و بزرگ، پیکسل ها با صحت طبقه بندی زیاد را که حاوی اطلاعات طیفی جدیدی نیز هستند به داده های آموزشی اولی اضافه می کنیم و با تکرار طبقه بندی، به یک صحت قابل قبول در مقایسه با سایر روش ها دست میابیم.

کلیدواژه ها:

تصاویر ابر طیفی ، سنجش از دور ، طبقه بندی نیمه نظارتی و استخراج ویژگی