طبقهبندی یکی از مهمترین روشهای استخراج اطلاعات از تصاویر ابرطیفی است. در این مقاله، راهکاری نوین با هدف تولید ویژگی بمنظور طبقهبندی این تصاویر پیشنهاد شده است. این راهکار تلفیقی از تبدیلات خطی، غیرخطی و نمایش تنک بمنظور تولید ویژگی‌های موثر در فرایند طبقهبندی تصاویر ابرطیفی است. در روند پیشنهادی، ابتدا با رویکردی جدید و نظارت شده از تبدیل غیرخطی تحلیل مؤلفه‌‌های اصلی (NLPCA) بمنظور انتقال دادههای طیفی به فضایی با ابعاد بیشتراستفاده شده است. در مرحله دوم، بکمک تبدیل تحلیل تفکیک‌پذیری خطی(LDA) فرامکعب حاصل از مرحله قبل به فضایی با بعد کمتر انتقال می‌یابد. در ادامه با هدف هم مقیاس کردن ویژگی‌های تولیدی و بهره‌گیری از پتانسیل تمامی دادههای آموزشی، داده‌ها از طریق روشهای تخمین تنک سیگنال به فضای ویژگی جدیدی با بعدی متناظر با تعداد کلاس‌های طبقهبندی منتقل می‌شوند. در این تحقیق از طبقهبندی کنندهی k نزدیکترین همسایه‌ی وزندار برای طبقهبندی فضای ویژگی استفاده شده است. این راهکار در دو داده‌ی ابرطیفی پیاده‌سازی شده و به طور متوسط بهبود دقت 6 درصدی را نسبت به باندهای طیفی و سایر زیر مجموعه‌های تلفیق ویژگی از روش پیشنهادی نشان داده است. کسب دقت کلی تا 99 درصد و همچنین تفکیک پذیری بیشتر کلاس‌های با دادههای آموزشی اندک از ویژگی‌های این روش محسوب می‌شود.
Allahyari bek S, safdarinezhad A R, Karimi R. Hyperspectral Image Classification Based on the Fusion of the Features Generated by Sparse Representation Methods, Linear and Non-linear Transformations. JGST 2020; 10 (1) :39-53 URL: http://jgst.issgeac.ir/article-1-894-fa.html
اله یاری بک سمیرا، صفدری نژاد علی رضا، کریمی روح اله. طبقه بندی تصاویر ابرطیفی مبتنی بر تلفیق ویژگی های مستخرج از روش های کدگذاری تنک، تبدیلات خطی و غیرخطی. علوم و فنون نقشه برداری. 1399; 10 (1) :39-53
