بهبود طبقه بندی تصاویر ابرطیفی با استفاده از گروه بندی باندها و الگوریتم های استخراج ویژگی

سال انتشار: 1383
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,303

فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICEE12_045

تاریخ نمایه سازی: 13 مهر 1387

چکیده مقاله:

طبقه بندی تصاویر ابرطیفی با استفاده مستقیم از طبقه بندی کننده های کلاسیک، به دلیل حجم زیاد داده ها، کم بودن تعداد نقاط آموزشی و وجود اثرات نامطلوب جو زمین بر بعضی از باندهای این نوع تصاویر، دقت مطلوبی ندارد. در این مقاله سعی شده است که با دسته بندی باندهای تصاویر ابرطیفی در چند گروه، و سپس استفاده از الگوریتمهای کلاسیک، علاوه بر کم کردن زمان طبقه بندی، دقت طبقه بندی را تا حدودی بهبود دهیم. در ضمن نشان می دهیم که با استفاده از این روش، صحت طبقه بندی کلاسهایی که نقاط آموزشی کمی دارند تا حد قابل توجهی بهتر می شود. الگوریتم مذکور را بر روی داده های واقعی سنجده AVIRIS اعمال کردیم و مشاهده شد که صحت طبقه بندی کلاسها چند درصد بهتر گردید.

نویسندگان

احمد کشاورز

گروه مهندسی مخابرات- دانشکده فنی مهندسی- دانشگاه تربیت مدرس

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 :
  • David Landgrebe, "The Evolution of Landsat Data Analyses, " Ph ...
  • . H. Ghassemian, D. Landgrebe, ، #Multispectral Image Compression by ...
  • . H. Ghassemian, H. Dehghani, ،An adaptive hyperspectral classification model ...
  • Chulhee Lee and David A. Landgrebe, "Analyzing High Dimensional Multispectral ...
  • David Landgrebe, ، Hyp erspectral Image Data Analysis', Dept. of ...
  • Hassan Ghassemian and David Landgrebe, _ _ Obj ect-Oriented Feature ...
  • نمایش کامل مراجع