نظارت بر اجرای طبقه بندی تصاویر چند طیفی

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 563

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NACONF01_1384

تاریخ نمایه سازی: 25 خرداد 1393

چکیده مقاله:

امروزه دولت وآژانس های خصوصی ازتصویر برداری دورسنج،برای میزان وسیعی ازکاربردها، از کاربردهای نظامی گرفته تا گسترش مزارع استفاده می کنند. تصاویر ممکن است (تمام رنگی) چند طیفی، طیف وسیعی ، ویا حتی فراطیفی به اندازه های 1000 بایتی باشند.طبقه بندی تصاویر دور سنج،یکی ازمهم ترین کاربردهای جهانی سنجش از راه دور است. تعداد کمی از الگوریتم های طبقه بندی تصویری دارای دقت ثابت وبالای این نوع طبقه بندی دورسنجی داده ها هستند اما از دیرباز به علت افزایش ابعاد زمانی اطلاعات دور سنجی،الگوریتم های طبقه بندی شده سنتی بیانگر ضعف هایی است وبالطبع ضرورت تحقیقات بیشتر درزمینه طبقه بندی دورسنجی تصویر افزایش می یابد. بنابراین یک فرد برای استخراج اطلاعات نیازمند طبقه بندی این تصاویر است.ما با هردو گروه طبقه بندی باناظروبدون ناظر ،آزمایش خود راانجام دادیم. ابتدا ما تفوت روش های طبقه بندی وعملکرد آنها رامقایسه می کنیم. یافته ها حاکی ازآن است که طبقه بندی کننده ماهالانویس بهترین نوع طبقه بندی را انجام داده است.

کلیدواژه ها:

نویسندگان

عبدالله پوزاد

دانشجوی کارشناسی ارشد مهندسی محیط زیست گرایش ارزیابی و آمایش سرزمین دانشگاه پیام نور استان تهران مرکز تهران شرق

علی محمدزاده

دانشجوی کارشناسی ارشد مهندسی محیط زیست گرایش ارزیابی و آمایش سرزمین دانشگاه پیام نور استان تهران مرکز تهران شرق

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 :
  • James A. Shine and Daniel B Carr, "A Comparison of ...
  • Statistical computing section, New York City, pp.3205-3207, I1-15 August 2002. ...
  • Jasinski, M. F., "Estimation of subpixel vegetation density of natural ...
  • C. Palaniswami, _ K. Upadhyay and H. P. Ma heswarappa, ...
  • D. Lu, Q. Weng, "A Survey of image classification methods ...
  • Landgrebe D., "On information extraction principles for hyperspectral data", Cybernetics ...
  • M. Govender, K. Chetty, V. Naiken and H Bulcock, "A ...
  • Smith R. B., "Introduction to hyperspectral imaging", 2001a. www. microimages. ...
  • Smith R. B., "Introduction to remote sensing of the environment", ...
  • M. Govender, K. Chetty and H. Bulcock, "A review of ...
  • J. A. Richards., Remote Sensing Digital Image Analysis, Springer- Verlag, ...
  • D. Landgrebe., Hyperspectral image data analysis, IEEE signal process. Mag., ...
  • B. Gabrya, L. Petrakieva., Combining labeled and unlabelled data in ...
  • International Journal of Approximate Reasoning, (2004). [1 4]www. envi. com. ...
  • X. H. Liu, A. K. Skidmore, V. H. Oosten., Integration ...
  • classification Methods for improvement of land-cover map accuracy, ISPRS Journl ...
  • P. M. Atkinson, A. R. L. Tatnall., Introduction to neural ...
  • نمایش کامل مراجع