ادغام تصمیم‌گیری طبقه‌بندی های با نظارت و بدون نظارت بر تصاویر چند طیفی سنجش از دور به کمک طبقه‌بندی های دو کلاسی

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,307

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICMVIP08_100

تاریخ نمایه سازی: 9 بهمن 1392

چکیده مقاله:

در این مقاله از قاعده ادغام تصمیم‌گیری جهت ترکیب نقشه‌های کلاس حاصل از دو طبقه بندی با نظارت حداکثر احتمال و بدون نظارت کلاسترینگ k-means با دو معیار متریک نرم L1,L2 به منظور افزایش صحت و اعتبار طبق بند با نظارت حداکثر احتمال استفاده می‌شود. بچه‌های کلاس حاصل از دو طبق بند مذکور به عنوان ورودی‌های بحث ادغام تصمیم‌گیری به کار می‌رود و سپس با اعمال چهار طبقه بندی دو کلاسی حداقل فاصله ماهانوبیس ، نزدیک‌ترین همسایه k تایی ، ماشین بردار پشتیبان با کرنل خطی و گوسی به این بخش، صحت و اعتبار گل نقش کلاس نهایی در تصاویر جدیدی سنجش از دور ارزیابی می‌شود. نشان داده می‌شود که مال طبقه‌بندی هایده کلاسی به بحث ادغام تصمیم‌گیری سبب بهبود صحت و اعتبار نقش کلاس نهایی و کاهش تغییرات کیفی درون کلاسی در نواحی همگن طیفی می‌گردد. همچنین به کارگیری طبق بند ماشین بردار پشتیبان با کرنل گوسی بهترین اعتبار کل و طبق بند نزدیک‌ترین همسایه kتایی بهترین صحت گل را به کمک نمونه‌های آموزشی تصادفی محدود داشت و به عنوان مناسب‌ترین طبقه‌بندی هایده کلاسی ما شده به بحث ادغام تصمیم‌گیری در مقایسه با دیگر تکنیک‌های ادغام معصومی چون رأی اکثریت و رأی اکثریت وزن دهی MV,WMV بوده و دارای مزایایی چون کاهش پیچیدگی محاسباتی و زمان پردازش است.

کلیدواژه ها:

صحت و اعتبار کل طبقه‌بندی ، ادغام در سطح تصمیم‌گیری ، تحلیل مؤلفه‌های اصلی ، ماشین بردار پشتیبان ، طبق بند با نظارت و بدون نظارت

نویسندگان

فاطمه کوکبی

دانشجوی دکترای مخابرات بخش مهندسی برق و کامپیوتر - دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

حسن قاسمیان

استاد بخش مهندسی برق و کامپیوتر - دانشکده فنی و مهندسی - دانشگاه تربیت مدرس تهران

علی امیری

دانشگاه زنجان - دانشکده مهندسی - گروه کامپیوتر - آزمایشگاه پردازش ویویو و تصویر

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 :
  • Svarm Optimization -Based Particleه [3] H. Yang, Q. Du Cover ...
  • J. A. Richards and X. Jia, : Remote Sensing Digital ...
  • A. A. Green, M. Berman, P. Switzer, and M. D. ...
  • I. Dopido, A. Villa, A. Plaza, and P. Gamba, "A ...
  • H. Yang, B. Ma, and Q. Du, "Decision fusion for ...
  • Y. Tarabalka, J. A. Benediktsson, and J. Chanussot, _ 'Sp ...
  • F. Melgani, L Bruzzone, "Classification of Hyperspectral Remote Sensing Images ...
  • J. A. Gualtieri and R. F. Cromp, "Support vector hyperspectral ...
  • classification, " Proc. SPIE, vol. 3584, pp. 221-232, Jan. ...
  • J. A. Richards and X. Jia, Remote Sensing Digital Image ...
  • of multisource and hyperspectral data based on decision [10] G. ...
  • Trans. Geosci. Remote Sens., vol. 47, no. 11, pp. 3857- ...
  • J. A. Benediktsson and I. Kanellopoulos, "Classification ...
  • fusion, " IEEE Trans. Geosci. Remote Sens., vol. 37, no. ...
  • نمایش کامل مراجع