TY - JOUR JF - jsdp JO - JSDP VL - 14 IS - 1 PY - 2017 Y1 - 2017/6/01 TI - Feature reduction of hyperspectral data for increasing of class separability and preserving of data structure TT - کاهش ابعاد داده‌های ابرطیفی به منظور افزایش جدایی‌پذیری کلاس‌ها و حفظ ساختار داده N2 - امروزه تصویربرداری ابرطیفی به‌منظور طبقه‌بندی داده‌های سطح زمین با دقت و جزئیات بالا بسیار مورد توجه است. به‌دلیل کمبود نمونه آموزشی در دسترس، کاهش ابعاد دادۀ ابرطیفی به‌عنوان یک گام مهم پیش‌پردازش در تحلیل و طبقه‌بندی تصاویر ابرطیفی به شمار می‌رود. در این مقاله یک روش استخراج ویژگی پیشنهاد شده که سعی می‌کند، علاوه‌بر افزایش جدایی‌پذیری طبقه‌ها، ساختار داده را نیز حفظ کند. برای این منظور، دو تابع هدف پیشنهاد شده است. تابع هدف نخست از نمونه‌های آموزشی برچسب‌دار بهره می‌برد و سعی می‌کند نمونه‌های هم‌طبقه را در فضای کاهش‌یافته تا جای ممکن به هم نزدیک کند. تابع هدف دوم از نمونه‌های بدون برچسب خوشه‌بندی‌شده‌ بهره برده و سعی می‌کند نمونه‌های متعلق به یک خوشه را در فضای کاهش‌یافته، تا جای ممکن به هم نزدیک گرداند. روش پیشنهادی بر روی سه دادۀ ابرطیفی واقعی مورد آزمایش قرار گرفته و برتری آن از نظر دقت طبقه‌بندی نسبت به تعدادی از روش‌های پرکاربرد استخراج ویژگی نشان داده شده است. SP - 71 EP - 82 AU - Imani, Maryam AU - Ghassemian, Hassan AD - Tarbiat Modares University KW - high dimension KW - small training set KW - hyperspectral KW - classification KW - feature reduction. UR - http://jsdp.rcisp.ac.ir/article-1-342-fa.html DO - 10.18869/acadpub.jsdp.14.1.71 ER -