برآورد بعد ذاتی در تصاویر ماهواره ای ابرطیفی

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. روش های 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 تکنیکها را به منظور طبقه بندی بانظارت 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 قرارگرفته است. پرکاربردترین روش های کاهش ابعاد مانند تحلیل مولفه اصلی (PCA) و تحلیل مولفه مستقل (ICA) در خروجی روش های برآوردهگر بکارگرفته شده است. این تحقیق نگاهی مقایسهای 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.