fa جاسازی خط ویژگی وزن‌دار برای استخراج ویژگی تصاویر ابرطیفی مخابرات Communication پژوهشي Research <p><strong><span dir="RTL">یکی از مراحل مهم قبل از طبقه‌بندی تصاویر ابرطیفی، کاهش ویژگی با استفاده از روش‌های استخراج ویژگی است. در این مقاله یک روش استخراج نظارت شده پیشنهاد شده که دارای کارایی خوبی با استفاده از تعداد نمونه‌های آموزشی محدود است. روش استخراج ویژگی پیشنهادی که جاسازی خط ویژگی وزن‌دار </span>(WFLE)<span dir="RTL"> نامیده شده، از مفاهیم&nbsp; خط ویژگی برای تولید نمونه‌های آموزشی مجازی استفاده می‌کند. نمونه‌های آموزشی مجازی تولید شده برای محاسبه ماتریس‌های پراکندگی درون دسته‌ای و بین دسته‌ای به شکل وزن‌دار استفاده می‌شوند. نحوه وزن‌دهی بر مبنای ماهیت نمونه‌های آموزشی است. آن دسته از نمونه‌های آموزشی که سبب ایجاد خطا در طبقه‌بندی داده می‌شوند، نمونه‌های آموزشی نامطلوب محسوب شده و بنابراین در طی فرآیند استخراج ویژگی اصلاح بیشتری بر روی آ‌ن‌ها انجام می‌شود. در مقابل، بر روی نمونه‌های آموزشی مطلوب، ‌ اصلاح کمتری صورت می‌پذیرد. روش پیشنهادی </span>WFLE<span dir="RTL">&nbsp; با تعدادی از روش‌های استخراج ویژگی مهم و پرکاربرد از قبیل </span>LDA<span dir="RTL">، </span>GDA<span dir="RTL">، </span>NWFE<span dir="RTL">، </span>LPP<span dir="RTL">،</span> NPE <span dir="RTL">و </span>NFLE<span dir="RTL"> مقایسه شده است. ما برای انجام آزمایش‌های خود از سه مجموعه داده ابرطیفی واقعی استفاده کرده‌ایم. نتایج آزمایش‌ها، برتری روش‌پیشنهادی را نسبت به سایر روش‌ها در تعداد نمونه‌های آموزشی محدود نشان می‌دهند.</span></strong></p> <p>One of the most preprocessing steps before the classification of hyperspectral images is supervised feature extraction. Because obtaining the training samples is hard and time consuming, the number of available training samples is limited. We propose a supervised feature extraction method in this paper that is efficient in small sample size situation. The proposed method, which is called weighted feature line embedding (WFLE), uses the feature line concepts for production of virtual training samples and then, uses them for estimation of within-class and between-class scatter matrices. The new idea of WFLE is based on more correction on the non-appropriate and abnormal samples through weighting process in estimation of scatter matrices. The WFLE is compared with some popular and state-of-the-art feature extraction methods such as LDA, GDA, NWFE, NPE, LPP and NFLE. The experimental results show the good performance of WFLE in comparison with other methods in small sample size situation.</p> خط ویژگی, استخراج ویژگی, تصویر ابرطیفی, طبقه‌بندی feature line, feature extraction, hyperspectral image, classification. 115 132 http://jiaeee.com/browse.php?a_code=A-10-1-35&slc_lang=fa&sid=1 Maryam Imani مریم ایمانی 10031947532846001311 10031947532846001311 Yes Hassan Ghassemian حسن قاسمیان 10031947532846001312 10031947532846001312 No