دوره 13، شماره 3 - ( 9-1395 )                   جلد 13 شماره 3 صفحات 3-16 | برگشت به فهرست نسخه ها


XML English Abstract Print


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

Ghassemian H, Hosseini S A. Hyper-Spectral Data Feature Extraction Using Rational Function Curve Fitting. JSDP. 2016; 13 (3) :3-16
URL: http://jsdp.rcisp.ac.ir/article-1-346-fa.html
قاسمیان حسن، حسینی سید ابوالفضل. استخراج ویژگی در تصاویر ابرطیفی به کمک برازش منحنی با توابع گویا. پردازش علائم و داده‌ها. 1395; 13 (3) :3-16

URL: http://jsdp.rcisp.ac.ir/article-1-346-fa.html


استاد دانشگاه تربیت مدرس
چکیده:   (1473 مشاهده)

در این مقاله روشی برای کاهش ویژگی در تصاویر ابرطیفی به منظور طبقه‌بندی این داده‌ها معرفی شده است که بر مبنای استخراج ویژگی‌های جدید با ابعادی بسیار کمتر از ابعاد ویژگی‌های نخستین عمل می‌کند. برای هر پیکسل از یک تصویر ابرطیفی، یک تابع تقریب کسریِ گویایِ مجزا از طریق برازش بر منحنی پاسخ طیفی آن پیکسل تولید می‌شود. ضرایب چند‌جمله‌ای‌های صورت و مخرج این تابع به‌عنوان ویژگی‌های جدید انتخاب می‌شوند. روش پیشنهادی بر ماهیت هندسی منحنی‌های پاسخ طیفی تأکید و تمرکز دارد و بر این واقعیت تکیه می‌کند که ترتیب توالی نقاط در این منحنیها حاوی اطلاعات مفیدی است که با غالب روش‌های استخراج ویژگی موجود، مورد توجه قرار نگرفته است. نتایج طبقه‌بندی با طبقه‌بند، بیشینه احتمال حکایت از برتری صحت نتایج طبقه‌بندی به‌وسیلۀ ویژگی‌های معرفی شده در مقایسه با روش‌هایِ متعددِ موردِ بررسی دارد. به‌علاوه روش پیشنهادی، قابلیت اعمال به تمام پیکسلهای تصویر را به‌صورت همزمان دارد.

متن کامل [PDF 3600 kb]   (543 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش تصویر
دریافت: ۱۳۹۳/۱۲/۲۶ | پذیرش: ۱۳۹۴/۳/۲۴ | انتشار: ۱۳۹۶/۲/۳ | انتشار الکترونیک: ۱۳۹۶/۲/۳

فهرست منابع
1. [1]. D. Landgrebe, Hyperspectral image data analysis as a high dimensional signal processing problem, IEEE Signal Process. Mag. 19 (2002) 17–28. https://doi.org/10.1109/79.974718 [DOI:10.1109/79.985674]
2. [2]. B. M. Shahshahani and D. A. Landgrebe, The e®ect of unlabeled samples in reducing the small sample size problem and mitigating the Hughes phenomenon, IEEE Trans. Geosci. Remote Sens. 32 (1994) 1087–1095. [DOI:10.1109/36.312897]
3. [3]. M. Marconcini, G. Camps-Valls, and L. Bruzzone, A composite semi supervised SVM for classification of hyperspectral images, IEEE Geosci. Remote Sens. Lett. 6 (2009) 234–238. [DOI:10.1109/LGRS.2008.2009324]
4. [4]. H. Ghassemian and D. A. Landgrebe, Object-oriented feature extraction method for image data compaction, IEEE Control Syst. Mag. 8 (1988) 42–48. [DOI:10.1109/37.476]
5. [5]. G. Camps-Valls, N. Shervashidze and K. M. Borgwardt, Spatio-spectral remote sensing image classification with graph kernels, IEEE Geosci. Remote Sens. Lett. 7 (2010), 741–745. [DOI:10.1109/LGRS.2010.2046618]
6. [6]. F. Melgani and L. Bruzzone, Classification of hyperspectral remote sensing images with support vector machines, IEEE Trans. Geosci. Remote Sens. 42 (2004) 1778–1790. [DOI:10.1109/TGRS.2004.831865]
7. [7]. B.-C. Kuo and D. A. Landgrebe, Nonparametric weighted feature extraction for classification, IEEE Trans. Geosci. Remote Sens. 42 (2004) 1096–1105. [DOI:10.1109/TGRS.2004.825578]
8. [8]. R. Pu and P. Gong, Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping, Remote Sens. Environ. 91 (2004) 212–224. [DOI:10.1016/j.rse.2004.03.006]
9. [9]. J. R. Harris, D. Rogge, R. Hitchcock, O. Ijewliw and D. Wright, Mapping lithology in Canada's Arctic: Application of hyperspectral data using the minimum noise fraction transformation and matched filtering, Can. J. Earth Sci. 42 (2005) 2173–2193. [DOI:10.1139/e05-064]
10. [10]. W. Jing and I. C. Chein, Independent component analysis-based dimensionality reduction with applications in hyperspectral image analysis, IEEE Trans. Geosci. Remote Sens. 44 (2006) 1586–1600. [DOI:10.1109/TGRS.2005.863297]
11. [11]. I. Dopido, M. Zortea, A. Villa, A. Plaza and P. Gamba, Unmixing prior to supervised classification of remotely sensed hyperspectral images, IEEE Geosci. Remote Sens. Lett. 8 (2011) 760–764. [DOI:10.1109/LGRS.2011.2109367]
12. [12]. X. He, D. Cai and J. Han, Learning a maximum margin subspace for image retrieval, IEEE Trans. Knowl. Data Eng. 20 (2008) 189–201. [DOI:10.1109/TKDE.2007.190692]
13. [13]. S. Theodoridis and K. Koutroumbas, Feature selection, in Pattern Recognition, 4th edn. (Academic Press, 2009). [DOI:10.1016/B978-1-59749-272-0.50007-4]
14. [14]. L. Journaux, X. Tizon, I. Foucherot and P. Gouton, Dimensionality reduction techniques: An operational comparison on multispectral satellite images using unsupervised clustering, in Proc. 7th Nordic Signal Processing Symp. 2006, NORSIG 2006, Rejkjavik. pp. 242–245. [DOI:10.1109/NORSIG.2006.275233]
15. [15]. M. Fauvel, J. Chanussot and J. A. Benediktsson, Kernel principal component analysis for the classification of hyperspectral remote sensing data over urban areas, EURASIP J. Adv. Signal Process. 2009 (2009) 783194. [DOI:10.1155/2009/783194]
16. [16]. K. Fukunaga, Introduction to Statistical Pattern Recognition (Academic Press, 1990).
17. [17].D. A. Landgrebe, Signal Theory Methods in Multispectral Remote Sensing 29, Vol. 29 (John Wiley & Sons, 2003). [DOI:10.1002/0471723800]
18. [18]. S. Mika, G. Ratsch, J. Weston, B. Scholkopf and K. Muller, Fisher discriminant analysis with kernels, in Proc. 1999 IEEE Signal Processing Society Workshop: Neural Networks for Signal Processing IX, 1999, Madison, WI, August 1999, pp. 41–48. [DOI:10.1109/NNSP.1999.788121]
19. [19]. G. Baudat and F. Anouar, Generalized discriminant analysis using a kernel approach, Neural Comput. 12 (2000) 2385–2404. [DOI:10.1162/089976600300014980]
20. [20]. X. Jia, B.-C. Kuo and M. M. Crawford, Feature mining for hyperspectral image classification, Proc. IEEE 101 (2013) 676–697. [DOI:10.1109/JPROC.2012.2229082]
21. [21]. S. A. Hosseini and H. Ghassemian, Classific-ation of hyperspectral and multispectral images by using fractal dimension of spectral response curve, in 2012 20th Iranian Conf. Electrical Engineering (ICEE) (2012), pp. 1452–1457.
22. [22]. S. A. Hosseini and H. Ghassemian, A new hyperspectral image classification approach using fractal dimension of spectral response curve, in 2013 21st Iranian Conf. Electrical Engineering (ICEE) (2013), pp. 1–6.
23. [23]. M. Pal and P. M. Mather, An assessment of the effectiveness of decision tree methods for land cover classification, Remote Sens. Environ. 86 (2003) 554–565. [DOI:10.1016/S0034-4257(03)00132-9]
24. [24]. S. A. Hosseini and H. Ghassemian, A new approach to hyperspectral data compression using rational function approximation for spectral response curve fitting, in 2014 7th Int. Symp. Telecommunications (IST 2014), Tehran, Iran, pp. 844–848. [DOI:10.1109/ISTEL.2014.7000821] [PMID] [PMCID]
25. [25]. G. Baker and P. Graves-Morris, Pade Approx-imants Encyclopedia of Mathematics and its Applications, Vol. 59, (Cambridge University Press, Cambridge, 1996). [PMCID]
26. [29]. Universidad-del-Pais-Vasco, Hyperspectral remote sensing scenes (2014), http://www. ehu.es/ccwintco/index.php?title=Hyperspectral Remote Sensing Scenes.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

ارسال پیام به نویسنده مسئول


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