این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۴، شماره ۲، صفحات ۴۳-۵۸
عنوان فارسی تحلیل ممیز غیرپارامتریک بهبودیافته برای دسته بندی تصاویر ابرطیفی با نمونه آموزشی محدود
چکیده فارسی مقاله استخراج ویژگی نقش مهمی در بهبود دسته­بندی تصاویر ابرطیفی دارد. روش­های استخراج ویژگی غیرپارامتریک، نسبت به روش­های پارامتریک، برای داده­های با توزیع غیر نرمال از کارایی بهتری برخوردارند و می­توانند ویژگی­های بیشتری را استخراج نمایند. روش­های استخراج ویژگی غیرپارامتریک از ماتریس­های پراکندگی غیرپارامتریک برای محاسبه ماتریس انتقال استفاده می­کنند. تحلیل ممیز غیرپارامتریک[1]، 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 بدست می­آید و تابع وزن، بر روی نمونه­های مرزی در تشکیل ماتریس­ پراکندگی بین­دسته­ای تاکید می­کند. در این مقاله، NDA بهبود یافته[2] به منظور اصلاح NDA معرفی شده است. در MNDA، تعداد نمونه­های همسایه در محاسبه میانگین محلی با توجه به موقعیت نمونه در فضای ویژگی بدست می­آید. روش پیشنهادی از توابع وزن جدید در تشکیل ماتریس­های پراکندگی استفاده می­کند. توابع وزن پیشنهادی تاکید روی نمونه­های مرزی در تشکیل ماتریس پراکندگی بین­دسته­ای و تاکید روی نمونه­های نزدیک به میانگین دسته، در تشکیل ماتریس پراکندگی درون دسته­ای دارند. علاوه براین، به منظور اجتناب از تکین شدن ماتریس پراکندگی درون دسته­ای، از تنظیم آن استفاده شده است. نتایج آزمایش­ها روی تصاویر ایندیانا و سالیناس نشان می­دهد که MNDA کارایی بهتری را 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 بدست 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 استخراج شده از MNDA بدست آمده است. آزمایش­ها نشان می­دهند که با استفاده از توابع وزن پیشنهادی و ماتریس پراکندگی درون دسته­ای تنظیم­شده، روش پیشنهادی نتایج بهتری را در دسته­بندی تصاویر ابرطیفی با نمونه­های آموزشی محدود بدست آورده است.   [1] Nonparametric Discriminant Analysis (NDA) [2] Modified NDA (MNDA)
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Modified Nonparametric Discriminant Analysis for Classification of Hyperspectrl Images With Limited Training Samples
چکیده انگلیسی مقاله 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 nonnormal distribution. Besides, these methods can extract more features than 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, in order 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 and 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 hyperspectrl imag classification with limited training samples.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله آزاده کیانی سرکله | azadeh kianisarkaleh
science and research branch, islamic azad university
دانشگاه آزاد اسلامی، واحد علوم و تحقیقات
سازمان اصلی تایید شده: دانشگاه آزاد اسلامی علوم و تحقیقات (Islamic azad university science and research branch)

محمد حسن قاسمیان | mohammad hassan ghassemian
tarbiat modares university, faculty of electrical and computer engineering, department of electrical engineering, jalal ale ahmad highway, tehran, iran
تهران، جلال آل احمد، پل نصر، دانشگاه تربیت مدرس ، صندوق پستی 111-14115تلفن 00982182883373فکس 00982182884325
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-720-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-474284.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