استخراج ویژگی نظارت شده غیرپارامتریک برای طبقه بندی تصاویر ابر طیفی با نمونه آموزشی محدود

استخراج ویژگی در تحلیل و طبقه بندی تصاویر ابرطیفی، اهمیت ویژه ای دارد، چراکه علاوه بر بهبود طبقه بندی، سبب کاهش پیچیدگی محاسباتی خواهد شد . روش های استخراج ویژگی نظارت شد های مثل تحلیل تمییز خطی ( LDA ) به دلیل مشکل منفرد بودن ماتریس پراکندگی درون کلاسی، دارای کارایی خوبی در نمونه های آموزشی محدود نیستند به علاوه تعداد ویژگی های استخراج شده توسط آ نها حداکثر برابر تعداد کلاس ها منهای یک است. استخراج ویژگی وزن دار غیر پارامتریک ( NWFE ) این مشکلات را حل کرده، ولی به شدت دارای پیچیدگی محاسباتی بالایی است . در این مقاله، یک روش استخراج ویژگی نظارت شده غیرپارامتریک پیشنهاد شده است که علاوه بر حل مشکلات ذکر شده در روش های استخراج ویژگی LDA و NWF E ، دارای کارایی بهتری نسبت به آن ها در طبقه بندی تصاویر ابرطیفی می باشد . روش استخراج ویژگی پیشنهادی با سه روش استخراج ویژگی نظارت شده معمول مقایسه شده و نتایج آزمایش ها بر روی سه داده ابرطیفی واقعی، نشان دهنده کارایی مناسب روش پیشنهادی می باشد.

کلیدواژه ها:

استخراج ویژگی ، طبقه بندی ، تصاویر ابر طیفی ، نمونه آموزشی محدود