ارائه روش بدون نظارت مبتني بر خوشه بندي باندها در فضاي پديده اجزاي خالص براي استخراج ويژگي هاي طيفي كاهش يافته از تصاوير ابرطيفي

تصاوير ابرطيفي منبع غني از داده هاي سنجش از دور محسوب مي شوند كه در مطالعات مختلفي از جمله كشاورزي، مديريت و طبقه بندي پوشش/كاربري اراضي بكار گرفته مي شوند. با اين حال، ابعاد بالاي فضاي ويژگي و تعداد محدود نمونه هاي آموزشي از چالش هاي اصلي در طبقه بندي اين تصاوير و استخراج اطلاعات از آن ها بشمار مي رود. بدين ترتيب، استفاده از روش هاي كاهش ويژگي به دو شكل انتخاب ويژگي و استخراج ويژگي از اهميت بالايي برخوردار است. روش هاي كاهش ويژگي به دو دسته نظارت شده و بدون نظارت تقسيم مي شوند، كه روش هاي بدون نظارت به دليل عدم نياز به داده هاي آموزشي كاربردي تر هستند. در اين مطالعه روشي بدون نظارت مبتني بر خوشه بندي باندها در فضاي پديده اجزاي خالص (EPBC) ارائه شده است. در اين روش پس از تخمين بعد مجازي تصوير و استخراج اجزاي خالص، فضاي پديده اجزاي خالص تشكيل شده و باندها در اين فضا به روش K-Means خوشه بندي مي گردند و در نهايت ميانگين وزن دار هر خوشه به عنوان يك ويژگي استخراج مي شود. نتايج نهايي بدست آمده از طبقه بندي دو تصوير ابرطيفي نشان مي دهد كه دقت كلي طبقه بندي به روش بيشترين شباهت با ويژگي هاي استخراج شده از روش ارائه شده در بهترين حالت براي تصوير كاج هاي هندي برابر 75.66 درصد و براي تصوير دانشگاه پاويا برابر 89.71 درصد بوده است، كه نسبت به روش هاي آناليز مولفه هاي اصلي (PCA)، تبديل كسر نويز كمينه (MNF) و آناليز مولفه هاي مستقل (ICA) به عنوان روش هاي بدون نظارت و روش آناليز تفكيك پذيري خطي (LDA) به عنوان روش نظارت شده عملكرد بهتري داشته است.