fa برآورد بعد ذاتی در تصاویر ماهواره‌ای ابرطیفی فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div align="right" style="direction: rtl"> با پیشرفت سنجنده‌های سنجش از دور طیفی با توانتفکیک طیفی بالا، تصاویر ابرطیفی ماهواره‌ای بطور وسیع به منظور نظارت بر سطح زمین به خدمت گرفته شده‌اند. بزرگی ابعاد این تصاویر نه تنها باعث افزایش پیچیدگی محاسبات گردیده بلکه باعث کاهش دقت طبقه‌بندی تصویر نیز شده است. کاهش ابعاد یکی از اصلی‌ترین روشها در تصاویر ابرطیفی برای بهبود دقت طبقه‌بندی است. معمول‌ترین روش در کاهش ابعد انتخاب عارضه می‌باشد. بطور ایده‌آل کاهش نمایندگان یک مجموعه به کاهش ابعاد ذاتی آن مرتبط می‌شود. روشهای مختلفی برای برآورد بعد ذاتی و نیز کاهش ابعاد در تصاویر ابرطیفی در منابع وجود دارد. در این مقاله به شرح و مقایسه پنج تکنیک برآورد بعد ذاتی پرداخته و کارایی این تکنیکها را به منظور طبقه‌بندی بانظارت تصاویر ابرطیفی بررسی و بحث کرده است. این تکنیکها شامل برآوردکننده مقدار ویژه(EV)، برآوردکننده بیشترین شباهت (ML)، برآوردکننده بعد همبسته (CD)، برآوردکننده عدد بسته‌بندی (PN) و کمترین گشترش درخت ژئودزیک (GMST) می‌باشد. روش طبقه‌بندی کننده نزدیکترین همسایگی (K-NN) به منظور طبقه‌بندی بانظارت مورد استفاده قرار گرفته است. تعداد زیادی از فواصل متریک در این طبقه‌بندی کننده مورد استفاده و مقایسه قرارگرفته است. پرکاربردترین روشهای کاهش ابعاد مانند تحلیل مولفه اصلی (PCA) و تحلیل مولفه مستقل (ICA) در خروجی روشهای برآوردهگر بکارگرفته شده است. این تحقیق نگاهی مقایسهای و مروری بر روشهای برآورده‌گر داشته و نیز عارضه‌های باندی استخراج شده را به منظور طبقه بندی مورد استفاده قرار داده است. </div> By development of remote sensing sensors, hyperspectral remote sensing images are now widely available for monitoring the earth’s surface by using high spectral resolution and dimension. However, this large dimension not only increases computational complexity but also degrades classification accuracy. Dimensionality reduction is a major issue to improve the efficiency of the classifiers in hyperspectral images. The common ways for dimensional reduction is feature extraction. Ideally, the reduced representation has a dimensionality that corresponds to the intrinsic dimensionality of the data. There are a wide range of methods in intrinsic dimensionality estimation and dimensionality reduction of hyperspectral Images in literatures. In this paper, we discuss and compare five intrinsic dimensionality estimation (IDE) techniques for hyperspectral dimensionality reduction. We investigate the performance of these techniques for IDE on hyperspectral images, and compare their performances for supervised image classification purpose. These techniques include Eigen value estimator (EV), Maximum likelihood estimator (ML), Correlation dimension estimator (CD), Packing number estimator (PN) and geodesic minimum spanning tree (GMST) estimator. The K-Nearest Neighbor (K-NN) classifier used for supervised image classification. The variety of the distance metric was used and compared in this classifier. The most useful and practical methods for reduction of dimensionality Principal Component Analysis (PCA) and Independent Components Analysis (ICA) were used in output of these IDE techniques. This study presented a review and comparative study of techniques in IDE. Then feature bands used in supervised classification with variety in parameters usage. تصاویر ابرطیفی, کاهش ابعاد, برآوردکننده بعد ذاتی, استخراج عوارض, طبقه‌بندی بانظارت. Hyperspectral images, Dimension reduction, Intrinsic Dimension Estimation, Feature Extraction, Supervised Classification 101 118 http://jgst.issgeac.ir/browse.php?a_code=A-10-25-17&slc_lang=fa&sid=1 M. Hasanlou مهدی حسنلو hasanlou@ut.ac.ir 10031947532846001783 10031947532846001783 Yes گروه مهندسی نقشه برداری- پردیس دانشکده های فنی‌- دانشگاه تهران F. Samadzadegan فرهاد صمدزادگان samadz@ut.ac.ir 10031947532846001784 10031947532846001784 No گروه مهندسی نقشه برداری- پردیس دانشکده های فنی‌- دانشگاه تهران