fa استخراج ویژگی در تصاویر ابرطیفی به کمک برازش منحنی با توابع گویا مقالات پردازش تصویر Paper پژوهشي Research <p style="text-align: justify;"><strong><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">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.</span></span></span></strong></p> <p style="text-align: justify;"></p> <p style="text-align: justify;">In this paper, with due respect to the original data and based on the extraction of new features by smaller dimensions, a new feature reduction technique is proposed for Hyper-Spectral data classification. For each pixel of a Hyper-Spectral image, a specific rational function approximation is developed to fit its own spectral response curve (SRC) and the coefficients of the numerator and denominator polynomials of this function are considered as new extracted features. The method focuses on geometrical nature of SRCs and relies on the fact that the sequence discipline - ordinance of reflectance coefficients in spectral response curve - contains some information which has not been addressed by many other existing methods based on the statistical analysis of data.&nbsp; Maximum likelihood classification results demonstrate that our method provides better classification accuracies in comparison with many competing feature extraction algorithms. In addition, the proposed algorithm has the possibility &nbsp;of being &nbsp;applied to all pixels of image individually and simultaneously as well.&nbsp;</p> استخراج ویژگی, تصاویر ابرطیفی, برازش منحنی, تقریبPadé , طبقه‌بندی 3 16 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-721-1&slc_lang=fa&sid=1 Hassan Ghassemian حسن قاسمیان ghassemi@modares.ac.ir 10031947532846004837 10031947532846004837 Yes Tarbiat Modares University دانشگاه تربیت مدرس Seyed Abolfazl Hosseini سید ابوالفضل حسینی universizen@yahoo.com 10031947532846004838 10031947532846004838 No Tarbiat Modares University دانشگاه تربیت مدرس