استخراج ويژگي در تصاوير ابرطيفي به كمك برازش منحني با توابع گويا

Hyper-Spectral Data Feature Extraction Using Rational Function Curve Fitting

در اين مقاله روشي براي كاهش ويژگي در تصاوير ابرطيفي به منظور طبقه‌بندي اين داده‌ها معرفي شده است كه بر مبناي استخراج ويژگي‌هاي جديد با ابعادي بسيار كمتر از ابعاد ويژگي‌هاي نخستين عمل مي‌كند. براي هر پيكسل از يك تصوير ابرطيفي، يك تابع تقريب كسريِ گويايِ مجزا از طريق برازش بر منحني پاسخ طيفي آن پيكسل توليد مي‌شود. ضرايب چند‌جمله‌اي‌هاي صورت و مخرج اين تابع به‌عنوان ويژگي‌هاي جديد انتخاب مي‌شوند. روش پيشنهادي بر ماهيت هندسي منحني‌هاي پاسخ طيفي تأكيد و تمركز دارد و بر اين واقعيت تكيه مي‌كند كه ترتيب توالي نقاط در اين منحنيها حاوي اطلاعات مفيدي است كه با غالب روش‌هاي استخراج ويژگي موجود، مورد توجه قرار نگرفته است. نتايج طبقه‌بندي با طبقه‌بند، بيشينه احتمال حكايت از برتري صحت نتايج طبقه‌بندي به‌وسيلۀ ويژگي‌هاي معرفي شده در مقايسه با روش‌هايِ متعددِ موردِ بررسي دارد. به‌علاوه روش پيشنهادي، قابليت اعمال به تمام پيكسلهاي تصوير را به‌صورت همزمان دارد.

In this paper, with due respect to the original data and based on the extraction of new features by smaller dimensions, a new feature reduction technique is proposed for Hyper-Spectral data classification. For each pixel of a Hyper-Spectral image, a specific rational function approximation is developed to fit its own spectral response curve (SRC) and the coefficients of the numerator and denominator polynomials of this function are considered as new extracted features. The method focuses on geometrical nature of SRCs and relies on the fact that the sequence discipline - ordinance of reflectance coefficients in spectral response curve - contains some information which has not been addressed by many other existing methods based on the statistical analysis of data. Maximum likelihood classification results demonstrate that our method provides better classification accuracies in comparison with many competing feature extraction algorithms. In addition, the proposed algorithm has the possibility of being applied to all pixels of image individually and simultaneously as well.