تحلیل ممیز طیفی و مکانی برای استخراج ویژگی ادغام شده در تصاویر ابرطیفی

Authors

maryam imani

postdoctoral researcher, faculty of electrical and computer engineering, tarbiat modares university, tehran, iran, maryam. hassan ghassemian

professor, faculty of electrical and computer engineering, tarbiat modares university, tehran, iran

abstract

: ادغام ویژگی های ارزشمند طیفی و مکانی در تصاویر ابرطیفی با تفکیک مکانی بالا، دقت طبقه بندی را به مقدار قابل توجهی بهبود می بخشد. در این مقاله یک روش استخراج ویژگی طیفی- مکانی بر مبنای تحلیل ممیز پیشنهاد شده است. برای افزایش تفکیک پذیری کلاس ها، پراکندگی های بین کلاسی حداکثر و پراکندگی های درون کلاسی حداقل شده است. برای وارد نمودن اطلاعات مکانی در فرآیند استخراج ویژگی، پراکندگی های مکانی در یک پنجره همسایگی مکانی به صورت چند مقیاسی محاسبه گردیده است. ما روش پیشنهادی خود را با ترکیب باندهای طیفی اولیه و ویژگی های مکانی استخراج شده با استفاده از فیلترهای گابور (gabor)، ماتریس هم رخداد سطوح روشنایی(glcm)  و پروفایل مورفولوژی و همین طور با روش های استخراج ویژگی طیفی از قبیل استخراج ویژگی وزن دار غیرپارمتریک(nwfe)   و تصویر حفظ محلیت (lpp) مقایسه نموده ایم. نتایج آزمایش ها بر روی داده های ابرطیفی واقعی، کارایی خوب روش پیشنهادی را در مقایسه با سایر روش های مورد اشاره نشان می دهند.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

جاسازی خط ویژگی وزن‌دار برای استخراج ویژگی تصاویر ابرطیفی

One of the most preprocessing steps before the classification of hyperspectral images is supervised feature extraction. Because obtaining the training samples is hard and time consuming, the number of available training samples is limited. We propose a supervised feature extraction method in this paper that is efficient in small sample size situation. The proposed method, which is called weight...

full text

شناسایی زیرفضای سیگنال و استخراج عضوهای خالص با ادغام اطلاعات طیفی مکانی برای بهبود جداسازی طیفی تصاویر ابرطیفی

طبقه بندی پیکسل های مختلط فرآیندی است که سعی دارد نوع و سهم هر یک از مولفه های خالص موجود در پیکسل ها را برآورد کند به دلیل وجود پیکسل های مختلط در تصاویر ابرطیفی، دقت طبقه بندی در این تصاویر با روش های معمول طبقه بندی کاهش می یابد. یکی از روش های متداول برای طبقه بندی پیکسل های مختلط در تصاویر ابرطیفی، جداسازی طیفی است که به کاربران امکان استخراج اطلاعات را در سطح زیرپیکسل می دهد. جداسازی طیفی...

تاثیر انتخاب ویژگی به کمک الگوریتم ژنتیک بر طبقه بندی طیفی مکانی تصاویر ابرطیفی

فن‌آوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه­بندی پوشش‌های زمین و بررسی تغییرات آنها می‌باشد. با پیشرفت‌های اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقه­ بندی تصاویر ابرطیفی ایجاب می‌کند. در این تحقیق سعی می‌گردد تاثیر کاهش ابعاد به کمک الگوریتم ژنتیک را در فرآیند طبقه­ بندی طیفی-مکانی تصاویر ابرطیفی بررسی شود. در میان الگوریت...

full text

حسگری فشرده تصاویر ابرطیفی با دسته‌بندی طیفی و بازسازی با تنظیم‌کننده تغییرات کلی طیفی- مکانی

در این مقاله با توجه به همبستگی باندهای طیفی یک تصویر ابرطیفی، ابتدا این باندها را بر اساس ضرایب همبستگی دسته‌بندی می‌کنیم. سپس با استفاده از همبستگی مکانی بین پیکسل‌های یک تصویر ابرطیفی و به‌کارگیری دسته‌بندی مذکور، یک روش حسگری فشرده طیفی-مکانی را با دسته‌بندی طیفی برای تصاویر ابرطیفی پیشنهاد می‌نماییم. برای بازسازی این تصاویر، روش تنظیم‌کننده تغییرات کلی طیفی-مکانی پیشنهاد می‌شود که در آن عل...

full text

جاسازی خط ویژگی وزن دار برای استخراج ویژگی تصاویر ابرطیفی

یکی از مراحل مهم قبل از طبقه بندی تصاویر ابرطیفی، کاهش ویژگی با استفاده از روش های استخراج ویژگی است. در این مقاله یک روش استخراج نظارت شده پیشنهاد شده که دارای کارایی خوبی با استفاده از تعداد نمونه های آموزشی محدود است. روش استخراج ویژگی پیشنهادی که جاسازی خط ویژگی وزن دار (wfle) نامیده شده، از مفاهیم  خط ویژگی برای تولید نمونه های آموزشی مجازی استفاده می کند. نمونه های آموزشی مجازی تولید شده ...

full text

تحلیل ممیز غیرپارامتریک بهبودیافته برای دسته‌بندی تصاویر ابرطیفی با نمونه آموزشی محدود

Feature extraction performs an important role in improving hyperspectral image classification. Compared with parametric methods, nonparametric feature extraction methods have better performance when classes have no normal distribution. Besides, these methods can extract more features than what parametric feature extraction methods do. Nonparametric feature extraction methods use nonparametric s...

full text

My Resources

Save resource for easier access later


Journal title:
مهندسی برق مدرس

جلد ۱۳، شماره ۲، صفحات ۱-۱۱

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023