طبقه بندی خردپیکسلی تصاویر فراطیفی با استفاده از تحلیل مولفه های مستقل
Authors
abstract
شناسایی و تشخیص عوارض شهری، یکی از کاربردهای پیچیده در طبقه بندی تصاویر سنجش از دوری است. با این وجود، به نظر می رسد تصاویر فراطیفی به دلیل توانمندی ویژه در ارائه اطلاعات پیرامون مواد و اشیاء سطح زمین، توان بهتری داشته باشند. روش های پردازش تصاویر کلاسیک معمولا برای داده های فراطیفی، به نتایج قابل قبولی منجر نمی شوند. از این رو، روش-های نوینی برای استخراج اطلاعات از این نوع داده ها، مطرح شده اند. در این مقاله، بر پایه ی تحلیل مولفه های مستقل (independent component analysis (ica)) که یک روش پردازش سیگنال برای کاربردهای گوناگون جداسازی منابع است، یک الگوریتم طبقه بندی نرم ارائه شده است. ایده اصلی روش ica، بر مبنای فرض خطی بودن ترکیب منابع و استقلال آماری دو جانبه آنهاست. این روش، جداسازی منابع مرتبط با سهم و توزیع مواد گوناگون در صحنه را، بدون هیچ دانشی از پیش، فراهم می کند. به عبارت دیگر می توان این تحلیل را به عنوان راه حل غیر نظارت شده برای طبقه بندی نرم و جزء پیکسلی درنظر گرفت. در کاربرد طبقه بندی نرم، سیستم تصویربرداری فراطیفی، یک سیستم مشاهده گر با یک ترکیب طیفی خطی در نظر گرفته می شود. همچنین فرض می شود اطلاعات فراوانی کلاس های طیفی، مستقل هستند و به عنوان انواع گوناگونی از مواد با طیف خالص نسبی تفسیر شوند. به علت ابهامات ذاتی ica، منابع تخمین زده شده منطبق با فراوانی کلاس-های طیفی حاضر در صحنه نیست و نمی توانند به طور مستقیم به عنوان میزان حضور یا تعلق کلاس ها در صحنه مورد استفاده قرار گیرند. بنابراین، جهت تهیه نقشه های مواد حاضر در صحنه ی نقشه های پوششی، مرحله دیگری که همان تصمیم گیری، بر مبنای منطق فازی است، مورد نیاز است. الگوریتم پیشنهادی بر روی داده های سنجنده ی هوابرد casi، پیاده سازی شد. نتایج از طریق مقایسه با داده حقیقی زمینی ارزیابی شد. نتایج این پژوهش نشان می دهد که این الگوریتم برای کشف کلاس های اصلی موجود در صحنه توانمند است. با این وجود فرض خطی بودن مدل ممکن است همیشه برای برخی پدیده ها مانند اثر توپوگرافی روی سقف ساختمان ها، اثرات اتمسفری و پدیده اختلاط طیفی سازگار نباشد.
similar resources
طبقهبندی خردپیکسلی تصاویر فراطیفی با استفاده از تحلیل مولفههای مستقل
شناسایی و تشخیص عوارض شهری، یکی از کاربردهای پیچیده در طبقهبندی تصاویر سنجش از دوری است. با این وجود، به نظر میرسد تصاویر فراطیفی به دلیل توانمندی ویژه در ارائه اطلاعات پیرامون مواد و اشیاء سطح زمین، توان بهتری داشته باشند. روشهای پردازش تصاویر کلاسیک معمولا برای دادههای فراطیفی، به نتایج قابل قبولی منجر نمیشوند. از این رو، روش-های نوینی برای استخراج اطلاعات از این نوع دادهها، مطرح شدها...
full textطبقه 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...
full textبهبود 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...
full textارایه روشی جهت طبقه بندی تصاویر فراطیفی از طریق ترکیب روش مولفه های مستقل مقید و ماشین های بردار پشتیبان
ر این پژوهش از یک روش ترکیبی جهت طبقه بندی نظارت شده تصاویر سنجش از دور فراطیفی استفاده شده است. در طبقه بندی نظارت شده، به اطلاعات اولیه از صحنه تصویر برداری همچون تعداد و نوع کلاس های حاضر به عنوان داده های آموزشی برای آموزش طبقه بندی کننده نیاز است. در روش پیشنهادی، با ترکیب فرآیند جداسازی طیفی و طبقه بندی نظارت شده، نیاز به داشتن اطلاعات اولیه مرتفع می گردد. در این پژوهش از روش تحلیل مولفه ...
بهبود طبقه بندی طیفی- مکانی جنگل پوشای مینیمم با کاهش ابعاد تصاویر فراطیفی
فنآوری سنجش از دور فراطیفی دارای کاربردهای فراوان در طبقهبندی پوششهای زمین و بررسی تغییرات آنها است. با پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقهبندی تصاویر فراطیفی ایجاب میکند. در این تحقیق روشی جدید جهت طبقهبندی طیفی-مکانی تصاویر فراطیفی به کمک الگوریتم جنگل پوشای مینیمم ( MSF) مبتنی بر نشانهها که یکی از دقیقترین الگ...
full textکاهش 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...
full textMy Resources
Save resource for easier access later
Journal title:
مهندسی نقشه برداری و اطلاعات مکانیجلد ۴، شماره ۳، صفحات ۵۷-۷۰
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023