استخراج ویژگی نظارت شده ی غیرپارامتریک برای طبقه بندی تصاویر ابرطیفی با نمونه ی آموزشی محدود
نویسنده:
چکیده:
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.
کلیدواژگان:
زبان:
فارسی
در صفحه:
46
لینک کوتاه:
magiran.com/p1304023
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!