جاسازي خط ويژگي وزن‌دار براي استخراج ويژگي تصاوير ابرطيفي

Weighted Feature Line Embedding for Feature Extraction of Hyperspectral Images

يكي از مراحل مهم قبل از طبقه‌بندي تصاوير ابرطيفي، كاهش ويژگي با استفاده از روش‌هاي استخراج ويژگي است. در اين مقاله يك روش استخراج نظارت شده پيشنهاد شده كه داراي كارايي خوبي با استفاده از تعداد نمونه‌هاي آموزشي محدود است. روش استخراج ويژگي پيشنهادي كه جاسازي خط ويژگي وزن‌دار (WFLE) ناميده شده، از مفاهيم خط ويژگي براي توليد نمونه‌هاي آموزشي مجازي استفاده مي‌كند. نمونه‌هاي آموزشي مجازي توليد شده براي محاسبه ماتريس‌هاي پراكندگي درون دسته‌اي و بين دسته‌اي به شكل وزن‌دار استفاده مي‌شوند. نحوه وزن‌دهي بر مبناي ماهيت نمونه‌هاي آموزشي است. آن دسته از نمونه‌هاي آموزشي كه سبب ايجاد خطا در طبقه‌بندي داده مي‌شوند، نمونه‌هاي آموزشي نامطلوب محسوب شده و بنابراين در طي فرآيند استخراج ويژگي اصلاح بيشتري بر روي آ‌ن‌ها انجام مي‌شود. در مقابل، بر روي نمونه‌هاي آموزشي مطلوب، ‌ اصلاح كمتري صورت مي‌پذيرد. روش پيشنهادي WFLE با تعدادي از روش‌هاي استخراج ويژگي مهم و پركاربرد از قبيل LDA، GDA، NWFE، LPP، NPE و NFLE مقايسه شده است. ما براي انجام آزمايش‌هاي خود از سه مجموعه داده ابرطيفي واقعي استفاده كرده‌ايم. نتايج آزمايش‌ها، برتري روش‌پيشنهادي را نسبت به ساير روش‌ها در تعداد نمونه‌هاي آموزشي محدود نشان مي‌دهند.

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.