Signal and Data Processing

fa تحلیل ممیز غیرپارامتریک بهبودیافته برای دسته‌بندی تصاویر ابرطیفی با نمونه آموزشی محدود Modified Nonparametric Discriminant Analysis for Classification of Hyperspectral Images with Limited Training Samples مقالات پردازش تصویر Paper پژوهشي Research استخراج ویژگی نقش مهمی در بهبود دستهبندی تصاویر ابرطیفی دارد. روشهای استخراج ویژگی غیرپارامتریک، نسبت به روشهای پارامتریک، برای دادههای با توزیع غیر نرمال‌ کارایی بهتری دارند و میتوانند ویژگیهای بیشتری را استخراج کنند. روشهای استخراج ویژگی غیرپارامتریک از ماتریسهای پراکندگی غیرپارامتریک برای محاسبه ماتریس انتقال استفاده میکنند. تحلیل ممیز غیرپارامتریک<a href="file://tsclient/E/Nashrieh_No_32/3-kiani/3.kiani-Edited.1396-07-10.docx#_ftn1" name="_ftnref1" title="">[1]</a>، 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 به‌دست میآید و تابع وزن، بر روی نمونههای مرزی در تشکیل ماتریس پراکندگی بیندستهای تأکید میکند. در این مقاله، NDA بهبود‌یافته<a href="file://tsclient/E/Nashrieh_No_32/3-kiani/3.kiani-Edited.1396-07-10.docx#_ftn2" name="_ftnref2" title="">[2]</a> به‌منظور اصلاح NDA معرفی شده است. در MNDA، تعداد نمونههای همسایه در محاسبه میانگین محلی با توجه به موقعیت نمونه در فضای ویژگی به‌دست میآید. روش پیشنهادی از توابع وزن جدید در تشکیل ماتریسهای پراکندگی استفاده میکند. توابع وزن پیشنهادی تأکید روی نمونههای مرزی در تشکیل ماتریس پراکندگی بیندستهای و تأکید روی نمونههای نزدیک به میانگین دسته، در تشکیل ماتریس پراکندگی درون دستهای دارند. علاوه براین، به‌منظور اجتناب از تکین‌شدن ماتریس پراکندگی درون‌دستهای، از تنظیم آن استفاده شده است. نتایج آزمایشها روی تصاویر ایندیانا و سالیناس نشان میدهد که MNDA کاریی بهتری 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 به‌دست 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 استخراج‌شده از MNDA به‌دست آمده است. آزمایشها نشان می‌دهند که با استفاده از توابع وزن پیشنهادی و ماتریس پراکندگی درون‌دستهای تنظیمشده، روش پیشنهادی نتایج بهتری را در دسته‌بندی تصاویر ابرطیفی با نمونه‌های آموزشی محدود به‌دست آورده است. <div>  <hr align="left" size="1" width="33%" > <div id="ftn1"><a href="file://tsclient/E/Nashrieh_No_32/3-kiani/3.kiani-Edited.1396-07-10.docx#_ftnref1" name="_ftn1" title="">[1]</a> Nonparametric Discriminant Analysis (NDA)</div> <div id="ftn2"><a href="file://tsclient/E/Nashrieh_No_32/3-kiani/3.kiani-Edited.1396-07-10.docx#_ftnref2" name="_ftn2" title="">[2]</a> Modified NDA (MNDA)</div> </div> <div id="ftn1"></div> Feature extraction performs an important role in improving hyperspectral image classification. Compared with parametric methods, nonparametric feature extraction methods have better performance when classes have no normal distribution. Besides, these methods can extract more features than what parametric feature extraction methods do. Nonparametric feature extraction methods use nonparametric scatter matrices to compute transformation matrix. Nonparametric Discriminant Analysis (NDA) is one of the nonparametric feature extraction methods in which, to form nonparametric scatter matrices, local means of samples and weight function are used. Local mean is calculated by k nearest neighbors of each sample and weight function emphasizes on boundary samples in between class scatter matrix formation. In this paper, modified NDA (MNDA) is proposed to improve NDA. In MNDA, the number of neighboring samples, when measuring local mean, are determined considering position of each sample in feature space. MNDA uses new weight functions in scatter matrix formation. Suggested weight functions emphasizes on boundary samples in between class scatter matrix formation and focus on samples close to class mean in within class scatter matrix formation. Moreover, within class scatter matrix is regularized to avoid singularity. Experimental results on Indian Pines and Salinas images show that MNDA has better performance compared to other parametric, nonparametric feature extraction methods. For Indian Pines data set, the maximum average classification accuracy is 80.34%, which is obtained by 18 training samples, support vector machine (SVM) classifier and 10 extracted features achieved by MNDA method. For Salinas data set, the maximum average classification accuracy is 94.31%, which is obtained by 18 training samples, SVM classifier and 9 extracted features achieved by MNDA method. Experiments show that using suggested weight functions and regularized within class scatter matrix, the proposed method obtained better results in hyperspectral image classification with limited training samples.   تصاویر ابرطیفی, استخراج ویژگی, دسته‌بندی نظارت‌شده, پدیده هیوز, نمونه‌های آموزشی محدود Hyperspectral images, Feature extraction, Supervised classification, Hughes Phenomenon, Limited training samples 43 58 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-720-1&slc_lang=fa&sid=1 Azadeh Kianisarkaleh آزاده کیانی سرکله azade.kiyani@gmail.com 10031947532846005455 10031947532846005455 No Science and Research Branch, Islamic Azad University دانشگاه آزاد اسلامی، واحد علوم و تحقیقات Mohammad Hassan Ghassemian محمد حسن قاسمیان ghassemi@modares.ac.ir 10031947532846005456 10031947532846005456 Yes Tarbiat Modares University دانشگاه تربیت مدرس