fa معرفی روشی نظارت ‌نشده برای استخراج ویژگی‌ از تصاویر ابرطیفی با استفاده از خوشه‌بندی باندها در فضای پدیده فتوگرامتری و سنجش از دور Photo&RS ترویجی Tarviji <div style="text-align: justify;"><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">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 </span></span><span dir="LTR">K-medoids</span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;"> 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) می</span></span><span dir="LTR">‌</span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">تواند تا حدود 7 درصد بیشتر از چهار روش دیگر کاهش ویژگی تبدیل مؤلفه اصلی </span></span><span dir="LTR">(PCA)</span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;"> (64.39)، موجک (64.58)، روش انتخاب ویژگی بر اساس خوشه‌بندی باندها&nbsp; بر مبنای واریانس(65.30) و استخراج ویژگی غیر پارامتریک وزن‌دار (</span></span><span dir="LTR">NWFE</span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">) (64.12) باشد.</span></span></div> <div style="text-align: justify;">Hyperspectral sensors have high capability in identifying objects by acquiring a large number of adjacent electromagnetic bands. Although This large number of bands makes it possible to approximate the more precise spectral curve of the material, it also brings some challenges. The difficulty in data transfer, the weak performance of conventional statistical classifications due to the limited number of training data, and the high processing time are the most important ones. Hence, different methods of dimensionality reduction are proposed for hyperspectral images. In the following article, an unsupervised feature extraction method is proposed based on the bands clustering technique. In the proposed method, after the prior image clustering and forming the prototype space with the aid of the clusters&rsquo; averages, the bands are clustered using the K-medoids clustering algorithm. In each cluster, four types of central tendency measures, mean, geometric mean, harmonic mean, and median are used to extract the final features. The experiments are conducted on the three real hyperspectral images with medium and high spatial resolution. Final results indicate that the classification results of the proposed method can reach (72.12) which is 7% higher than the other four competitive methods, principal component analysis (PCA) (64.39), wavelet (64.58), feature selection method based on bands clustering based on variance (65.30) and non-parametric weighted features extraction (NWFE) (64.12)&nbsp;.</div> استخراج ویژگی, طبقه‌بندی, فضای پدیده, خوشه‌بندی, بعد مجازی, طبقه‌بندی‌کننده بیشترین شباهت Feature Extraction, Classification, Prototype Space, Clustering, Virtual Dimensionality, Maximum Likelihood Classifier 195 207 http://jgst.issgeac.ir/browse.php?a_code=A-10-727-3&slc_lang=fa&sid=1 B. Asghari Beirami بهنام اصغری بیرامی Behnam.asghari1370@gmail.com 10031947532846007599 10031947532846007599 Yes بدون سازمان M. Mokhtarzade مهدی مختارزاده M_mokhtarzade@kntu.ac.ir 10031947532846007600 10031947532846007600 No بدون سازمان