سنجنده‌های ابرطیفی با اخذ تعداد زیادی از باندهای الکترومغناطیسی مجاور همواره از پتانسیل‌های بالایی در شناسایی عوارض و پدیده‌های سطح زمین برخوردار هستند. این تعداد زیاد باند اگر چه موجب می‌شود تا این نوع سنجنده‌ها توانایی بالاتری در تقریب منحنی طیفی مواد داشته باشند ولی از سوی دیگر مشکلاتی را نیز به وجود می‌آورند. سختی در انتقال داده، ضعف عملکرد طبقه بندی کننده های مرسوم به دلیل تعداد داده‌های آموزشی محدود و زمان و حجم پردازش بالا از جمله‌ی مهم‌ترین این مشکلات می‌باشند. از این رو روش‌های مختلف کاهش ویژگی برای این نوع تصاویر پیشنهاد شده است. در مقاله پیش رو یک روش استخراج ویژگی نظارت‌نشده مبتنی بر تکنیک خوشه‌بندی ارائه شده است. در روش پیشنهادی، پس از خوشه‌بندی تصویر و تشکیل فضای پدیده به کمک میانگین خوشه‌ها، باندها به کمک الگوریتم خوشه‌بندی K-medoids خوشه‌بندی می‌شود. و در هر خوشه از چهار نوع شاخص آماری گرایش مرکزی میانگین، میانگین هندسی، میانگین هارمونیک و میانه به منظور استخراج ویژگی استفاده می‌شود. نتایج نهایی پیاده‌سازی‌ها بر روی سه تصویر واقعی ابرطیفی در شرایط وجود تعداد داده‌های آموزشی مختلف در هر کلاس نشان می‌دهد که دقت کلی طبقه‌بندی با ویژگی‌های به دست آمده از روش پیشنهادی این تحقیق در بهترین حالت (72.12) می‌تواند تا حدود 7 درصد بیشتر از چهار روش دیگر کاهش ویژگی تبدیل مؤلفه اصلی (PCA) (64.39)، موجک (64.58)، روش انتخاب ویژگی بر اساس خوشه‌بندی باندها بر مبنای واریانس(65.30) و استخراج ویژگی غیر پارامتریک وزن‌دار (NWFE) (64.12) باشد.
Asghari Beirami B, Mokhtarzade M. Introducing an Unsupervised Method for feature Extraction of Hyperspectral Images Using Bands Clustering in the Prototype Space. JGST 2019; 9 (2) :195-207 URL: http://jgst.issgeac.ir/article-1-907-fa.html
اصغری بیرامی بهنام، مختارزاده مهدی. معرفی روشی نظارت نشده برای استخراج ویژگی از تصاویر ابرطیفی با استفاده از خوشه‌بندی باندها در فضای پدیده. علوم و فنون نقشه برداری. 1398; 9 (2) :195-207
