استخراج ویژگی نظارت شده‌ی غیرپارامتریک برای طبقه‌بندی تصاویر ابرطیفی با نمونه‌ی آموزشی محدود

استخراج ویژگی در تحلیل و طبقه‌بندی تصاویر ابرطیفی، اهمیت ویژه‌ای دارد، چراکه علاوه بر بهبود طبقه‌بندی، سبب کاهش پیچیدگی محاسباتی خواهد شد. روش‌های استخراج ویژگی نظارت شده‌ای مثل تحلیل تمییز خطی (lda) به دلیل مشکل منفرد بودن ماتریس پراکندگی درون کلاسی، دارای کارایی خوبی در نمونه‌های آموزشی محدود نیستند. به علاوه تعداد ویژگی‌های استخراج شده توسط آن‌ها حداکثر برابر تعداد کلاس‌ها منهای یک است. استخراج ویژگی وزن‌دار غیر پارامتریک (nwfe) این مشکلات را حل کرده، ولی به شدت دارای پیچیدگی محاسباتی بالایی است. در این مقاله، یک روش استخراج ویژگی نظارت شده غیرپارامتریک پیشنهاد شده است که علاوه بر حل مشکلات ذکر شده در روش‌های استخراج ویژگی lda و nwfe، دارای کارایی بهتری نسبت به آن‌ها در طبقه‌بندی تصاویر ابرطیفی می‌باشد. روش استخراج ویژگی پیشنهادی با سه روش استخراج ویژگی نظارت شده‌ی معمول مقایسه شده و نتایج آزمایش‌ها بر روی سه داده‌ی ابرطیفی واقعی، نشان‌دهنده‌ی کارایی مناسب روش پیشنهادی می‌باشد.