جاسازی خط ویژگی وزن هار برای استخراج ویژگی تصاویر

یکی از مراحل مهم قبل از طبقه بندی تصاویر ابرطیفی، کاهش ویژگی با استفاده از روش های استخراج ویژگی است. در این مقاله یک روش استخراج نظارت شده پیشنهاد شده که دارای کارایی خوبی با استفاده از تعداد نمونه های آموزشی محدود است. روش استخراج ویژگی پیشنهادی که جاسازی خط ویژگی وزن دار (WFLE) نامیده شده، از مفاهیم خط ویژگی برای تولید نمونه های آموزشی مجازی استفاده می کند. نمونه های آموزشی مجازی تولید شده برای محاسبه ماتریس های پراکندگی درون دسته ای و بین دسته ای به شکل وزن دار استفاده می شوند. نحوه وزن دهی بر مبنای ماهیت نمونه های آموزشی است. آن دسته از نمونه های آموزشی که سبب ایجاد خطا در طبقه بندی داده می شوند، نمونه های آموزشی نامطلوب محسوب شده و بنابراین در طی فرآیند استخراج ویژگی اصلاح بیشتری بر روی آن ها انجام می شود. در مقابل، بر روی نمونه های آموزشی مطلوب، اصلاح کمتری صورت می پذیرد. روش پیشنهادی WFLE با تعدادی از روش های استخراج ویژگی مهم و پرکاربرد از قبیل LDA، GDA، NWFE، LPP، NPE و NFLE مقایسه شده است. ما برای انجام آزمایش های خود از سه مجموعه داده ابرطیفی واقعی استفاده کرده ایم. نتایج آزمایش ها، برتری روش پیشنهادی را نسبت به سایر روش ها در تعداد نمونه های آموزشی محدود نشان می دهند.