বর্ণালী স্থানিক বৈশিষ্ট্যগুলির ভিত্তিতে শ্রেণিবদ্ধকরণ
Classification Based on Spectral Spatial Features
#Hyperspectral Image Classification
Covariance matrices পদ্ধতি দ্বারা প্রাপ্ত বর্ণালী স্থানিক বৈশিষ্ট্যগুলিকে একই মাত্রায় রূপান্তরিত করেছি। reshaped operator/পুনর্নির্মাণ করা অপারেটরের মাধ্যমে F_spatial∈R^m×n×lk কে F_spatial∈R^N × lk এবং F_spectral∈R^d × d × N এ F_spectial∈R^N × d^2 হতে হতে দেই। তারপরে বর্ণালী – স্থানিক ভেক্টরগুলি নিম্নরূপ:
F_spectial–spatial=[F_spatial, _Fspectial]. (১৩)
where var(F_spectial–spatial), গড় (F_spectial–spatial) এবং F_spectial–spatial^norm হ'ল যথাক্রমে F_spectial–spatial and normalized গড় spectral–spatial feature. SVM classifier জন্য The fused spectral–spatial Fspectial–spatialnorm ফিড করা হয়।
এই পদ্ধতির দ্বারা উত্পন্ন spectral spatial features spatial domain এর shallow and deep convolution featureগুলিকে একত্রিত করে, যার অর্থ এই পদ্ধতিটি হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলিতে মাল্টি-স্কেল বৈশিষ্ট্য তথ্যকে আরও ভালভাবে চিহ্নিত করতে পারে। পদ্ধতিটি বর্ণালি ডোমেনের বিভিন্ন স্থানীয় বর্ণাল কিউব থেকে বর্ণালী তথ্য সংযুক্ত করে। এটি সরল ও দক্ষতার সাথে বর্ণালী স্থানিক তথ্য পেতে পারে।শেষ অবধি, RPNet এর বিপরীতে, আমাদের RPCC একটি raw HSI data কোনও SVM-এর সাথে জড়িত করে না, এবং কোনও নন-লিনিয়ার অ্যাক্টিভেশন অপারেশন নেই। source code: (https://github.com/whuyang/RPCC).
বর্ণালী বৈশিষ্ট্য নিষ্কাশন/Spectral Feature Extraction
#Hyperspectral Image Classification
Local covariance বৈশিষ্ট্যগুলির মধ্যে পারস্পরিক সম্পর্কের মাত্রা নির্দেশ করতে পারে। Facial recognition and image classification জন্য অনেক গবেষক Local covariance ব্যবহার করেছেন। Fang et al হাইপারস্পেকট্রাল ডেটা শ্রেণিবিন্যাসের জন্য local spectral covariance ব্যবহার করেছেন। feature information and less computational complexity দ্বারা spectral covariance কে পুরো চিত্রের ব্যাপ্তির সাথে তুলনা করার মাধ্যমে সঠিকভাবে নির্ভুলতা প্রপ্ত করা যেতে পারে। চিত্র দেখানো হয়েছে, তথ্য I_mnf , প্রতিটি পিক্সেলের জন্য, আমরা w × w × d আকারের একটি চিত্র উইন্ডো ব্যবহার করে N local spectral cube গুলি পেয়েছি। HSIs পিক্সেলের মোট সংখ্যা হ'ল N, where N=n×m। তদুপরি, আমরা প্রতিটি local spectral cube ক্ষেত্রে বর্ণালী ব্যান্ডগুলি নিষ্কাশন করতে k nearest- neighbor method ব্যবহার করি; প্রতিটি local spectral cube B_i সবচেয়ে প্রাসঙ্গিক T spectral bands পেয়েছিল। b^i_t হ'ল স্থানীয় কিউব অঞ্চলে t-তম বর্ণালী ব্যান্ড এর B_i;
B_i={b^i_1,b^i_2,…b^i_t…,b^i_T}, i=1,2,…,N......(9)
প্রতিটি স্থানীয় বর্ণাল ঘনক্ষেত্রের জন্য, একটি অনুরূপ কোভেরিয়েন্স বৈশিষ্ট্য ম্যাট্রিক্স তৈরি করেছি যা নিম্নলিখিত হিসাবে প্রকাশ করা হয়েছে:
C_i=1/T−1∑t=1T(b^i_t−μ)(b^i_t−μ)^T. (10)
অতএব, C ∗ i = C_i + λE, যেখানে E একক ম্যাট্রিক্স এবং λ = trace(C_i)×10^−3। এটি লক্ষণীয় যে, যেহেতু F_spectral ম্যানিফোল্ড স্পেসে রয়েছেতাই কোভেরিয়েন্স ম্যাট্রিকগুলি পদ্ধতিটি ব্যবহার করে ইউক্লিডিয়ান স্পেসে/Euclidean space রূপান্তরিত হবে। দুটি Covariance ম্যাট্রিকেস C1 এবং C2 দেওয়া, Log-Euclidean distance (LED) নিম্নলিখিত হিসাবে সংজ্ঞায়িত করা হয়:
C_led(C1,C2)=∥ logm(C1)−logm(C2) ∥_F..... (12)
where ∥.∥F and log m are the F norm and the logarithm operator.
Maximum Noise Fraction-Based Dimensionality Reduction
#Hyperspectral Image Classification
প্রতিটি HSI ব্যান্ড সূর্যরশ্মিকে ভিন্ন বর্ণালী পরিসরে রেকর্ড করে এবং এই ব্যান্ডগুলির মধ্যে স্কেলটি ভিন্ন ভিন্ন হয়। সুতরাং কোভারিয়েন্স ম্যাট্রিক্স ব্যবহার করে গণনা করা PCA transformation দ্বারা উত্পাদিত principal components (PCs) original data বৈশিষ্ট্যগুলিকে ভালভাবে উপস্থাপন করে না। Eklundh and Zhang Singh
তাদের গবেষণায় দেখিয়ে যে correlation matrix ব্যবহার করে গণনা করা PC গুলি ধারাবাহিকভাবে SNR-এ covariance matrix ব্যবহার করে গণনা করা তুলনায় তুলনামূলকভাবে উল্লেখযোগ্য উন্নতি পেয়েছিল। এই সমীক্ষায় প্রাপ্ত ফলাফলগুলি দেখায় যে, correlation matrix ব্যবহার করে পিসিএ remote sensing applications গুলির বিশ্লেষণের পছন্দসই মোড। বেশিরভাগ remotely sensed data তে, ইমেজ এর যে কোনও বিন্দুতে সংকেতটি neighboring pixels এর সিগন্যালের সাথে strongly correlated হয়, যখন noise টি কেবল দুর্বল spatial correlations কে দেখায়। এই অনুসারে Switzer তার গবেষণায় min/max autocorrelation factors (MAF) উন্নতি করেছেন। যার ফলস্বরূপ, black-and-white or salt-and-pepper noise জন্য noise covariance matrix এর পাশাপাশি striping (ফিতে দিয়ে চিহ্নিত) করার মতো signal degradation অন্যান্য effectগুলি estimate করে। PCA transformation অপ্রতুলতার জবাবে Green et al প্রস্তাবিত minimum noise fraction (MNF) transformation, যা MAF ব্যবহার করে আরও জটিল ঘটনার জন্য noise covariance matrix কে estimate জন্য ব্যবহার করে, যা প্রায়শই remotely sensed multispectral scanner ডেটাতে উপস্থিত থাকে এবং image quality দিক থেকে ইমেজগুলির সর্বোত্তম ক্রম বা বিন্যাস সরবরাহ করে। MNF transform চ্যালেঞ্জ হ'ল noise covariance matrix অর্জন করা। Nielsen and Larsen তারা সকলে spatially correlated ডেটার উপর নির্ভর করে। এটিকে অনুমান করার চারটি ভিন্ন উপায় দিয়েছেনঃ
১) একটি উপায় হ'ল শব্দটি সাময়িকভাবে অসংলগ্ন বলে ধরে নিলে প্রথম ক্রমের পার্থক্যগুলির covariance গণনা করা। এইভাবে MNF transform টি min/max autocorrelation factors transform এর সাথে সমান বা অনুরূপ হবে। Fang et al, MNF, PCA, and independent component analysis (ICA) ব্যবহার করে HSIs reduction সম্পর্কে তুলনামূলক পরীক্ষাগুলির ফলাফল ব্যাখ্যা করেছেন এবং আবিষ্কার করেছেন যে, MNF spectral relationship গুলি গণনার জন্য দুর্দান্ত সুবিধা দেয়। সুতরাং, বর্তমান গবেষণায় বর্ণালী বৈশিষ্ট্যগুলি নিষ্কাশনের জন্য এইচএসআই প্রিপ্রোসেসিং পদ্ধতি হিসাবে noise covariance matrix and MNF অনুমান করতে MAF ব্যবহার করি।
আমরা ইনপুট HSIs data I∈R^m×n × z হিসাবে সংজ্ঞায়িত করেছি। এখানে m, n, and z যথাক্রমে সারি, কলাম এবং বর্ণালী ব্যান্ডের সংখ্যা।
ধরে নিই যে, I∈R^m×n×z শব্দের মধ্যে আলাদা করা হয়েছে, noise I_N এবং signal I_S, আমাদের কাছে রয়েছে,
I=I_N+I_S ......................(1)
Transformation matrix V, noise covariance signal covariance এর SNR maximizing দ্বারা প্রাপ্ত করা হয়েছে:
arg_v max V^TCov(I_S)V / V^TCov(I_N)V......(2)
যেখানে Cov(I_S) and Cov(I_N) যথাক্রমে সংকেত এবং কোলাহলের সমাহার। সমীকরণের অপ্টিমাইজেশন সমস্যা (2) এর সমতুল্য:
arg_v max V^TCov(I_S)V / V^TCov(I_N)V......(৩)
যেখানে Cov(I) তার HIS data ডেটার overall covariance প্রতিনিধিত্ব করে, Cov(I) = Cov(I_N) + Cov(I_S).
Cov(I_N) is estimated by MAF. According to the Lagrange multiplier পদ্ধতি অনুসারে সমীকরণের সর্বোত্তম সমাধান (3) হ'ল:
Cov(I)V=λCov(I_N)V...........(৪)
তারপরে ইগেনভ্যালুগুলি বড় থেকে ছোট পর্যন্ত সাজানো হয়েছে এবং প্রথম d-র সাথে সম্পর্কিত এগেনভ্যালু ভেক্টরগুলি রূপান্তর ম্যাট্রিক্স হিসাবে ব্যবহৃত হয়েছে:
V=[v_1,v_2,…,v_d]...............(5)
সুতরাং, MNF principal componentsগুলির সংখ্যা d এবং MNF transformation পরে আউটপুট ডেটা হ'ল I_mnf:
I_mnf=V^T I.
0 মন্তব্য(গুলি):
একটি মন্তব্য পোস্ট করুন