|
|
مهندسی برق و الکترونیک ایران، جلد ۱۳، شماره ۲، صفحات ۱۱۵-۱۳۲
|
|
|
| عنوان فارسی |
جاسازی خط ویژگی وزن‌دار برای استخراج ویژگی تصاویر ابرطیفی |
|
| چکیده فارسی مقاله |
یکی از مراحل مهم قبل از طبقه‌بندی تصاویر ابرطیفی، کاهش ویژگی با استفاده از روش‌های استخراج ویژگی است. در این مقاله یک روش استخراج نظارت شده پیشنهاد شده که دارای کارایی خوبی با استفاده از تعداد نمونه‌های آموزشی محدود است. روش استخراج ویژگی پیشنهادی که جاسازی خط ویژگی وزن‌دار (WFLE) نامیده شده، از مفاهیم خط ویژگی برای تولید نمونه‌های آموزشی مجازی استفاده می‌کند. نمونه‌های آموزشی مجازی تولید شده برای محاسبه ماتریس‌های پراکندگی درون دسته‌ای و بین دسته‌ای به شکل وزن‌دار استفاده می‌شوند. نحوه وزن‌دهی بر مبنای ماهیت نمونه‌های آموزشی است. آن دسته از نمونه‌های آموزشی که سبب ایجاد خطا در طبقه‌بندی داده می‌شوند، نمونه‌های آموزشی نامطلوب محسوب شده و بنابراین در طی فرآیند استخراج ویژگی اصلاح بیشتری بر روی آ‌ن‌ها انجام می‌شود. در مقابل، بر روی نمونه‌های آموزشی مطلوب، اصلاح کمتری صورت می‌پذیرد. روش پیشنهادی WFLE با تعدادی از روش‌های استخراج ویژگی مهم و پرکاربرد از قبیل LDA، GDA، NWFE، LPP، NPE و NFLE مقایسه شده است. ما برای انجام آزمایش‌های خود از سه مجموعه داده ابرطیفی واقعی استفاده کرده‌ایم. نتایج آزمایش‌ها، برتری روش‌پیشنهادی را نسبت به سایر روش‌ها در تعداد نمونه‌های آموزشی محدود نشان می‌دهند. |
|
| کلیدواژه‌های فارسی مقاله |
خط ویژگی، استخراج ویژگی، تصویر ابرطیفی، طبقه‌بندی |
|
| عنوان انگلیسی |
Weighted Feature Line Embedding for Feature Extraction of Hyperspectral Images |
|
| چکیده انگلیسی مقاله |
One of the most preprocessing steps before the classification of hyperspectral images is supervised feature extraction. Because obtaining the training samples is hard and time consuming, the number of available training samples is limited. We propose a supervised feature extraction method in this paper that is efficient in small sample size situation. The proposed method, which is called weighted feature line embedding (WFLE), uses the feature line concepts for production of virtual training samples and then, uses them for estimation of within-class and between-class scatter matrices. The new idea of WFLE is based on more correction on the non-appropriate and abnormal samples through weighting process in estimation of scatter matrices. The WFLE is compared with some popular and state-of-the-art feature extraction methods such as LDA, GDA, NWFE, NPE, LPP and NFLE. The experimental results show the good performance of WFLE in comparison with other methods in small sample size situation. |
|
| کلیدواژه‌های انگلیسی مقاله |
|
|
| نویسندگان مقاله |
مریم ایمانی | maryam imani
حسن قاسمیان | hassan ghassemian
|
|
| نشانی اینترنتی |
http://jiaeee.com/browse.php?a_code=A-10-1-35&slc_lang=fa&sid=fa |
| فایل مقاله |
اشکال در دسترسی به فایل - ./files/site1/rds_journals/2008/article-2008-348351.pdf |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
مخابرات |
| نوع مقاله منتشر شده |
پژوهشی |
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|