استخراج ویژگی تصاویر ابرطیفی با استفاده از نمونه های آموزشی محدود

پایان نامه
چکیده

تمرکز اصلی ما در این رساله بر روی روش های استخراج ویژگی نظارت شده می باشد که هدف نهایی آن بهبود دقت طبقه بندی با استفاده از نمونه های آموزشی محدود می باشد. در این رساله سعی شده است که با زوایای مختلف به تولید فضای ویژگی با بعد کمترکه در آن تفکیک پذیری میان کلاس ها و در نتیجه دقت طبقه بندی افزایش می یابد نگاه شود. حاصل این نگاه از دیدگاه های مختلف، پیشنهاد و معرفی 14 روش برای استخراج ویژگی از تصاویر ابرطیفی با استفاده از نمونه های آموزشی محدود برای کاربردهای طبقه بندی است. روش های پیشنهادی تا جای ممکن نسبت به سایر روش های استخراج ویژگی، ساده و دارای کارایی مطلوب در تعداد نمونه های آموزشی محدود می باشند. هزینه اصلی اکثر روش های پیشنهادی، کاهش نسبی کارایی با افزایش تعداد نمونه های آموزشی می باشد.

منابع مشابه

بهبود روش استخراج ویژگی غیرپارامتریک وزن دار با استفاده از ترکیب خطی نمونه های آموزشی در تصاویر ابرطیفی

در این تحقیق، روشی برای بهبود استخراخ ویژگی غیرپارامتریک زون دار ارائه شده است، که در مسائل تشخیص الگو در فضاهای با ابعاد بالا استفاده می گردد. روش استخراج غیرپارامتریک زون دار بر اساس بسط غیرپارامتریک ماتریس های پراکندگی قرار گرفته است، که پارمترهای مانگین آن ها به طور جداگانه برای هر نمونه و با استفاده از مجموع وزن دار نمونه های سایر کلاس ها محاسبه می شود. وزن هر یک از این نمونه ها بر اساس فا...

متن کامل

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...

متن کامل

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...

متن کامل

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 ...

متن کامل

استخراج ویژگی در تصاویر ابرطیفی به کمک برازش منحنی با توابع گویا

In this paper, with due respect to the original data and based on the extraction of new features by smaller dimensions, a new feature reduction technique is proposed for Hyper-Spectral data classification. For each pixel of a Hyper-Spectral image, a specific rational function approximation is developed to fit its own spectral response curve (SRC) and the coefficients of the numerator and denomi...

متن کامل

استخراج ویژگی در تصاویر ابرطیفی به کمک برازش منحنی با توابع گویا

در این مقاله روشی برای کاهش ویژگی در تصاویر ابرطیفی به منظور طبقه‏بندی این داده‏ها معرفی شده است که بر مبنای استخراج ویژگیهای جدید با ابعادی بسیار کمتر از ابعاد ویژگیهای نخستین عمل می‏کند. برای هر پیکسل از یک تصویر ابرطیفی یک تابع تقریب کسری گویای مجزا از طریق برازش بر منحنی پاسخ طیفی آن پیکسل تولید می‏شود. ضرائب چند جمله‏ایها‏ی‏ صورت و مخرج این تابع به عنوان ویژگیهای جدید انتخاب می‏شوند. روش پ...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس - دانشکده مهندسی برق و کامپیوتر

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023