بهبود تخمین پارامترهای طبقه بندی کننده تصائیر ابر طیفی با استفاده از نمونه های نیمه برچسب خورده و حذف نمونه های پرت

در سال های اخیر به منظور بهبود صحت طبقه بندی تصاویر ابر طیفی و حل مشکل کمبود نمونه های آموزشی الگوریتم هایی که از نمونه های نیمه برچسب خورده استفاده می کنند، مورد توجه قرار گرفته است. این الگوریتم ها علاوه بر نمونه های آموزشی از اطلاعات نمونه های نیمه برچسب خورده که از یک طبقه بندی اولیه به دست می آید برای بهبود تخمین پارامترهای طبقه بندی کننده استفاده می کنند. مشکل اصلی استفاده از این الگوریتم ها، وجود نمونه های پرت در طبقه بندی اولیه است که می تواند باعث افزایش خطای طبقه بندی نهایی با استفاده از نمونه های نیمه برچسب خورده گردد. در این مقاله با استفاده از برخی اطلاعات مکانی مانند لبه و همبستگی زیاد یک پیکسل بل پیکسل های اطرافش، ابتدا نمونه های پرت حذف می شود. سپس با استفاده از یک الگوریتم رش ناحیه، نواحی مطلوب و گسترش یافته و از آن نواحی به عنوان نمونه های نیمه برچسب خورده استفاده می شود. نتایج حاصل از طیقه بندی داده های واقعی سنجنده AVIRIS نشان می دهد که الگوریتم پیشنهادی برای طبقه بندی داده های ابر طیفی کارآمد بوده و مشکل محدود بودن تعداد نمونه های آموزشی را تا حد قابل توجهی جبران می نماید.

Keywords:

تصاویر ابر طیفی , سنجش از دور , طبقه بندی , نمونه های نیمه برچسب خورده