نشریه مهندسی برق و الکترونیک ایران الکترونیک ایران

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 (WFLE) نامیده شده، از مفاهیم  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 WFLE  با تعدادی از روش‌های استخراج ویژگی مهم و پرکاربرد از قبیل LDA، GDA، NWFE، LPP، NPE و NFLE 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.