كاربرد تابع تشخيص نرمال چوله براي كاهش خطا در كلاس بندي تصاوير ماهواره اي

تحليل مميزي، يكي از تكنيك هاي چند متغيري است كه ايده اصلي آن، انتساب يك يا چند مشاهده جديد به يكي از جوامع متمايز، بر اساس مشاهدات نمونه است. بيشتر اوقات هنگام به كار بردن تابع مميزي، توزيع جامعه هاي مورد بررسي، نرمال فرض مي شود به همين خاطر از توابع مميزي مشهور LDF (تابع مميزي خطي نرمال و QDF (تابع مميزي درجه دوم نرمال) استفاده مي شود. حالات واقعي زيادي وجود دارد كه داده ها از توزيع چند متغيري پيروي مي كنند كه بعضي از مولفه هاي آن نرمال و بعضي ديگر غير نرمال (نزديك به نرمال) مي باشند. به طور مثال در كلاس بندي تصاوير ماهواره اي در سنجش از راه دور، تصاوير داراي پوشش هاي مختلفي مي باشند كه بعضي از آنها داراي توزيع نرمال و بقيه نزديك به نرمال هستند. تابع مميزي خطي نرمال و تابع مميزي درجه دوم نرمال، دو تابع مميزي رايج براي كلاس بندي تصاوير ماهواره اي هستند كه در اكثر نرم افزارهاي سنجش از راه دور مانند ERDAS و ENVI ، از اين دو تابع، براي انجام عمليات مميزي استفاده مي شود. در اين مقاله به بررسي تابع مميزي براي جوامع داراي توزيع نرمال و غير نرمال (نرمال چوله) پرداخته شده است و خطاي كلاس بندي آن با توابع مميزي LDF و MDF مقايسه شده است و با توجه به اينكه تفاوت خطاي كلاس بندي بين روشهاي مميزي معني دار است، توصيه ميگردد به خاطر حصول تصاوير با كيفيت برتر و خطاي كلاس بندي كمتر، در نرم افزارهاي سنجش از راه دور به جاي استفاده از توابع مميزي LDF و QDF از تابع مميزي نرمال چوله استفاده گردد.