امروزه تقاضا برای محصولات با کیفیت بالا افزایش یافته و استانداردهای سختگیرانه ای برای سلامت آنها وضع می شود. لذا برای ارتقاء صادرات انواع محصولات کشاورزی، استفاده از فن آوری های پیشرفته پس از برداشت، برای تعیین سریع تر، موثرتر و دقیق تر کیفیت و سلامت محصولات ضروری می باشد. در این تحقیق، روش تصویربرداری ابرطیفی در محدوده 400 تا 1000 نانومتر، برای تشخیص سیب های آفت زده توسط کرم سیب، بکار برده شده است. پس از تهیه نمونه های آفت زده و انتقال آنها به آزمایشگاه، تصاویر تحت شرایط کنترل شده گرفته شدند. سپس طیف بازتابی میانگین از نواحی مطلوب استخراج و پیش پردازش گردیده و در نهایت با استفاده از چندین تکنیک یادگیری ماشین شامل تحلیل تفکیک خطی،  -kنزدیکترین همسایه و درخت تصمیم گیر طبقه بندی نمونه ها انجام گرفت. نتایج نشان داد جداسازی میوه های آفت زده با نرخ کلاس بندی 96% و 94% برای نمونه های سالم و آفت زده امکان پذیر بوده و بهترین نرخ کلاس بندی برای روش درخت تصمیم گیر بدست آمد. همچنین طول موج های بهینه برای توسعه تصویربرداری چندطیفی استخراج گردیدند. نتایج این پژوهش بیانگر کارآیی بالای تصویربرداری ابرطیفی در جداسازی غیرمخرب سیب های آفت زده برای استفاده در ماشین های درجه بندی می باشد.

طبقه بندی نظارت شده یکی از بهترین روش های استخراج اطلاعات از تصویر است. دقت طبقه بندی نظارت شده تصاویر سنجش از دور متاثر از تعداد باندهای طیفی و تعداد نمونه های آموزشی است، به طوری که اگر تعداد نمونه ها از تعداد باندها خیلی کمتر باشد دقت طبقه بندی کاهش می یابد.وقوع این مشکل در طبقه بندی تصاویر ابرطیفی به دلیل داشتن باندهای طیفی بسیار بیشتر در مقایسه با تصاویر چندطیفی، محتمل تر است. در چنین شرایطی استفاده از روش های انتخاب ویژگی می تواند راه گشا باشد. این روش ها با انتخاب باند های دارای بیشترین اطلاعات در مورد موضوع مورد بررسی و حذف باند های نامربوط، زائد و دارای اطلاعات تکراری کارآیی طبقه بندی را افزایش می دهند. در این پژوهش استفاده از یک روش انتخاب ویژگی مبتنی بر الگوریتم رقابت استعماری فازی به شناسایی تنها 5 درصد از کل باندهای طیفی یعنی 9 باند از بین 165 باند قابل استفاده هایپریون منجر شد. 9 باند یادشده بیشترین سهم در شناسایی مناطق دگرسانی را داشته و دقیقا در بازه هایی قرار گرفته اند که مناسب برای شناسایی کانی های شاخص مناطق دگرسانی هستند که خود بیانگر دقت بالای روش استفاده شده است. همچنین طبقه بندی نظارت شده توسط ماشین بردار پشتیبان و با استفاده از 17 نمونه دگرسانی برداشت شده از محدوده نشان می دهد که دقت نقشه پراکندگی دگرسانی با استفاده از 9 باند انتخاب شده در مقایسه با حالتی که کل باندهای هایپریون استفاده شده اند، به طور چشمگیری بهبود یافته است.

فن­­آوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه­بندی پوشش­های زمین و بررسی تغییرات آنها است. پیشرفت­های اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقه­بندی تصاویر ابرطیفی ایجاب می­کند. در این تحقیق روشی جدید جهت طبقه­بندی طیفی-مکانی تصاویر ابرطیفی معرفی شده ­است. در روش پیشنهادی ابتدا ده ویژگی مکانی، میانگین، انحراف معیار، درجه تباین، یکنواختی، همبستگی، عدم تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور، از پیکسل­های همسایگی تصویر ابرطیفی استخراج ­شده است. سپس ابعاد ویژگی­های طیفی و مکانی بدست­آمده با الگوریتم ژنتیک وزن­دار کاهش یافته و در ادامه به صورت موازی دو الگوریتم قطعه­بندی سلسله مراتبی و طبقه­بندی جنگل پوشای کمینه (MSF) مبتنی بر نشانه بر روی ویژگی­های کاهش یافته اعمال و در نهایت نتایج با قانون تصمیم رای اکثریت ترکیب گردیده است. روش پیشنهادی بر روی دو تصویر ابرطیفی پیاده­سازی شد، نتایج بررسی های انجام شده برتری و افزایش دقت روش پیشنهادی را نسبت به روش طبقه­بندی ماشین بردار پشتیبان (SVM) نشان می­دهد، که این افزایش برای تصویر Indiana Pine حدود 10 درصد و برای تصویر Washington DC Mall حدود 7 درصد در معیار دقت کلی می­باشد.

فن آوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها می باشد. با پیشرفت های اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقه بندی تصاویر ابرطیفی ایجاب می کند. در این تحقیق سعی می گردد تاثیر کاهش ابعاد به کمک الگوریتم ژنتیک را در فرآیند طبقه بندی طیفی-مکانی تصاویر ابرطیفی بررسی شود. در میان الگوریتم های مختلف طبقه بندی طیفی-مکانی تصاویر ابرطیفی، تاکنون سه الگوریتم قطعه بندی واترشد، هرمی و جنگل پوشای مینیمم مبتنی بر نشانه در ترکیب با الگوریتم طبقه بندی ماشین بردار پشتیبان به بهترین نتایج دست یافته اند. در روش پیشنهادی ابتدا به کمک الگوریتم ژنتیک ابعاد تصویر ابرطیفی کاهش یافته سپس بر روی باندهای حاصل، سه الگوریتم قطعه بندی مذکور پیاده سازی گردید. در نهایت نقشه های قطعه بندی بدست آمده به کمک قانون تصمیم رای اکثریت با نقشه طبقه بندی ماشین بردار پشتیبان ترکیب شد. روش پیشنهادی بر روی سه تصویر ابرطیفی Pavia، Telops و DC Mall پیاده سازی گردید، نتایج آزمایشات بدستامده برتری استفاده از کاهش ابعاد در الگوریتم جنگل پوشای مینیمم مبتنی بر نشانه و استفاده از تمام باندهای تصویر در الگوریتم های واترشد و هرمی مبتنی بر نشانه را نشان می دهد.

با پیشرفت سنجنده های سنجش از دور طیفی با توانتفکیک طیفی بالا، تصاویر ابرطیفی ماهواره ای بطور وسیع به منظور نظارت بر سطح زمین به خدمت گرفته شده اند. بزرگی ابعاد این تصاویر نه تنها باعث افزایش پیچیدگی محاسبات گردیده بلکه باعث کاهش دقت طبقه بندی تصویر نیز شده است. کاهش ابعاد یکی از اصلی ترین روش ها در تصاویر ابرطیفی برای بهبود دقت طبقه بندی است. معمول ترین روش در کاهش ابعد انتخاب عارضه می باشد. بطور ایده آل کاهش نمایندگان یک مجموعه به کاهش ابعاد ذاتی آن مرتبط می شود. روشهای مختلفی برای برآورد بعد ذاتی و نیز کاهش ابعاد در تصاویر ابرطیفی در منابع وجود دارد. در این مقاله به شرح و مقایسه پنج تکنیک برآورد بعد ذاتی پرداخته و کارایی این تکنیک ها را به منظور طبقه بندی با نظارت تصاویر ابرطیفی بررسی و بحث کرده است. این تکنیکها شامل برآوردکننده مقدار ویژه (EV)، برآوردکننده بیشترین شباهت (ML)، برآوردکننده بعد همبسته (CD)، برآوردکننده عدد بسته بندی (PN) و کمترین گشترش درخت ژئودزیک (GMST) می باشد. روش طبقه بندی کننده نزدیکترین همسایگی (K-NN) به منظور طبقه بندی بانظارت مورد استفاده قرار گرفته است. تعداد زیادی از فواصل متریک در این طبقه بندی کننده مورد استفاده و مقایسه قرار گرفته است. پرکاربردترین روش های کاهش ابعاد مانند تحلیل مولفه اصلی (PCA) و تحلیل مولفه مستقل (ICA) در خروجی روش های برآورده گر بکار گرفته شده است. این تحقیق نگاهی مقایسه ای و مروری بر روش های برآورده گر داشته و نیز عارضه های باندی استخراج شده را به منظور طبقه بندی مورد استفاده قرار داده است.