این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۴، شماره ۱، صفحات ۷۱-۸۲
عنوان فارسی کاهش ابعاد داده‌های ابرطیفی به منظور افزایش جدایی‌پذیری کلاس‌ها و حفظ ساختار داده
چکیده فارسی مقاله امروزه تصویربرداری ابرطیفی به منظور طبقه‌بندی داده‌های سطح زمین با دقت و جزئیات بالا بسیار مورد توجه است. به دلیل کمبود نمونه‌ی آموزشی در دسترس، کاهش ابعاد داده‌ی ابرطیفی به عنوان یک گام مهم پیش پردازش در تحلیل و طبقه‌بندی تصاویر ابرطیفی به شمار می‌رود. در این مقاله یک روش استخراج ویژگی پیشنهاد شده که سعی می‌کند علاوه بر افزایش جدایی‌پذیری کلاس‌ها، ساختار داده را نیز حفظ کند. برای این منظور، دو تابع هدف پیشنهاد شده است. تابع هدف اول از نمونه‌های آموزشی برچسب‌دار بهره می‌برد و سعی می‌کند که نمونه‌های هم‌کلاس را در فضای کاهش یافته تا جای ممکن به هم نزدیک گرداند. تابع هدف دوم از نمونه‌های بدون برچسب خوشه‌بندی شده‌ بهره برده و سعی می‌کند نمونه‌های متعلق به یک خوشه را در فضای کاهش یافته، تا جای ممکن به هم نزدیک گرداند. روش پیشنهادی بر روی سه داده‌ی 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.
کلیدواژه‌های فارسی مقاله ابعاد بالا، نمونه آموزشی کم، ابرطیفی، طبقه‌بندی، کاهش ویژگی
عنوان انگلیسی Feature reduction of hyperspectral data for increasing of class separability and preserving of data structure
چکیده انگلیسی مقاله Hyperspectral imagery provides images with high spectral resolution which can classify the land cover types with more details. Because of limitation in the number of training samples, feature reduction is an important preprocessing step for analysis and classification of hyperspectral data. A feature extraction method is proposed in this paper. The proposed method increases the class separability and tries to preserves the structure of data. The proposed feature extraction method uses the ability of unlabeled samples in addition to available limited training samples to improve the classification performance. The experimental results on three real hyperspectral images show the better performance of proposed method compared to some popular feature extraction methods in terms of classification accuracy.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مریم ایمانی | maryam imani
no 225, on the right, first floor, middle door, eleventh block, north farhangian, ostad moin blvd, azadi st, tehran, iran
تهران-بزرگراه نواب-نبش خیابان دامپزشکی-ساختمان چلچله 1-واحد 151-طبقه پنجم

حسن قاسمیان | hassan ghassemian
the faculty of electrical and computer engineering, tarbiat modares university, tehran 14155-4843, iran
تهران-دانشکده مهندسی برق و کامپیوتر دانشگاه تربیت مدرس
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-718-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-417050.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش تصویر
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات