الگوریتم حد آستانه‌گذاری کمینه‌خطا برای آشکارسازی نظارت نشده تغییرات با استفاده از تصاویر پلاریمتری رادار با روزنه مجازی

Authors

  • اکبری, وحید دانشکده فیزیک و تکنولوژی- UiT-The Arctic University of Norway- نروژ
Abstract:

در این مقاله، یک روش نظارت نشده برای آشکارسازی تغییرات با استفاده از تصاویر پلاریمتری رادار با روزنه ترکیبی ارائه گردیده است. آماره آزمون ویشارت تصحیح یافته متقارن، به منظور ارزیابی برابری دو ماتریس کواریانس چندمنظر مربوط به دو تصویر پلاریمتری SAR در دو زمان مختلف بکار گرفته شده تا تصویر تک‌باندی خروجی آن در یک الگوریتم نظارت نشده حد آستانه گذاری قرار گیرد و در نهایت نقشه تغییر/عدم تغییر بدست آید. به طور خاص، الگوریتم حد آستانه‌گذاری کمینه خطای کیتلر و ایلینگورس، در یک حالت تعمیم‌یافته استفاده شده تا توزیع غیر گاوسین هیستوگرام‌های دو کلاس تغییر و عدم تغییر را مدل نماید. نتایج ارزیابی روش ارائه شده روی مجموعه داده‌های چندزمانه شبیه‌سازی شده پلاریمتری SAR و همچنین داده‌های پلاریمتری کامل باند C ماهواره رادارست-2 قابلیت الگوریتم ارائه شده را تایید می‌کند. نتایج داده‌های واقعی نشان می‌دهد که با داشتن اطلاعات هر چه بیشتر از باندهای پلاریزاسیون مقادیر دقت آشکارسازی و نرخ خطای کلی الگوریتم بهبود می‌یابد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

الگوریتم حد آستانه گذاری کمینه خطا برای آشکارسازی نظارت نشده تغییرات با استفاده از تصاویر پلاریمتری رادار با روزنه مجازی

در این مقاله، یک روش نظارت نشده برای آشکارسازی تغییرات با استفاده از تصاویر پلاریمتری رادار با روزنه ترکیبی ارائه گردیده است. آماره آزمون ویشارت تصحیح یافته متقارن، به منظور ارزیابی برابری دو ماتریس کواریانس چندمنظر مربوط به دو تصویر پلاریمتری sar در دو زمان مختلف بکار گرفته شده تا تصویر تک باندی خروجی آن در یک الگوریتم نظارت نشده حد آستانه گذاری قرار گیرد و در نهایت نقشه تغییر/عدم تغییر بدست آ...

full text

تلفیق تصاویر رادار با روزنه مجازی و اپتیک با استفاده از تبدیل کرولت

ماهواره­ های سنجش از دور، داده­هایی با خصوصیات طیفی و مکانی مختلفی از سطح زمین جمع­آوری می­کنند که هرکدام بخشی از خصوصیات عوارض را نمایان می­سازند. گاهاً اطلاعات بدست آمده از یک سنجنده به تنهایی پاسخگوی نیازهای مورد نظر ما نیست. با وجود اینکه داده­های چند طیفی[1] اطلاعات غنی طیفی را از عوارض مختلف به ما می­دهد، اما به‌طور قابل توجهی تحت تأثیر عوامل محیطی مانند دود، مه، ابر و میزان نور خورشید قرا...

full text

آشکارسازی بدون نظارت تغییرات محیطی با استفاده از آنالیز نقطه‏‌ی تغییر در تصاویر قطبیده راداری با روزنه مصنوعی

در این مقاله روشی برای آشکارسازی بدون نظارت تغییرات در تصاویر سنجش ‌از دوری قطبیده راداری با روزنه مصنوعی ارائه ‌شده است. این روش بر پایه‏ی روش آنالیز نقطه‌‌ی تغییر است. تابع چگالی احتمال تصاویر اختلاف، که در برگیرنده‌ی تغییرات زمانی محیطی هستند، از توزیع‏های آماری مشخصی برای هر کلاس پیروی می‌کنند. مدل آمیخته گاوسی یکی از مدل‌های مناسب برای آنالیز نقطه‌ی ‌‌تغییر است که توانمندی مناسبی برای برآو...

full text

طبقه‌بندی تصاویر پلاریمتری رادار با روزنه مجازی بر اساس تلفیق طبقه‌بندی کننده ماشین بردار پشتیبان و میدان‌های تصادفی مارکوف

تحقیقات اخیر نشان داده است که طبقه بندی تصاویر سنجش ازدور با کمک روش‌هایی که از اطلاعات مکانی در کنار اطلاعات طیفی استفاده می‌کند، نسبت به روش‌های مبتنی بر فقط اطلاعات طیفی، دقیق‌تر می‌باشد. اگرچه طبقه‌بندی به روش ماشین بردار پشتیبان دارای نتایج دقیق در بیشتر تصاویر سنجش‌ ازدور می‌باشد ولی این طبقه‌بندی کننده ذاتا بر مبنای فقط اطلاعات تک پیکسل عمل می‌کند، که این یک محدودیت برای استفاده از آن می...

full text

آشکارسازی بدون نظارت تغییرات محیطی با استفاده از آنالیز نقطه‏ ی تغییر در تصاویر قطبیده راداری با روزنه مصنوعی

در این مقاله روشی برای آشکارسازی بدون نظارت تغییرات در تصاویر سنجش از دوری قطبیده راداری با روزنه مصنوعی ارائه شده است. این روش بر پایه‏ی روش آنالیز نقطه ی تغییر است. تابع چگالی احتمال تصاویر اختلاف، که در برگیرنده ی تغییرات زمانی محیطی هستند، از توزیع‏های آماری مشخصی برای هر کلاس پیروی می کنند. مدل آمیخته گاوسی یکی از مدل های مناسب برای آنالیز نقطه ی تغییر است که توانمندی مناسبی برای برآورد پا...

full text

ارائه یک روش جدید برای طبقه بندی تصاویر پلاریمتری رادار با روزنه مجازی براساس تلفیق ماشین بردار پشتیبان و میدان های تصادفی مارکوف

در این مقاله یک روش نوین طبقه­بندی متنی به منظور طبقه­بندی تصاویر پلاریمتری رادار با روزنه مجازی ارائه شده است. روش پیشنهادی با تلفیق ماشین بردار پشتیبان (SVM) و طبقه­بندی­کننده ویشارت عمل می­کند. بدین ترتیب این روش از مزایای هر دو نوع روش­های پارامتریک و غیر پارامتریک بهره می­برد. در این روش، ابتدا تابع انرژی اولیه میدان­های تصادفی مارکوف (MRF) در یک همسایگی از هر پیکسل محاسبه می­گردد. سپس با ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 5  issue 2

pages  17- 29

publication date 2015-11

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023