Linear Feature Extraction for Hyperspectral Images Using Information Theoretic Learning
محل انتشار: بیستمین کنفرانس مهندسی برق ایران
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 992
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICEE20_062
تاریخ نمایه سازی: 14 مرداد 1391
چکیده مقاله:
in this paper, we propose a new linear feature extraction scheme for hyperspectral images. A modified Maximum relevance, Min redundancy (MRMD) is used as acriterion for linear feature extraction. Parzen density estimator and instantaneous entropy estimation are used for estimating mutual information. Using Instantaneous entropy estimatormitigates nonstationary behavior of the hyperspectral data and reduces computational cost. Based on proposed estimator andMRMD, an algorithm for linear feature extraction in hyperspectral images is designed that is less offended by Hueghsphenomenon and has less computation cost for applying to hyperspectral images. An ascent gradient algorithm is used for optimizing proposed criterion with respect to parameters of alinear transform. Preliminary results achieve better classification comparing the traditional methods.
کلیدواژه ها:
نویسندگان
Mehdi Kamnadar
Tarbiat Modares University
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :