Journal of Information Systems and Telecommunication (JIST)
,
Issue2,Year,
Spring
2014
High dimensional images in remote sensing applications allow us to analysis the surface of the earth with more details. A relevant problem for supervised classification of hyperspectral image is the limited availability of labeled training samples, since their collectio More
High dimensional images in remote sensing applications allow us to analysis the surface of the earth with more details. A relevant problem for supervised classification of hyperspectral image is the limited availability of labeled training samples, since their collection is generally expensive, difficult and time consuming. In this paper, we propose an adaptive method for improving the classification of hyperspectral images through expansion of training samples size. The represented approach utilizes high-confidence labeled pixels as training samples to re-estimate classifier parameters. Semi-labeled samples are samples whose class labels are determined by GML classifier. Samples whose discriminator function values are large enough are selected in an adaptive process and considered as semi-labeled (pseudo-training) samples added to the training samples to train the classifier sequentially. The results of experiments show that proposed method can solve the limitation of training samples in hyperspectral images and improve the classification performance.
Manuscript profile
Nashriyyah -i Muhandisi -i Barq va Muhandisi -i Kampyutar -i Iran
,
Issue46,Year,
Spring
2016
امروزه، تصاویر ابرطیفی به دست آمده از سنجندههای از راه دور، امکان تمییز بین کلاسها با جزئیات بیشتر را فراهم آوردهاند. بعد بالای داده ابرطیفی از یک سو و کمبود تعداد نمونههای آموزشی از سوی دیگر، سبب ایجاد مشکلاتی در طبقهبندی تصاویر ابرطیفی میشود. از آنجایی که جمعآو More
امروزه، تصاویر ابرطیفی به دست آمده از سنجندههای از راه دور، امکان تمییز بین کلاسها با جزئیات بیشتر را فراهم آوردهاند. بعد بالای داده ابرطیفی از یک سو و کمبود تعداد نمونههای آموزشی از سوی دیگر، سبب ایجاد مشکلاتی در طبقهبندی تصاویر ابرطیفی میشود. از آنجایی که جمعآوری دادههای آموزشی سخت و زمانبر است، کاهش تعداد باندهای طیفی به بهبود کارایی طبقهبند کمک شایانی خواهد نمود. بنابراین استخراج ویژگی تصاویر ابرطیفی، یکی از مراحل مهم پیشپردازش این نوع دادهها محسوب میشود. در شرایطی که تعداد نمونه آموزشی در دسترس محدود است، روشهای استخراج ویژگی معمول همچون LDA دارای کارایی خوبی نخواهند بود. در این مقاله، یک روش استخراج ویژگی نظارتشده معرفی گردیده که بدون نیاز به تعیین برچسب نمونههای آزمایشی، با انجام خوشهبندی بر روی آنها و یافتن رابطه بین نمونههای آموزشی و آزمایشی، از قدرت نمونههای بدون برچسب به همراه نمونههای آموزشی برای تولید ماتریسهای پراکندگی درونکلاسی و بینکلاسی استفاده میکند. این کار دقت طبقهبندی را خصوصاً برای دادههای ابرطیفی چندمده افزایش خواهد داد. روش پیشنهادی که تحلیل ممیز خطی فضای خوشه (CSLDA) نامیده میشود، با روشهای پرکاربرد استخراج ویژگی نظارتشده همچون LDA، GDA و NWFE مقایسه شده است. نتایج به دست آمده بر روی تصاویر ابرطیفی واقعی از مناطق شهری و کشاورزی نشان میدهند که روش پیشنهادی با استفاده از تعداد محدود نمونههای آموزشی، دارای کارایی بهتری نسبت به سایر روشها میباشد.
Manuscript profile
Rimag
Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.