استخراج ویژگی در تصاویر ابر طیفی و کاهش بعد

یکی از مسائل مهم کاهش پیچیدگی محاسباتی در پردازش تصاویر ابر طیفی کاهش بعد با استفاده از روش های استخراج ویزگی است. در این مقاله روش های مختلف انتخاب ویژگی بر اساس دو معیار تابع تولید کننده و تابع ارزیابی طبقه بندی و مورد بررسی قرار گرفته است. در تابع تولید کننده با فرض اینکه تعداد کل ویزگی ها برابر n باشد. آنگاه تعداد زیرمجموعه های ممکن برابر (n)2 می شود. روش های گوناگون انتخاب ویژگی را می توان به سه دسته جستجوی کامل، جستجوی مکاشفه ای و جستجوی تصافی تقسیم نمود. تابع ارزیابی که یافتن زیرمجموعه ای بهینه از بین تمام مجموعه ها را برعهده دارد می توان به طرق مختلفی از قبیل معیارهای مبتنی بر فاصله، معیارهای مبتنی بر اطلاعات، معیارهای مبتنی بر وابستگی، معیارهای مبتنی بر سازگاری و معیارهای مبتنی بر خطای طبقه بندی کننده دسته بندی کرد. به منظور سه روش استخراج ویژگی در تصاویر ابرطیفی مبتنی بر ماتریس همبستگی و توابع مورفولوژی، آنالیز اجزای اصلی (pca) و آنالیز موجک مورد بررسی قرار گرفته و مزایا و معایب آنها مقایسه می گردد.

کلیدواژه ها:

انتخاب ویژگی ، تابع تولید کننده ، تابع ارزیابی ، ماتریس همبستگی ، آنالیز موجک