طبقه بندي تصاوير سنجش از راه دور با استفاده از نمونه هاي آموزشي محدود

یكی از موضوعات مهم در كاربردهای سنجش از دور ، طبقه بندی داده های ابرطیفی می باشد . همان طوری كه میدانيم تعداد نمونه هاى آموزشی در دسترس، به علت گران و سخت بودن كسب آن ها، محدود است و افزایش تعداد ویژگی ها بدون اضافه كردن نمونه ی آموزشی جدید، دقت طبقه بندی را كاهش می دهد . از این رو یا ناچاریم تعداد نمونه های آموزشی را افزایش دهیم ( كه هزینه بر و زمان بر است ) یا تعداد ویژگی ها را كاهش دهیم ( كه گاه منجر به از دست دادن بخشی از اطلاعات میگردد ) و یا روش دیگری برای طبقه بندی انتخاب كنیم كه این حساسیت به تعداد نمونه ها را نداشته باشد . در این مقاله به بررسی طبقه بند مناسب برای طبقه بندی تصاویر ابرطیفی ، كه توسط ماهواره های سنجش از راه دور اخذ شده اند ، میپردازیم . ازمایش های انجام شده بر روی تصویر واقعی ایندیانا كه توسط سنجنده AVIRIS اخذ شده است، نشان می دهد ، در شرایطی كه نمونه ی آموزشی محدودی در دسترس است، استفاده از طبقه بندهای غير پارامتريك ، اولويت دارد