استخراج ویژگی نیمه نظارت شده به منظور کاهش بعد تصاویر ابرطیفی

در بخش نظارت شده با مشارکت واریانس هر کلاس در تعدیل فاصله بین کلاسی روش جدیدی با نام alda ارائه شده است. نتایج آزمایش بر روی داده ی محک زن indiana pine نشان از بهبود 4 درصدی صحت طبقه بندی بر روی ویژگی های استخراج شده از روش پیشنهادی نسبت به روش های بر پایه lda دارد.دو ضعف اصلی روش های نظارت نشده انتخاب تصادفی پیکسل های بدون برچسب و محاسبه نزدیکترین همسایگی ها بر پایه فاصله اقلیدسی است.انتخاب تصادفی پیکسل ها سبب به دست آمدن نتایج مختلف در هر بار اجرای الگوریتم و محاسبه نزدیکترین همسایگی ها بر پایه فاصله اقلیدسی باعث چندراهه شدن و اتصال کوتاه بین نقاط می شود. در این تحقیق با کمک وابستگی های طیفی و مکانی پیکسل های بدون برچسب با پیکسل های برچسب دار مشکل انتخاب تصادفی داده ها حل شده است. هم چنین از زاویه طیفی (sam) برای محاسبه نزدیکترین همسایگی ها استفاده شده است. پیاده سازی دو ایده فوق بر روی روش نظارت نشدهnpeسبب بهبود 5 درصدی و ارائه روش نوین mnpe شده است. در این تحقیق با ترکیب روش های پیشنهادی فوق (alda وmnpe ) یک روش نیمه نظارت شده جدید با نام aseda ارائه شده است. این روش از مزایای روش های نظارت شده و نظارت نشده به طور همزمان استفاده می کند و مشکلات محدود بودن تعداد ویژگی های استخراج شده، پدیده hughes و یکتایی ماتریس پراکندگی داخل کلاسی روش های پیشین را رفع کرده است. نتایج آزمایش نشان از بهبود 3 درصدی صحت طبقه بندی بر روی ویژگی های استخراج شده از روش پیشنهادی نسبت به روش های نیمه نظارت شده پیشین دارد.