Abstract
A new spectral–spatial method for classification of hyperspectral images is introduced. The proposed approach is based on two segmentation methods, fractional-order Darwinian particle swarm optimization and mean shift segmentation. The output of these two methods is classified by support vector machines. Experimental results indicate that the integration of the two segmentation methods can overcome the drawbacks of each other and increase the overall accuracy in classification
چکیده
یک روش جدید طیفی-فضایی برای کلاس‌بندی تصاویر فراطیفی معرفی شده است. روش ارائه شده مبتنی بر دو روش قطعه‌بندی، بهینه‌سازی ازدحام ذرات داروینی مرتبه کسری و قطعه‌بندی شیفت میانه می‌باشد. خروجی این دو روش با ماشین‌های بردار پشتیبانی (SVM) کلاس‌بندی می‌شود. نتایج تجربی نشان می‌هد که یکپارچه‌سازی دو روش قطعه‌بندی می‌تواند معایب یکدیگر را برطرف کرده و دقت کلی را در کلاس‌بندی افزایش دهد.
1-مقدمه
کلاس‌بندی دقیق تصاویر دریافتی دوردست نقشی مهم در بسیاری از کاربردهای شامل مانیتورینگ مجصولات، کاربردهای جنگلی، توسعه شهری، نقشه‌برداری و مسیریابی و مدیریت ریسک، دارد. یک راه برای رسیدن به این هدف، استفاده‌ی مرتب از اطلاعات فضایی و طیفی می‌باشد. هدف در نظر گرفتن مفهوم فضایی در مرحله کلاس‌بندی می‌تواند به صورت جزئی با استفاده از برخی روش‌های خاص نظیر فیلترهای ریخت‌شناسی و زمینه‌های تصادفی مارکوف، به دست آید...