معرفی روشی نظارت نشده برای استخراج ویژگی از تصاویر ابرطیفی با استفاده از خوشه بندی باندها در فضای پدیده

سنجنده های ابرطیفی با اخذ تعداد زیادی از باندهای الکترومغناطیسی مجاور همواره از پتانسیل های بالایی در شناسایی عوارض و پدیده های سطح زمین برخوردار هستند. این تعداد زیاد باند اگر چه موجب می شود تا این نوع سنجنده ها توانایی بالاتری در تقریب منحنی طیفی مواد داشته باشند ولی از سوی دیگر مشکلاتی را نیز به وجود می آورند. سختی در انتقال داده، ضعف عملکرد طبقه بندی کننده های مرسوم به دلیل تعداد داده های آموزشی محدود و زمان و حجم پردازش بالا از جمله ی مهم ترین این مشکلات می باشند. از این رو روش های مختلف کاهش ویژگی برای این نوع تصاویر پیشنهاد شده است. در مقاله پیش رو یک روش استخراج ویژگی نظارت نشده مبتنی بر تکنیک خوشه بندی ارائه شده است. در روش پیشنهادی، پس از خوشه بندی تصویر و تشکیل فضای پدیده به کمک میانگین خوشه ها، باندها به کمک الگوریتم خوشه بندی K-medoids خوشه بندی می شود. و در هر خوشه از چهار نوع شاخص آماری گرایش مرکزی میانگین، میانگین هندسی، میانگین هارمونیک و میانه به منظور استخراج ویژگی استفاده می شود. نتایج نهایی پیاده سازی ها بر روی سه تصویر واقعی ابرطیفی در شرایط وجود تعداد داده های آموزشی مختلف در هر کلاس نشان می دهد که دقت کلی طبقه بندی با ویژگی های به دست آمده از روش پیشنهادی این تحقیق در بهترین حالت (72.12) می تواند تا حدود 7 درصد بیشتر از چهار روش دیگر کاهش ویژگی تبدیل مولفه اصلی (PCA) (64.39)، موجک (64.58)، روش انتخاب ویژگی بر اساس خوشه بندی باندها  بر مبنای واریانس(65.30) و استخراج ویژگی غیر پارامتریک وزن دار (NWFE) (64.12) باشد.