استخراج ويژگي نظارت شده‌ي غيرپارامتريك براي طبقه‌بندي تصاوير ابرطيفي با نمونه‌ي آموزشي محدود

Nonparametric Supervised Feature Extraction for Classification of Hyperspectral Images Using Limited Training Samples

استخراج ويژگي در تحليل و طبقه‌بندي تصاوير ابرطيفي، اهميت ويژه‌اي دارد، چراكه علاوه بر بهبود طبقه‌بندي، سبب كاهش پيچيدگي محاسباتي خواهد شد. روش‌هاي استخراج ويژگي نظارت شده‌اي مثل تحليل تمييز خطي (LDA) به دليل مشكل منفرد بودن ماتريس پراكندگي درون كلاسي، داراي كارايي خوبي در نمونه‌هاي آموزشي محدود نيستند. به علاوه تعداد ويژگي‌هاي استخراج شده توسط آن‌ها حداكثر برابر تعداد كلاس‌ها منهاي يك است. استخراج ويژگي وزن‌دار غير پارامتريك (NWFE) اين مشكلات را حل كرده، ولي به شدت داراي پيچيدگي محاسباتي بالايي است. در اين مقاله، يك روش استخراج ويژگي نظارت شده غيرپارامتريك پيشنهاد شده است كه علاوه بر حل مشكلات ذكر شده در روش‌هاي استخراج ويژگي LDA و NWFE، داراي كارايي بهتري نسبت به آن‌ها در طبقه‌بندي تصاوير ابرطيفي مي‌باشد. روش استخراج ويژگي پيشنهادي با سه روش استخراج ويژگي نظارت شده‌ي معمول مقايسه شده و نتايج آزمايش‌ها بر روي سه داده‌ي ابرطيفي واقعي، نشان‌دهنده‌ي كارايي مناسب روش پيشنهادي مي‌باشد.

Feature extraction plays an important role in classification of hyperspectral images. Feature extraction improves the classification accuracy. Moreover, it decreases the computational cost. Because of singularity of within-class scatter matrix in small sample size situation, linear discriminant analysis (LDA) cannot work well in small training sample size situation. Also, LDA can be extract at most c-1 (number of classes minus one) features which is not always sufficient for representing the original data. Nonparametric weighted feature extraction (NWFE) solves theses problems of LDA but has enormous computation time. In this paper, we propose a nonparametric feature extraction method that not only has not the problems of LDA, but also is simple and has much less computation time than NWFE. The proposed method has generally better efficiency than some supervised feature extraction methods. The experimental results obtained on three popular real hyperspectral data sets show the feasibility and improvement of proposed method respect to some conventional supervised methods in small sample size situation.