ورود
مقالات فارسیISIکنفرانسهاژورنالها

ارتقاء دقت طبقهبندی تلفیق دادههای راداری و اپتیکی مبتنی بر الگوریتم نوین MICO-SR

محل انتشار: اولین کنفرانس بین المللی مخاطرات طبیعی و بحران های زیست محیطی ایران، راهکارها و چالش ها
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 647

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/549050

شناسه ملی سند علمی:

ICINH01_241

تاریخ نمایه سازی: 5 بهمن 1395

چکیده مقاله:

در این مقاله الگوریتم نوین SR-MICO به منظور ارتقاء دقت طبقهبندی مبتنی بر تلفیق دادههای نوین راداری و اپتیکی -SENTINEL 1 و 2-SENTINEL معرفی و پیشنهاد میگردد. این الگوریتم قادر است پس از تصحیح همپوشانی دامنه روشنایی در تصاویر، آموزش و p,L2 انجام دهد. لذا پس انتخاب نظارت شده ویژگیهای استخراج شده از تصاویر را با استفاده از الگوریتم نظم دهی تنک مبتنی بر norm- از تصحیح همپوشانی دامنه روشنایی در تصاویر مبتنی بر الگوریتم تعدیل مولفههای ذاتی تصویر، ویژگیهای مهمی همچون ویژگیهای حاصل از فاکتورگیری ماتریس نامنفی (NMF (و ویژگیهای بافتی حاصل از ماتریس هم رخداد درجات خاکستری (GLCM ،(تبدیل موجک و فیلتر گابور از تصاویر استخراج میگردد. پس از بازسازی چند فضای ویژگی با ترکیب ویژگیهای فوق الذکر، بهینه سازی ماتریس ویژگیها مبتنی بر نظم دهی تنک انجام میشود. نتایج نشان میدهد که بکارگیری ماتریس ویژگیهای بهینه حاصل از الگوریتم پیشنهادی SR-MICO بعنوان ورودی طبقهبندی5 RoF باعث بهبود قابل توجهی در نتایج طبقهبندی تلفیق دادههای راداری و اپتیکی شده است.

کلیدواژه ها:

تلفیق دادههای راداری و اپتیکی ، تعدیل مولفههای ذاتی تصویر ، آموزش نظارت شده ویژگیها ، فیلتر گابور ، NMF ، .SENTINEL

نویسندگان

دانیا کریمی

دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز،

کاظم رنگزن

دانشیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز ،

غلامرضا اکبری زاده

استادیار گروه برق، دانشکده مهندسی، دانشگاه شهید چمران اهواز

مصطفی کابلی زاده

استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز ،

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 :
  • ابراهیمی نیا، علیرضا، هل فروش، محمدصادق. و دانیالی، حبیب اله.، ...
  • Aach, T., Kaup, A., Mester, R., :On texture analysis: Local ...
  • Akbarizadeh, G. (2012). A new statistical-bas ed kurtosis wavelet energy ...
  • Cao, Z., Feng, J., Min, R. Pi, Y., (20 12), ...
  • - Chang, Y. _ Chun Wang, Y., Fu, Y., Han, ...
  • Donga, T., Liua, J. Qiana, B. Zhaoa, T. Jinga, Q. ...
  • Fukuda, S. and Hirosawa, H., (1999), A wavelet-based texture feature ...
  • Gevaert, C. M. Suomalainen, J. Tang, J. and Kooistra, L. ...
  • Gou S.P., Chen P.J., Yang X.Y., Jiao L.C., (2008), Image ...
  • Haralick, R., Shanmugan and Dinstein, I., (1973), Texturan Features for ...
  • Li, C., Huang, R., Ding, Z., Gatenby, C., Metaxas, D. ...
  • Masaeli, M., Dy, J. G., and Fung, G. M., (2010). ...
  • PourEbtehaj, Z. _ Ramac handram, D., (2013), Automatic Target Recognition ...
  • Paatero, P. Tapper, U., (1994), Positive matrix factorization: A non-negative ...
  • Rahmani M., and Akbarizadeh, G., (2015), Unsupervised feature learning based ...
  • Robnik-Sikonj a M., and Kononenko, I., (2003), Theoretical and empirical ...
  • Tao, H., Hou, C., Nie, F., Jiao, Y., and Yi, ...
  • Tappen, M., Freeman, W. and Adelson, E., (2005), Recovering intrinsic ...
  • Tao and S. Auer, (2015), S imulation-B ased Building Change ...
  • Weiss, Y., (2001), Deriving intrinsic images from image sequences, Proc. ...
  • Wells W. M., Grimson W. E. L., Kikinis R. and ...
  • Zhang, X., Jiao, L., Liu, F., Bo, L. and Gong, ...
  • Zhang, H., Lin, H., Li, Y., (2015), Impacts of Feature ...
    • نمایش کامل مراجع