CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

Subpixel Classification on the Hyperspectral Images for Accuracy Improvement of Classification Results

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۵ | تعداد نمایش خلاصه: ۱۸۵۳ | نظرات: ۰
سال انتشار: ۱۳۸۲
نوع ارائه: شفاهی
محل انتشار: همایش ژئوماتیک 82
کد COI مقاله: GEO82_16
زبان مقاله: انگلیسی
حجم فایل: ۴۴۲.۰۳ کلیوبایت (فایل این مقاله در ۱۵ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۵ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله Subpixel Classification on the Hyperspectral Images for Accuracy Improvement of Classification Results

   H. Emami - Dep. of Geodesy and Geomatic Eng, K.N.Toosi University of Technology, Tehran-Iran
   A. Afary - Dep. of Geodesy and Geomatic Eng, K.N.Toosi University of Technology, Tehran-Iran

چکیده مقاله:

Classification is a common and most important technique for information extraction, from remotely sensed images. In traditional classification methods, each pixel is assigned to a single class by presuming all pixels within the image are pure. Therefore, this is the main problem and limitation of traditional image classification procedures in classification of mixed pixel. Mixed pixel classification is a process which tries to extract the proportions of the pure components of each mixed pixel. This approach is known as spectral unmixing. Spectral unmixing is a method which allows the user to determine information on a subpixel level and to study decomposition of mixed pixels. Hyperspectral images have the high spectral resolution rather than to multispectral images. By development of remote sensing technology, the new sensors with hyperspectral capabilities in RS science will be replaced to multispectral imaging. A big advantage of hyperspectral images comparison to that of multispectral images is a continuous spectrum for each image cell that can be derived from image spectral measurement. Therefore, in this research these images have been used in classification process. In this paper, pixel-based classification methods including the spectral angle mapper, maximum likelihood classification and subpixel classification method (linear spectral unmixing) were implemented on the AVIRIS hyperspectral images. Then, a comparison between pixel-based and subpixel based classification algorithms was carried out. Also, this paper investigates the capabilities and advantages of spectral linear unmixing method. The spectral unmixing method that implemented here is an effective technique for classifying a hyperspectral image giving the classification accuracy about 89%, while in pixel based classification methods implementing on hyperspectral images, the maximum accuracy is about 74% for spectral angle mapper and 81 % for maximum likelihood classification methods. The results of classification when applying on the original images are not good because some of the hyperspectral image bands are subject to absorption and they contain only little signal but more noisy. Therefore, preparation of data is necessary at the beginning of process. For this purpose, by applying the Minimum Noise Fraction (MNF) transformation on the hyperspectral images, the correlation and noises from bands can be removed and these bands can be sorted in respect of their variance. In bands with a high variance, the features can be distinguished from each other in a better mode, therefore classification accuracy is increased. Also, applying the MNF transformation on the hyperspectral images increase the individual classes accuracy of pixel based classification methods as well as unmixing method about 20 percent and 9 percent respectively.

کلیدواژه‌ها:

Accuracy Improvement, Hyperspectral Images, Minimum Noise Fraction Transformation, Mixed pixels, Spectral Unmixing, Sub-pixel Classification.

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-GEO82-GEO82_16.html
کد COI مقاله: GEO82_16

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
H. Emami, & A. Afary, ۱۳۸۲, Subpixel Classification on the Hyperspectral Images for Accuracy Improvement of Classification Results, همایش ژئوماتیک 82, تهران, سازمان نقشه برداری کشور, https://www.civilica.com/Paper-GEO82-GEO82_16.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (H. Emami, & A. Afary, ۱۳۸۲)
برای بار دوم به بعد: (H. Emami & A. Afary, ۱۳۸۲)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • Abkar A.A. (1999). _ ikelih ood-Based segmertation arnd Classification of ...
  • Proffesor Maria Petrou، Tutorial on modern techniques in remqte sersing", ...
  • P. Gong, J.R. Miller, J. Freemantle, and B. Chen. (1991). ...
  • J.J. Settle and N.A. Drake, (1993), "Linear rixing ard the ...
  • D. Heinz, C-I. Chang, M.L.G. Althouse, (1999). "Fully constrained least-squares ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۱۲۴۵۶
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.