طبقه بندی نظارت نشده تصاویر فراطیفی با الگوریتم خوشه بندی possibilistic fuzzy c-means
نویسندگان
چکیده
روش های طبقه بندی از مهم ترین روش های استخراج اطلاعات از تصاویر سنجش از دوری می باشند که به طور مرسوم به دو دسته نظارت شده و نظارت نشده تقسیم می شوند. روش های نظارت شده نیازمند جمع آوری داده های آموزشی بوده و مستلزم صرف هزینه و زمان می باشند. در مقابل، روش های نظارت نشده فقط متکی بر داده های تصویری بوده و اغلب به صورت اتوماتیک انجام می شوند. روش های نظارت نشده نسبت به روش های نظارت شده اگر چه معمولا دارای دقت پایین تری هستند، امّا نیازمند هزینه، زمان و اطلاعات کم تری می باشند و به همین دلیل توجه بسیاری از محققین را به خود جلب نموده اند. در میان روش های طبقه بندی نظارت نشده، روش های خوشه بندی از اهمیت ویژه ای برخوردارند که یکی از معروف ترین آن ها، c-means است. نسخه فازی روش c-means مدل fuzzy c-means (fcm) است که یکی از پرکاربردترین روش های خوشه بندی می باشد. الگوریتم fcm به داده های دارای خطا حساس است و تحت تاثیر آنها قرار می گیرد. برای حل این مشکل، نسخه های اصلاحی دیگری شامل possibilistic c-means (pcm)، fuzzy possibilistic c-means (fpcm) و possibilistic fuzzy c-means (pfcm) توسط محققین ارائه شده است. در ابتدا مدل pcm پیشنهاد گردید که آن خود به خوشه های منطبق بر هم منجر می شد. از این رو، مدل fpcm ارائه شد که این مسئله را مرتفع نماید، اما برای یک مجموعه داده بزرگ این مدل نیز کارایی خود را از دست می داد. برای حل این مشکل مدل pfcm معرفی گردید که دارای انعطاف بیشتری نسبت به بقیه مدل ها بود. الگوریتم خوشه بندی pfcm، ترکیبی از الگوریتم های fcm و pcm است که از محدودیت های هر دو آن ها به دور می باشد و مشکل الگوریتم fpcm را نیز ندارد. در این مقاله از یکی از موفق ترین نسخه های c-means یعنی الگوریتم خوشه بندی pfcm، جهت طبقه بندی داده های تصویری فراطیفی hyperion استفاده گردیده و نتایج آن با نتایج الگوریتم fcm مقایسه شده است. آزمون های انجام شده نشان می دهد الگوریتم pfcm، دقت کلی را حدود %3 افزایش می دهد.
منابع مشابه
طبقهبندی نظارت‌نشده تصاویر فراطیفی با الگوریتم خوشه‌بندی Possibilistic Fuzzy c-Means
روش‌های طبقهبندی از مهمترین روش‌های استخراج اطلاعات از تصاویر سنجش از دوری می‌باشند که به طور مرسوم به دو دسته نظارت‌شده و نظارت‌نشده تقسیم می‌شوند. روش‌های نظارت‌شده نیازمند جمع‌آوری دادههای آموزشی بوده و مستلزم صرف هزینه و زمان می‌باشند. در مقابل، روش‌های نظارت‌نشده فقط متکی بر دادههای تصویری بوده و اغلب به صورت اتوماتیک انجام می‌شوند. روش‌های نظارت‌نشده نسبت به روش‌های نظارت‌شده اگر چه م...
متن کاملبهبود طبقه بندی بدون نظارت تصاویر فراطیفی با استفاده از مدل خوشه بندی فازی gustafson-kessel
مدل های خوشه بندی c-means یکی از پرکاربردترین شیوه های طبقه بندی نظارت نشده در آنالیز داده ها به شمار میرود. مدل فازی این روش، یعنی fuzzy c-means، یکی از مشهورترین مدل هایی است که در آن هر داده با یک مقدار درجۀ عضویت بین 0 و 1، به هر یک از خوشه ها اختصاص داده میشود. این مدل خوشه بندی جهت طبقه بندی داده های سنجش از دوری بسیار استفاده شده است. مدل fuzzy c-means از فاصلۀ اقلیدسی جهت خوشه بندی اس...
متن کاملتصحیح سیستم طبقه بندی امتیاز توده سنگ با استفاده از الگوریتم های خوشه بندی k-means و fuzzy c-means
با توجه به اهمیت و کاربرد سیستم طبقه بندی امتیاز توده سنگ در مهندسی سنگ، هدف از این مقاله تصحیح کلاس های نهایی این سیستم طبقه بندی با استفاده از الگوریتم های خوشه بندی k-means و fuzzy c-means (fcm) است. در سیستم طبقه بندی امتیاز توده سنگ داده ها توسط یک سری از اطلاعات اولیه بر مبنای نظریات و قضاوت های تجربی طبقه بندی می شوند ولی با کاربرد الگوریتم های خوشه بندی در این سیستم طبقه بندی، کلاس بندی...
متن کاملطبقه بندی تصاویر فراطیفی با استفاده از مدل آمیخته ی گاوسی و الگوریتم نمونه گیر گیبز
با پیشرفتهای فناوری سنجش از دور و تولید دادههای فراطیفی با اطلاعات طیفی فراوان، استفاده از این دادهها جهت مطالعه دقیق پدیدهها به سرعت در حال گسترش است. تصاویر فراطیفی به دلیل نمایش گسترده خصوصیات طیفی عوارض و پدیدههای سطح زمین در بسیاری از علوم زمین مورد توجه قرار گرفتهاند. یکی از مهمترین کاربردهای تصاویر فراطیفی، طبقهبندی آنها و تولید نقشههای پوشش زمینی بدون نیاز به دادههای واقعیت زم...
متن کاملکاهش بعد تصاویر فراطیفی از طریق خوشه بندی فازی باندها
این مقاله یک روش نوین جهت انتخاب باند از تصاویر فراطیفی از طریق خوشه بندی باندها ارائه می دهد. نوآوری اصلی این تحقیق در دو موضوع قرار می‌گیرد: الف- ارائه یک فضای محاسباتی جدید با نام فضای پدیده که در آن باندها بر اساس انعکاس طیفی پدیده ها دارای بردار مشخصه می‌شودد. ب- ارائه معیار هایی نظیر عدم قطعیت و زاویه در فضای پدیده برای شناسایی باندهای با وابستگی بالا و باندهای حاوی اطلاعات. پس از آنکه فض...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
مهندسی نقشه برداری و اطلاعات مکانیجلد ۸، شماره ۱، صفحات ۳۵-۴۴
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023