استخراج ویژگی نظارت شده ی غیرپارامتریک برای طبقه بندی تصاویر ابرطیفی با نمونه ی 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 شده ای 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 آن ها 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 NWFE، 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 ی معمول مقایسه شده و نتایج آزمایش ها بر روی سه داده ی ابرطیفی واقعی، نشان دهنده ی کارایی مناسب روش پیشنهادی می باشد.