Random-patches convolution and local covariance (RPCC) পদ্ধতিটি RAW, MNF, এবং পাঁচটি অত্যাধুনিক HSIs classification methods, SMLR-SpTV, Gabor-based, EMAP, LMRC এবং RPNet সাথে তুলনা করা হয়েছিল এবং পরিমাণগত এবং গুণগত পরীক্ষামূলক ফলাফলগুলি ব্যবহার করে একটি বিশদ বিশ্লেষণ করা হয়েছিল। সর্বশেষ পাঁচটি পদ্ধতি সাম্প্রতিক বছরগুলিতে উন্নতি হয়েছিল যা Random-patches convolution and local covariance (RPCC) পদ্ধতির সাথে ঘনিষ্ঠভাবে সম্পর্কিত।

১) SMLR-SpTV HSIs classification জন্য spectral–spatial information পেতে spatially adaptive hidden Markov field and spectral fidelity ব্যবহার করে।

২) Gabor-based method কার্যকর বর্ণালী বৈশিষ্ট্যগুলি পেতে classical Gabor filter ব্যবহার করে।

৩) EMAP HSI গুলির জ্যামিতিক বৈশিষ্ট্যগুলি বের করতে পারে এবং একটি feature vector space তৈরি করতে পারে যা HSIs structure বৈশিষ্ট্যগুলির তথ্য বর্ণনা করে, যা একটি কার্যকর spectral–spatial classification method।

৪) LMRC, HSIs classification জন্য local covariance matrix উপস্থাপনার মাধ্যমে spatial context information and spectral correlation information একীভূত করে।

৫) RPNet একটি নতুন multi-layer convolution structure রয়েছে যা দ্রুত উচ্চ-নির্ভুলতার শ্রেণিবিন্যাসের ফলাফলগুলি পেতে পারে।

SMLR-SpTV method Monte Carlo/মন্টি কার্লো পুনরাবৃত্তি 10 বার। EMAP attribute extraction threshold/অ্যাট্রিবিউট এক্সট্রাকশন থ্রেশহোল্ড প্রতিটি বৈশিষ্ট্যের গড় অনুসারে 2.5-10% হয়, standard deviation/স্ট্যান্ডার্ড বিচ্যুতি বিশিষ্ট পদক্ষেপটি 2.5%, এবং অঞ্চল বৈশিষ্ট্য প্রান্তিকতা যথাক্রমে 200,500 এবং 1000 হয়। গ্যাবার-ভিত্তিক, LMRC, and RPNet methodsগুলির পরামিতিগুলি রেফারেন্সে ব্যবহৃত একইরকম।

Figure 1. The Indian Pine classification results. (a) False-color image; (b) ground-truth color map; (c) RAW; (d) MNF; (e) SMLR-SpTV; (f) Gabor-based; (g) EMAP; (h) LCMR; (i) RPNet; (j) proposed RPCC.

Figure 2. The Pavia University classification maps. (a) False-color image; (b) ground-truth color map; (c) RAW; (d) MNF; (e) SMLR-SpTV; (f) Gabor-based; (g) EMAP; (h) LCMR; (i) RPNet; (j) proposed RPCC.

Figure 3. The KSC classification maps. (a) False-color image; (b) ground-truth color map; (c) RAW; (d) MNF; (e) SMLR-SpTV; (f) Gabor-based; (g) EMAP; (h) LCMR; (i) RPNet; (j) proposed RPCC.

এই পদ্ধতির সর্বোচ্চ ওএ এবং কাপা পাশাপাশি সেরা শ্রেণিবিন্যাসের মানচিত্র অর্জন করে। RAW and MNF method গুলি কেবল বর্ণালী তথ্য ব্যবহার করে, noise and misclassification থেকে তাদের শ্রেণিবিন্যাসের মানচিত্রে দেখা যায়। বাকি ছয়টি পদ্ধতিতে বর্ণালী স্থানিক বৈশিষ্ট্য বিবেচনা করা হয়। SMLR-SpTV, Gabor-based, and EMAP methods ব্যবহার করে প্রাপ্ত শ্রেণিবদ্ধের মানচিত্রের তুলনা করে দেখা যায় যে SMLR-SpTV and Gabor-based method গুলি মসৃণ শ্রেণিবিন্যাসের মানচিত্র তৈরি করে। integrated SMLR-SpTV পদ্ধতিতে MRF শ্রেণিবিন্যাসের কার্যকারিতা উন্নত করে এবং spatially smooth classification এর অনুমতি দেয়। LMRC and RPNet method উভয়েরই শ্রেণিবদ্ধকরণের পারফরম্যান্স রয়েছে, তবে, প্রস্তাবিত LMRC and RPNet সুবিধার সমন্বয় করে আরও ভাল ফলাফল অর্জন করে। ভুল বর্ণনাকে হ্রাস করার জন্য বর্ণালি spect স্থানীয় বৈশিষ্ট্যগুলি কেবল ব্যবহার করে না, তবে প্রাপ্ত spectral–spatial features গুলিকে আরও বৈষম্যমূলক করতে local k-nn clustering, covariance expression, and random patchesগুলিও ব্যবহার করে। সুতরাং, আরপিসিসির একটি সাধারণ এবং দক্ষ বৈশিষ্ট্য নিষ্কাশন কৌশল রয়েছে যা প্রতিযোগিতামূলক পরীক্ষামূলক ফলাফল আনতে পারে।

দ্বিতীয় পরীক্ষার জন্য প্যাভিয়া বিশ্ববিদ্যালয়ের ডেটা সেটের যথাক্রমে শ্রেণিবিন্যাসের ফলাফল এবং শ্রেণিবিন্যাসের যথার্থতা দেখায়। সামগ্রিকভাবে বর্ণাল স্থানিক বৈশিষ্ট্যের ভিত্তিতে পাঁচটি শ্রেণিবদ্ধকরণ পদ্ধতি একই ধরণের শ্রেণিবিন্যাসের নির্ভুলতা অর্জন করেছে। আমাদের পদ্ধতিতে এখনও সর্বোচ্চ ওএ এবং কাপা রয়েছে। Figure ব্যাখ্যা করে যে RAW, MNF এবং EMAP এর শ্রেণিবিন্যাসের মানচিত্রগুলি বেশ শোরগোলযুক্ত, বিশেষত খালি মাটি এবং মৃত্তিকা অঞ্চলে। এSMLR-SpTV and Gabor-based শো ওভারফিটিংয়ের শ্রেণিবদ্ধকরণ মানচিত্র। অতিরিক্তভাবে, LCMR and RPNet method গুলি ইট, খালি মাটি এবং চারণভূমির বিভাগগুলির মধ্যে পার্থক্য করতে ব্যর্থ হয়েছিল। সুতরাং, Random-patches convolution and local covariance (RPCC) প্রস্তাবিত পদ্ধতিটি শ্রেণিবদ্ধকরণ ম্যাপিং এবং যথার্থতা উভয় ক্ষেত্রেই ভাল পারফরম্যান্স অর্জন করতে পারে।

তৃতীয় পরীক্ষার জন্য Figure এ KSC data-setএর যথাক্রমে শ্রেণিবিন্যাসের ফলাফল, মিথ্যা বর্ণের চিত্রগুলি, স্থল-সত্যের মানচিত্রগুলি এবং শ্রেণিবিন্যাসের যথার্থতা প্রদর্শন করে। Random-patches convolution and local covariance (RPCC) পদ্ধতি অন্যান্য সাতটি পদ্ধতির তুলনায় 1% -10% বেশি এবং সমস্ত বিভাগে সর্বোচ্চ নির্ভুলতা রয়েছে। এই পদ্ধতি দেখায় অন্যান্য পদ্ধতির তুলনায় Water, Mud flats, Salt marsh, and Cattail marsh শ্রেণীর জন্য আরও ভাল শ্রেণিবিন্যাস অর্জন করে। পাভিয়া বিশ্ববিদ্যালয় এবং ইন্ডিয়ান পাইনের ডেটা সেটগুলির অনুরূপ, RAW and MNF পদ্ধতি ব্যবহার করে প্রাপ্ত শ্রেণিবিন্যাসের মানচিত্রগুলি over-smoothing দেখায়। SMLR-SpTV, Gabor-based, EMAP, and RPNet method গুলি সাধারণত কিছু অঞ্চলে Water and Cattail marsh কে ভুলভাবে শ্রেণিবদ্ধ করে। তদুপরি, LCMR method results CP/Oak বিভাগের জন্য প্রচুর পরিমাণে ভুল শৃঙ্খলা তৈরি করে।

ভারতীয় পাইন, পাভিয়া বিশ্ববিদ্যালয় এবং কেএসসির ডেটা-সেটের অন্যান্য সাত পদ্ধতির সাথে তুলনা দেখায় যে প্রস্তাবিত আরপিসিসি পদ্ধতিটি আরও ভাল ভিজ্যুয়াল পেতে পারে প্রভাব এবং উচ্চতর নির্ভুলতা। এই পদ্ধতিতে বর্ণালী স্থানিক বৈশিষ্ট্য নিষ্কাশন ধরণের বৈধতা প্রমাণ করে। এই জন্য তিনটি কারণ আছে।

প্রথমে, প্রতিটি পিক্সেল আশেপাশের অঞ্চলে বর্ণালী ক্লাস্টারিং করে এবং তারপরে এক্সট্রাক্টড পিক্সেলের বর্ণালী কোভারিয়েন্স ম্যাট্রিক্স গণনা করি, যাতে আমরা পুরো চিত্রের সমস্ত অঞ্চলের বর্ণালী পারস্পরিক সম্পর্কের তথ্য পাই।

দ্বিতীয়ত, এলোমেলো-প্যাচ সমঝোতা অগভীর এবং গভীর বৈশিষ্ট্যগুলি নিষ্কাশন করতে পারে, ফলে বহু-স্কেল এবং বহু-স্তর উভয় বৈশিষ্ট্য একত্রিত করা যায়।

তৃতীয়ত, আরপিসিসিতে এলোমেলোতা এবং স্থানীয়করণ হ'ল এক ধরণের নিয়মিতকরণ প্যাটার্ন যা এইচএসআই প্রসেসিংয়ে noise and over-smoothing phenomena কে কাটিয়ে উঠার দুর্দান্ত সম্ভাবনা রয়েছে। উপরের শ্রেণিবিন্যাসের ফলাফল এবং পরিমাণগত মূল্যায়নের মাধ্যমে, আমাদের পদ্ধতিটি novel and effective spectral‒spatial classification framework হতে পারে।

মেশিন লার্নিংয়ের ক্ষেত্রে একক বৈশিষ্ট্য এবং একক মডেলগুলির সাথে কাঙ্ক্ষিত পারফরম্যান্স অর্জন করা কঠিন। একটি গুরুত্বপূর্ণ পদ্ধতি হ'ল integrate করা। সাধারণ ফিউশন পদ্ধতিগুলি হ'ল early fusion and late fusion। early fusion হ'ল একটি feature-level fusion যা বিভিন্ন বৈশিষ্ট্যগুলিকে সম্মতি দেয় এবং প্রশিক্ষণের জন্য একটি মডেল হিসাবে রাখে। উদাহরণস্বরূপঃ আরপিসি-র এই spectral-spatial classification methods গুলি early fusion পদ্ধতি। Late fusion বলতে score level ফিউশনকে বোঝায়। অনুশীলনটি হ'ল একাধিক মডেলকে প্রশিক্ষণ দেওয়া। প্রতিটি মডেলের একটি prediction score থাকবে এবং সমস্ত মডেলের ফলাফল final prediction results গুলি পেতে সংযুক্ত হবে। এখানে, RPCC রূপ হিসাবে দুটি দেরীতে ফিউশন পদ্ধতি ডিজাইন করেছি। একটি হ'ল আরপিসিসি-এলপিআর, এটি আরপিসিসির মতো একই প্রক্রিয়া ভাগ করে ব্যতীত এটি রৈখিক, বহুপদী এবং রেডিয়াল ভিত্তিক ফাংশনগুলির সাথে এসভিএম ব্যবহার করে। আর একটি হ'ল S-LPR-S-LPR যা স্থানিক এবং বর্ণালী বৈশিষ্ট্যগুলিকে শ্রেণিবদ্ধ করতে রৈখিক, বহুপদী এবং রেডিয়াল/linear, polynomial and radial ভিত্তিক ফাংশন সহ এসভিএম ব্যবহার করে। উভয় পদ্ধতিই default parameter গুলির সাথে চূড়ান্ত শ্রেণিবিন্যাসের ফলাফল পেতে majority vote method ব্যবহার করে। এ তিনটি পদ্ধতির শ্রেণিবদ্ধকরণের যথার্থতা দেখায়।

এটি দেখা যায় যে দুটি সহজ ফিউশন কৌশল শ্রেণিবিন্যাসের নির্ভুলতার উন্নতি করে না।