Abstract
This paper presents an effective classification approach for hyperspectral image, based upon a novel discontinuity adaptive class-relative nonlocal means (DACNLM) algorithm and embedding it in the global energy function by energy fusion strategy. Inspired from recent works related to nonlocal means, we extend this framework to label space, assuming that nonlocal similar patches have similar label structures. Thus, similar local structures and nonlocal averaging process are combined by the proposed DACNLM algorithm. The Shannon entropy is adopted to define the distribution of energy. The energy function is then improved by fusion strategy that selects the energy corresponding to the lowest uncertainty. As a sequence, the hyperspectral image classification task stated in term of energy minimization is efficiently solved by graph cuts algorithm. Experiments on two real hyperspectral data sets are provided to demonstrate the effectiveness of our hyperspectral classification algorithm
چکیده
این مقاله، یک روش طبقه بندی مؤثر و کارآمد برای تصویر ابرطیفی مبتنی بر الگوریتم جدید "ابزارهای غیرمحلی کلاس نسبی تطبیقی گسسته"(DACNLM) و تعبیه ی آن در تابع انرژی جهانی از طریق استراتژی همجوشی(تلفیق) انرژی ارائه می دهد. با الهام گرفتن از کارهای انجام شده ی اخیر مرتبط با ابزارهای غیرمحلی، ما با فرض این که قطعات مشابه غیرمحلی، ساختارهای طبقه بندی مشابهی دارند، این چارچوب را به فضای طبقه بندی گسترش می دهیم. بنابراین، ساختارهای محلی مشابه و فرآیند میانگین گیری غیرمحلی، توسط الگوریتم DACNLM پیشنهادی ترکیب می شوند. برای تعریف توزیع انرژی، آنتروپی Shannon اتخاذ می شود. سپس، تابع انرژی توسط استراتژی تلفیقی که انرژی متناظر با پائین ترین عدم قطعیت را انتخاب می کند، بهبود می یابد. بدین ترتیب، عملیات طبقه بندی تصویر ابرطیفی که با اصطلاح حداقل سازی انرژی بیان شده است، به طور کارآمدی توسط الگوریتم برش گراف حل می شود. برای نشان دادن تأثیر الگوریتم طبقه بندی ابرطیفی ما، آزمایشات انجام شده بر روی 2 مجموعه داده ی ابرطیفی واقعی ارائه می گردد.
1-مقدمه
سنجنده های ابرطیفی، صدها پوش باند طیفی باریک مرئی برای طیف مادون قرمز و برای همان منطقه بر روی سطح زمین را در برمی گیرند(Chang، 2003). این مشخصه ی ویژه به داده های ابرطیفی این اجازه را می دهد که اطلاعات طیفی غنی تری ارائه دهند و برای طبقه بندی تصویر دقیق تر، بسیار مناسب است. برای مثال، این ویژگی، تمییز گونه های معمولاً متفاوت از یک جنس که همزیستی می کنند را امکانپذیر می سازد(Goodenough و همکاران، 2003). بنابراین در سال اخیر، طبقه بندی تصاویر ابرطیفی، در تحقیقات، مورد توجه بیشتری قرار گرفته است...