تحلیل ممیز غیرپارامتریک بهبودیافته برای دسته‌بندی تصاویر ابرطیفی با نمونه آموزشی محدود

استخراج ویژگی نقش مهمی در بهبود دسته بندی تصاویر ابرطیفی دارد. روش های استخراج ویژگی غیرپارامتریک، نسبت به روش های پارامتریک، برای داده های با توزیع غیر نرمال کارایی بهتری دارند و می توانند ویژگی های بیشتری را استخراج کنند. روش های استخراج ویژگی غیرپارامتریک از ماتریس های پراکندگی غیرپارامتریک برای محاسبه ماتریس انتقال استفاده می کنند. تحلیل ممیز غیرپارامتریک، یکی از روش های غیرپارامتریک در استخراج ویژگی است که در آن برای تشکیل ماتریس های پراکندگی غیرپارامتریک، از میانگین های محلی هر نمونه و تابع وزن استفاده می شود. میانگین محلی با استفاده از k نمونه همسایه به دست می آید و تابع وزن، بر روی نمونه های مرزی در تشکیل ماتریس پراکندگی بین دسته ای تاکید می کند. در این مقاله، nda بهبود یافته به منظور اصلاح nda معرفی شده است. در mnda، تعداد نمونه های همسایه در محاسبه میانگین محلی با توجه به موقعیت نمونه در فضای ویژگی به دست می آید. روش پیشنهادی از توابع وزن جدید در تشکیل ماتریس های پراکندگی استفاده می کند. توابع وزن پیشنهادی تاکید روی نمونه های مرزی در تشکیل ماتریس پراکندگی بین دسته ای و تاکید روی نمونه های نزدیک به میانگین دسته، در تشکیل ماتریس پراکندگی درون دسته ای دارند. علاوه براین، به منظور اجتناب از تکین شدن ماتریس پراکندگی درون دسته ای، از تنظیم آن استفاده شده است. نتایج آزمایش ها روی تصاویر ایندیانا و سالیناس نشان می دهد که mnda کاریی بهتری نسبت به روش های استخراج ویژگی پارامتریک و غیرپارامتریک مورد مقایسه داشته است. بیشترین مقدار صحت متوسط دسته بندی برای داده ایندیانا %34/80 است که با 18 نمونه آموزشی، دسته بند ماشین بردار پشتیبان و 10 ویژگی استخراج شده از mnda به دست آمده است. برای داده سالیناس، بیشترین مقدار صحت متوسط دسته بندی، %31/94 است که با 18 نمونه آموزشی، دسته بند ماشین بردار پشتیبان و 9 ویژگی استخراج شده از mnda به دست آمده است. آزمایش ها نشان می دهند که با استفاده از توابع وزن پیشنهادی و ماتریس پراکندگی درون دسته ای تنظیم شده، روش پیشنهادی نتایج بهتری را در دسته بندی تصاویر ابرطیفی با نمونه های آموزشی محدود به دست آورده است.