طبقه بندی تصاویر ابرطیفی مبتنی بر تلفیق ویژگی های مستخرج از روش های کدگذاری تنک، تبدیلات خطی و غیرخطی

طبقه بندی یکی از مهم ترین روش های استخراج اطلاعات از تصاویر ابرطیفی است. در این مقاله، راهکاری نوین با هدف تولید ویژگی بمنظور طبقه بندی این تصاویر پیشنهاد شده است. این راهکار تلفیقی از تبدیلات خطی، غیرخطی و نمایش تنک بمنظور تولید ویژگی های موثر در فرایند طبقه بندی تصاویر ابرطیفی است. در روند پیشنهادی، ابتدا با رویکردی جدید و نظارت شده از تبدیل غیرخطی تحلیل مولفه های اصلی (NLPCA) بمنظور انتقال داده های طیفی به فضایی با ابعاد بیشتر استفاده شده است. در مرحله دوم، بکمک تبدیل تحلیل تفکیک پذیری خطی(LDA) فرامکعب حاصل از مرحله قبل به فضایی با بعد کمتر انتقال می یابد. در ادامه با هدف هم مقیاس کردن ویژگی های تولیدی و بهره گیری از پتانسیل تمامی داده های آموزشی، داده ها از طریق روش های تخمین تنک سیگنال به فضای ویژگی جدیدی با بعدی متناظر با تعداد کلاس های طبقه بندی منتقل می شوند. در این تحقیق از طبقه بندی کننده ی k نزدیکترین همسایه ی وزندار برای طبقه بندی فضای ویژگی استفاده شده است. این راهکار در دو داده ی ابرطیفی پیاده سازی شده و به طور متوسط بهبود دقت 6 درصدی را نسبت به باندهای طیفی و سایر زیر مجموعه های تلفیق ویژگی از روش پیشنهادی نشان داده است. کسب دقت کلی تا 99 درصد و همچنین تفکیک پذیری بیشتر کلاس های با داد ه های آموزشی اندک از ویژگی های این روش محسوب می شود.