بهبود روش استخراج ویژگی غیرپارامتریک وزن دار با استفاده از ترکیب خطی نمونه های آموزشی در تصاویر ابرطیفی | ||
| نشریه سنجش از دور و GIS ایران | ||
| مقاله 2، دوره 1، شماره 2، شهریور 1388، صفحه 17-30 اصل مقاله (1.26 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| محسن قمری اصل* 1؛ محمدجواد ولدان زوج1؛ برات مجردی2 | ||
| 1دانشگاه خواجه نصیرالدین طوسی | ||
| 2دانشگاه شهید رجایی | ||
| چکیده | ||
| در این تحقیق، روشی برای بهبود استخراخ ویژگی غیرپارامتریک زون دار ارائه شده است، که در مسائل تشخیص الگو در فضاهای با ابعاد بالا استفاده می گردد. روش استخراج غیرپارامتریک زون دار بر اساس بسط غیرپارامتریک ماتریس های پراکندگی قرار گرفته است، که پارمترهای مانگین آن ها به طور جداگانه برای هر نمونه و با استفاده از مجموع وزن دار نمونه های سایر کلاس ها محاسبه می شود. وزن هر یک از این نمونه ها بر اساس فاصله اقلیدسی آن ها از نمونه اصلی (نمونه تحت بررسی) محاسبه می گردد. اما تنها با استفاده از پارامتر فاصله نمی توان پراکندگی نمونه ها را به طور کامل بیان کرد، و محل قرار گیری آن ها نیز در بیان پراکندگی نمونه ها موثر است. بدین معنی که ممکن است دو نمونه که فواصل یکسانی از نمونه صلی (نمونه تحت بررسی) دارند، وابستگی شان به آن نمونه یکسان نباشد. به عنوان ممکن است که یکی از آن ها کامله به نمونه اصلی وابسته باشد و دیگری کاملا مستقل از آن باشد. از سوی دیگر، این وابستگی ها با ترکیب خطی آن ها مرتبط است. چرا که در حالت ایده آل انتظار می رود نمونه های یک کلاس، کاملا ترکیبی خطی از یکدیگر باشند و نمونه های کلاس های متفاوت کاملا مستقل از هم باشند. از این رو، ترکیب خطی بین نمونه ها در تعیین پراکندگی ها موثر خواهد بود. در پژوهش حاضر، با استفاده از پارامتر مهم ترکیب خطی، نتیجه روش استخراخ ویژگی غیرپارامتریک وزن دار بهبود یافته است. نتایج نشان می دهند که روش ارائه شده در اکثر کلاس ها و به یوژه در کلاس های بحرانی که تشابه طیفی بالایی نسبت به هم دارند، بهتر از روش استخراج ویژگی غیرپارامتریک وزن دار عمل کرده است. بهترین نتیجه به دست آمده دارای دقت کلی بیش از 82 درصد یا ضریب کاپایی بهتراز 80 درصد بوده است. | ||
| کلیدواژهها | ||
| کلیدواژ: استخراج ویژگی غیرپارامتریک وزن دار (NWFE)؛ ترکیب خطی؛ کاهش ابعاد؛ طبقه بندی | ||
| عنوان مقاله [English] | ||
| Improving the Nonparametric Weighted Feature Extraction Method by Using Training Sample's Linear Combination in Hyperspectral Images | ||
| چکیده [English] | ||
| In order to enhance the available methods of feature extraction through non-parametric weighting procedure, an optimization method is introduced in this work. This method can be applied to the problems involving pattern recognition in high dimensional spaces. The method is based on the expansion of non-parametric scattering matrices where their average parameters are calculated for each sample separately using sum of the weighted samples of the other classes. The weight of each of the samples is calculated based on their Euclidean distance from the sample under the study. However, it is not possible to only express the scatteredness of the samples by this parameter alone haply the locations of these samples are important too. That is, it is possible sometimes to have two samples having equal Euclidean distance from the main sample while their degrees of dependences to this main sample are not the same. For instance, it is possible that one of these samples be completely dependent while the other is totally independent of the main sample. On the other hand, the degree of dependence is linearly related to the main sample and hence the linear combination of samples is important in determination of the scattering degree. Using these important parameters, the results of non-parametric weighted feature extraction shows some improvement. In the present work, using this important factor (Linear Combination), the method of non-parametric weighted feature extraction is enhanced and named Linear Combination Non-parametric Weighted Feature Extraction (LC-NWFE). The results show that the suggested method in most of the classes especially in the critical classes where their spectral similarities are high, works much better than NWFE method. The best result achieved was better than 82% for overall accuracy with a kappa accuracy of better than 80%. | ||
| کلیدواژهها [English] | ||
| Non-parametric Weighted Feature Extraction, Linear combination, Discriminant analysis, Dimension reduction | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3,343 تعداد دریافت فایل اصل مقاله: 1,912 |
||