کاهش ابعاد داده های ابرطیفی به منظور افزایش جدایی پذیری کلاس ها و حفظ ساختار داده

امروزه تصویربرداری ابرطیفی به منظور طبقه بندی داده های سطح زمین با دقت و جزئیات بالا بسیار مورد توجه است. به دلیل کمبود نمونه آموزشی در دسترس، کاهش ابعاد داده ابرطیفی به عنوان یک گام مهم پیش پردازش در تحلیل و طبقه بندی تصاویر ابرطیفی به شمار می رود. در این مقاله یک روش استخراج ویژگی پیشنهاد شده که سعی می کند، علاوه بر افزایش جدایی پذیری طبقه ها، ساختار داده را نیز حفظ کند. برای این منظور، دو تابع هدف پیشنهاد شده است. تابع هدف نخست از نمونه های آموزشی برچسب دار بهره می برد و سعی می کند نمونه های هم طبقه را در فضای کاهش یافته تا جای ممکن به هم نزدیک کند. تابع هدف دوم از نمونه های بدون برچسب خوشه بندی شده بهره برده و سعی می کند نمونه های متعلق به یک خوشه را در فضای کاهش یافته، تا جای ممکن به هم نزدیک گرداند. روش پیشنهادی بر روی سه داده ابرطیفی واقعی مورد آزمایش قرار گرفته و برتری آن از نظر دقت طبقه بندی نسبت به تعدادی از روش های پرکاربرد استخراج ویژگی نشان داده شده است.