طبقه بندی نظارت نشده تصاویر فراطیفی با الگوریتم خوشه بندی possibilistic fuzzy c-means

Authors

حمید عزت آبادی پور

h. ezzatabadi pour سعید همایونی

s. homayouni

abstract

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.

Upgrade to premium to download articles

Already have an account?login

similar resources

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...

full text

بهبود 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 text

تصحیح 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...

full text

طبقه 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 text

کاهش 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 text

کاهش بعد تصاویر فراطیفی از طریق خوشه بندی فازی باندها

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}

Journal title:

مهندسی نقشه برداری و اطلاعات مکانی

جلد ۸، شماره ۱، صفحات ۳۵-۴۴

Keywords

طبقه بندی بدون نظارت fuzzy c means possibilistic fuzzy c means تصاویر فراطیفی

Hosted on Doprax cloud platform doprax.com