جستجو در تالارهای گفتگو

بهبود دقت طبقه بندي با استفاده از تلفيق الگوريتم هاي تشخيص هدف در تصاوير ابرطيفي نویسندگان: سيدين سيدعلي, ولدان زوج محمدجواد, مقصودي ياسر, جانعلي پور ميلاد* تصاوير ابرطيفي با قدرت تفکيک طيفي بالا باعث پيشرفت هاي وسيعي در حوزه هاي مختلف سنجش از دور شده اند. يکي از مهمترين کاربردهاي اين تصاوير در حوزه کشاورزي و جنگل مي باشد. هدف از اين تحقيق بهبود طبقه بندي گونه هاي مختلف گياهي در منطقه Botswana با استفاده از تلفيق الگوريتم هاي تشخيص هدف در تصوير ابرطيفي مي باشد. در گام اول الگوريتم هاي تشخيص هدف بر روي تصوير ابر طيفي پيش پردازش شده پياده سازي شد. در گام دوم، اطلاعات الگوريتم هاي تشخيص هدف با استفاده از روش پيشنهادي تلفيق گرديد. نتايج حاصل از روش تلفيق پيشنهادي براي ابعاد پنجره مختلف پياده سازي شد. بهترين دقت کلي روش تلفيق مربوط به پنجره با ابعاد 3 در 3 برابر %96.16 بود که دقت کلي نسبت به الگوريتم هاي تشخيص هدف تقريبا حداقل 8% و حداکثر 20% بهبود يافته است. منبع: [Hidden Content] دانلود: [Hidden Content] 7002413940412.pdf

سنجش کارايي ويژگي هاي بافتي GLCM در افزايش دقت طبقه بندي تصاوير حاصل از ادغام تصاوير تک باند و ابرطيفي مناطق مسکوني و صنعتي جنوب شهر تهران نویسندگان: ملك نژاد احمد, قاسميان حسن*, ميرزاپور فردين * دانشکده برق و کامپيوتر، دانشگاه تربيت مدرس كليد واژه: سنجش از دور، تصاوير ابرطيفي، ادغام تصاوير، بافت تصوير، طبقه بندي منبع: [Hidden Content] دانلود: [Hidden Content] 7002413940105.pdf

برآورد بعد ذاتي در تصاوير ماهواره اي ابرطيفي نویسندگان: حسنلو مهدي*, صمدزادگان فرهاد با پيشرفت سنجنده هاي سنجش از دور طيفي با توانتفکيک طيفي بالا، تصاوير ابرطيفي ماهواره اي بطور وسيع به منظور نظارت بر سطح زمين به خدمت گرفته شده اند. بزرگي ابعاد اين تصاوير نه تنها باعث افزايش پيچيدگي محاسبات گرديده بلکه باعث کاهش دقت طبقه بندي تصوير نيز شده است. کاهش ابعاد يکي از اصلي ترين روش ها در تصاوير ابرطيفي براي بهبود دقت طبقه بندي است. معمول ترين روش در کاهش ابعد انتخاب عارضه مي باشد. بطور ايده آل کاهش نمايندگان يک مجموعه به کاهش ابعاد ذاتي آن مرتبط مي شود. روشهاي مختلفي براي برآورد بعد ذاتي و نيز کاهش ابعاد در تصاوير ابرطيفي در منابع وجود دارد. در اين مقاله به شرح و مقايسه پنج تکنيک برآورد بعد ذاتي پرداخته و کارايي اين تکنيک ها را به منظور طبقه بندي با نظارت تصاوير ابرطيفي بررسي و بحث کرده است. اين تکنيکها شامل برآوردکننده مقدار ويژه (EV)، برآوردکننده بيشترين شباهت (ML)، برآوردکننده بعد همبسته (CD)، برآوردکننده عدد بسته بندي (PN) و کمترين گشترش درخت ژئودزيک (GMST) مي باشد. روش طبقه بندي کننده نزديکترين همسايگي (K-NN) به منظور طبقه بندي بانظارت مورد استفاده قرار گرفته است. تعداد زيادي از فواصل متريک در اين طبقه بندي کننده مورد استفاده و مقايسه قرار گرفته است. پرکاربردترين روش هاي کاهش ابعاد مانند تحليل مولفه اصلي (PCA) و تحليل مولفه مستقل (ICA) در خروجي روش هاي برآورده گر بکار گرفته شده است. اين تحقيق نگاهي مقايسه اي و مروري بر روش هاي برآورده گر داشته و نيز عارضه هاي باندي استخراج شده را به منظور طبقه بندي مورد استفاده قرار داده است. منبع: [Hidden Content] دانلود: [Hidden Content] 7002413920309.pdf