استفاده از یادگیری ماشینهای اتوماتیک سلولی برای طبقه بندی سریع تصاویر ماهواره ای

هنگام طبقه بندی یک تصویر، ممکن است تعداد زیادی از پیکسلها مقدار احتمال، زاویه طیفی و یا فاصلهmahalanobisنزدیکی داشته باشند که در حالت عادی به عنوان غیر طبقه بندی شده یا فاقد طبقه بندی تلقی میشوند. این پیکسلها به دلیل برهم نهی رادیو متریک بینکلاسهای مختلف، صحت پارامترهای تخمین زده شده و ... که منجر به عدم اطمینان در تخصیص یک عنوان به پیکسلها میشوند، همچنین به عنوان پیکسلهای بی نظم نامیده میشوند. برای حل این قبیل عدم قطعیت ها، برخی الگوریتمهای طبقه بندی سریع از جمله اکثریت، ماتریس انتقال و تخفیف عنوان احتمالیPLR بصورت تجاری استفاده میشوند. متأسفانه، این روشها انعطاف ناپذیر هستند لذا صحت مقبول نمیتواند بدست آید. بنابراین، تکنیکهایی مورد نیاز هستند که بتوانند بطور اتوماتیک خود را بهبود بخشند. یادگیری اتوماتیک برای مدل کردن سیستمهای یادگیری زیستی در علم کامپیوتر برای یافتن یک عمل بهینه ارائه شده توسط یک محیط استفاده شده است. در این تحقیق، ما پیکسلها را به عنوان ماشینهای اتوماتیک سلولی و نقشه موضوعی را به عنوان محیط زیست برای طراحییک تکنیک طبقه بندی سریع خود بهبود شونده استفاده کرده ایم. هر پیکسل با یک سری از چرخه های فیدبک تکراری با نقشه موضوعی تعامل دارد. در هر چرخه، پیکسل یک طبقه را انتخاب میکند یک عمل که یک پاسخ از نقشه موضوعی را تحریک میکند محیط زیست(؛ پاسخ میتواند هر دوی پاداش یا جریمه باشد. اعمال قبلی و جاری، با پیکسل و همسایگان آن انجام میشوند و تعیین میکنند که عملبعدی چه باید باشد. در حقیقت، با یادگیری، ماشینهای اتوماتیک پیکسلها احتمال کلاس بندی خود را تغییر داده و تطبیق کلاس بهینه خود را در محیط زیست انتخاب میکنند. برای یادگیری، دو معیار برای بهینه سازی محلی و جهانی، آنتروپی هر پیکسل و صحت تولیدکنندگان کلاسها مورد استفاده قرار گرفته اند. آزمایشها با استفاده از یک زیر مجموعه از تصاویرAVIRISانجام شد.. نتایج یک بهبود در صحت نمونه های آزمایشی را نشان داد. بعلاوه، نتایج باPLRمقایسه شده و نتایج پیشنهاد پایداری بالای الگوریتم و توجیه مزایای آن در مقایسه با تکنیکهای طبقه بندی سریع جاری را داد

کلیدواژه ها:

ماشین اتومات ، فیلتر ، اعواج ، تصاویر ماهواره