دوره 14، شماره 2 - ( 6-1396 )                   جلد 14 شماره 2 صفحات 43-58 | برگشت به فهرست نسخه ها



DOI: 10.18869/acadpub.jsdp.14.2.43

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Kianisarkaleh A, Ghassemian M H. Modified Nonparametric Discriminant Analysis for Classification of Hyperspectrl Images With Limited Training Samples. JSDP. 2017; 14 (2) :43-58
URL: http://jsdp.rcisp.ac.ir/article-1-344-fa.html
کیانی سرکله آزاده، قاسمیان محمد حسن. تحلیل ممیز غیرپارامتریک بهبودیافته برای دسته بندی تصاویر ابرطیفی با نمونه آموزشی محدود. پردازش علائم و داده‌ها. 1396; 14 (2) :43-58

URL: http://jsdp.rcisp.ac.ir/article-1-344-fa.html


استاد دانشگاه تربیت مدرس
چکیده:   (127 مشاهده)

استخراج ویژگی نقش مهمی در بهبود دسته­بندی تصاویر ابرطیفی دارد. روش­های استخراج ویژگی غیرپارامتریک، نسبت به روش­های پارامتریک، برای داده­های با توزیع غیر نرمال از کارایی بهتری برخوردارند و می­توانند ویژگی­های بیشتری را استخراج نمایند. روش­های استخراج ویژگی غیرپارامتریک از ماتریس­های پراکندگی غیرپارامتریک برای محاسبه ماتریس انتقال استفاده می­کنند. تحلیل ممیز غیرپارامتریک[1]، یکی از روش­های غیرپارامتریک در استخراج ویژگی است که در آن برای تشکیل ماتریس­های پراکندگی غیرپارامتریک، از میانگین­های محلی هر نمونه و تابع وزن استفاده می­شود. میانگین محلی با استفاده از k نمونه همسایه بدست می­آید و تابع وزن، بر روی نمونه­های مرزی در تشکیل ماتریس­ پراکندگی بین­دسته­ای تاکید می­کند. در این مقاله، NDA بهبود یافته[2] به منظور اصلاح NDA معرفی شده است. در MNDA، تعداد نمونه­های همسایه در محاسبه میانگین محلی با توجه به موقعیت نمونه در فضای ویژگی بدست می­آید. روش پیشنهادی از توابع وزن جدید در تشکیل ماتریس­های پراکندگی استفاده می­کند. توابع وزن پیشنهادی تاکید روی نمونه­های مرزی در تشکیل ماتریس پراکندگی بین­دسته­ای و تاکید روی نمونه­های نزدیک به میانگین دسته، در تشکیل ماتریس پراکندگی درون دسته­ای دارند. علاوه براین، به منظور اجتناب از تکین شدن ماتریس پراکندگی درون دسته­ای، از تنظیم آن استفاده شده است. نتایج آزمایش­ها روی تصاویر ایندیانا و سالیناس نشان می­دهد که MNDA کارایی بهتری را نسبت به روش­های استخراج ویژگی پارامتریک و غیرپارامتریک مورد مقایسه داشته است. بیشترین مقدار صحت متوسط دسته­بندی برای داده ایندیانا %34/80 است که با 18 نمونه آموزشی، دسته­بند ماشین بردار پشتیبان و 10 ویژگی استخراج شده از MNDA بدست آمده است. برای داده سالیناس، بیشترین مقدار صحت متوسط دسته­بندی، %31/94 است که با 18 نمونه آموزشی، دسته­بند ماشین بردار پشتیبان و 9 ویژگی استخراج شده از MNDA بدست آمده است. آزمایش­ها نشان می­دهند که با استفاده از توابع وزن پیشنهادی و ماتریس پراکندگی درون دسته­ای تنظیم­شده، روش پیشنهادی نتایج بهتری را در دسته­بندی تصاویر ابرطیفی با نمونه­های آموزشی محدود بدست آورده است.

 

[1] Nonparametric Discriminant Analysis (NDA)

[2] Modified NDA (MNDA)

متن کامل [PDF 6004 kb]   (77 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش تصویر
دریافت: ۱۳۹۳/۱۲/۲۳ | پذیرش: ۱۳۹۵/۷/۲۶ | انتشار: ۱۳۹۶/۷/۲۹ | انتشار الکترونیک: ۱۳۹۶/۷/۲۹

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
کد امنیتی را در کادر بنویسید

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها می باشد.