امروزه موضوع ایمنی راه ها به دلیل ایجاد هزینه های گزاف اجتماعی و اقتصادی تصادفات جاده ای و پیامدهای فیزیکی و روانی آن بر روی افراد و جوامع، یکی از مهمترین موضوعات در تحقیقات علمی بخش حمل و نقل به شمار می آید. به دلیل وجود محدودیت های اجرایی و بودجه ای برای ایمن سازی کلیه قطعات تصادف خیز، امکان ایمن سازی تمامی این قطعات در راه ها وجود ندارد. از این رو باید ضمن شناسایی قطعات تصادف خیز آنها را برای انجام عملیات ایمن سازی، اولویت بندی کرد. در این تحقیق پس از بررسی اشکالات روش های موجود قطعه بندی راه، انواع خطاهای ایجاد شده ناشی از آنها بررسی شده است. یکی از اشکالات روش های رایج برای قطعه بندی عدم شناسایی طول قطعه تصادف خیز است که در این رساله با شبیه سازی آمار تصادفات به سیگنال پاسخ راه به ترافیک عبوری توسط یک مدل دینامیکی مبتنی بر تئوری تبدیل موجک، امکان شناسایی طول قطعات تصادف خیز متناسب با آرایش تصادفات در طول مسیر به وجود آمده است. از مهمترین قابلیت های مدل قطعه بندی دینامیکی راه، امکان شناسایی قطعات تصادف خیز با طول مختلف و شناسایی قطعات با طول کوتاه در طول قطعات بلندتر است. در حل یک مثال واقعی، میزان بهبود نتایج برای شناسایی قطعات تصادف خیز در صورت استفاده از مدل قطعه بندی پویا نسبت به روش قطعه بندی راه بوسیله قطعه با طول ثابت و موقعیت شناور برای شناسایی 10 تا 20 درصد اولویت های تصادف خیزترین قطعات راه حدوداً بین 25% تا 38% است. همچنین در ادامه روش های رایج اولویت بندی قطعات تصادف خیز مورد ارزیابی قرار گرفتند. مهمترین اشکال این روش ها در نظر نگرفتن علت تصادف در مدل های تحلیلی آنها است. یکی از نتایج این تحقیق حاکی از این است که در تحلیل آمار تصادفات برای اولویت-بندی قطعات تصادف خیز نمی توان تعداد تصادفات به وقوع پیوسته در یک قطعه به علت های مختلف را با هم جمع کرد از این رو در این رساله سعی شده تا با ساخت یک مدل جدید برای اولویت بندی قطعات تصادف خیز علت تصادف را نیز در تحلیل مورد توجه قرار داد. مهمترین خصوصیت این روش شناسایی قطعات تصادف خیز با احتمال زیاد برای وقوع تصادف به علت خاص است. البته با مقایسه این مدل با روش های موجود در حل یک مثال واقعی، خطای ناشی از در نظر نگرفتن علت در شناسایی قطعات تصادف خیز مشخص شده است.

مشخص کردن تعداد کلاسهای مختلف در یک ناحیه تصویر برداری شده، یکی از مهم ترین کاربردهای تصاویر polsar می باشد که به این عمل طبقه بندی تصویر می گویند. فرآیند طبقه بندی کردن یک تصویر polsar را می توان با سه قسمت سنجنده، تجزیه و تحلیل عناصر توان و طبقه بندی کننده مدل کرد.سنجنده مبدلی است که پالس های ماکروویو را به زمین ارسال کرده و تصاویر راداری را به وسیله اندازه گیری انرژی بازگشتی از صحنه تشکیل می دهد.در چند ساله اخیر با پیشرفتهایی که در سیستمهای راداری قطبش سنجی به وجود آمده، امکان اندازه گیری یک تصویر در چهار حالت قطبیدگی ارسالی و دریافتی مختلف-کانال های hh , hv, vv&vh- فراهم شده است که به این تصاویر، تصاویر قطبش سنجی می گویند. از آنجایی که این چهار کانال به تنهایی نمی توانند توصیف هندسی از صحنه را ارائه دهند، در بخش تجزیه و تحلیل با استفاده از الگوریتم های تجزیه و تحلیل عناصر پراکندگی توان، مشخصات فیزیکی و نوع و چگونگی جهت گیری اجزاء صحنه نسبت به بیم ارسالی مورد بررسی قرار می گیرد.در این بخش مدل های تجزیه بسیاری مطرح شده است که از آن جمله مدل پائولی، فریمن و یاماگوچی را می توان ذکر کرد. کامل ترین این مدل های مدل یاماگوچی می باشد که صحنه مورد نظر به چهار دسته پراکندگی توان تقسیم بندی می کند: پراکندگی سطحی و پراکندگی حجمی و پراکندگی با جهش دوگانه و پراکندگی چرخشی. این پارامتر ها فقط به توصیف هندسی و جهت گیری هدف می پردازد و لذا در بخش طبقه بندی با استفاده از الگوریتم های طبقه بندی ماهیت اجسام شناسایی می شود. از آنجایی که الگوریتم های طبقه بندی بر اساس خصوصیات آماری تصویر می باشند و ویژگی های پراکندگی(قطبیدگی) و شکل هندسی اجزاء صحنه در آنها استفاده نشده است، در این پایان نامه با استفاده از بلوک تجزیه و تحلیل، عناصر پراکندگی توان استخراج شده و سپس این عناصر را به الگوریتم های رایج طبقه بندی اعمال کرده و بدین صورت هر دو ویژگی پراکندگی(قطبیدگی) و آماری با یکدیگر در فرآیند طبقه بندی استفاده شده و دقت طبقه بندی به مراتب بهبود می یابد.با بررسی های انجام شده، مشخص شد که تاکنون تصاویر polsar را با استفاده از الگوریتم های مختلف تجزیه عناصر توان از قبیل روش های همدوس- مانند روش پائولی- و روش های غیر همدوس- مانند روش فریمن- خوشه بندی کرده اند که روش فریمن نسبت به روش پائولی کامل تر بوده و در سال 2004 توسط lee مورد بررسی قرار گرفته بود. لذا در این تحقیق ابتدا مروری بر کارهای گذشته داشته و تأثیر استفاده از مدل فریمن در خوشه بندی تصویر نسبت به حالت استفاده از ماتریس پراکندگی مورد بررسی قرار داده می شود و سپس در ادامه با استفاده از الگوریتم پیشنهادی- استفاده از عناصر مدل یاماگوچی(به جای مدل فریمن)برای خوشه بندی تصویر- بهبود در نتیجه نهایی خوشه بندی نسبت به روش های گذشته ملاحظه خواهد شد،

کم بودن تعداد نمونه های آموزشی نسبت به تعداد باندهای تصویر یک مشکل اساسی طبقه بندی داده های ابرطیفی، می باشد. در این تحقیق با ترکیب دو رویه طبقه بندی طیفی -مکانی، یکی بر اساس استفاده از ناحیه بندی به منظور تعریف همسایگی وفقی برای هر پیکسل و دیگری بر پایه استفاده از مدل mrf مبتنی بر پنجره ثابت، مشکل محدود بودن تعداد نمونه های آموزشی در طبقه بندی تصاویر ابرطیفی، تعدیل یافته است. در ابتدا روشی کارا برای احتمالاتی کردن خروجی طبقه بند svm معرفی می گردد. این احتمال‏های کلاس بدست آمده در قاعده پیشنهادی رأی گیری اکثریت مطمئن (cmv) جهت ترکیب نتایج ناحیه بندی و طبقه بندی احتمالاتی ابتدایی استفاده می شوند. نتایج طبقه-بندی دو تصویر واقعی aviris و rosis نشان می دهد که این قاعده صحت طبقه بندی را به ترتیب 77/5 و 07/6 درصد در مقایسه با قاعده سنتی رأی گیری اکثریت (mv)، بهبود می دهد. در رویه ای دیگر، برچسب پیکسل های نامطمئن (پیکسل های مرزی) نقشه طبقه بندی ابتدایی، با استفاده از مدل svm-mrf اصلاح می شوند. این روش پیشنهادی نیز علاوه بر بهبود صحت میانگین، در مقایسه با روش سنتی svm-mrf که بر روی کل تصویر اعمال می شود، صحت طبقه بندی را برای تصاویر aviris و rosis، به ترتیب 40/2 و 54/7 درصد با زمان پردازش به مراتب کمتر بهبود می دهد. صحت نهایی طبقه بندی دو تصویر aviris و rosis با استفاده از این روش ترکیبی، به ترتیب 11/89 و 09/96 درصد است که نشان می دهد بر خلاف اغلب روش های پیشنهاد شده پیشین که هر پیکسل را به تنهایی و بدون در نظر گرفتن اطلاعات ساختارهای مکانی پردازش می کنند، الگوریتم طیفی-مکانی پیشنهادی با نمونه های آموزشی کم می تواند طبقه‏بندی مطلوبی را انجام دهد.

سمع قلب با استفاده از استتوسکوپ روشی سریع، ارزان و غیرتهاجمی می باشد که از دیرباز در تشخیص بیماری های قلبی مورد استفاده قرار گرفته است. متأسفانه به دلیل محدودیت های شنوایی، گوش انسان قادر به ارزیابی و تحلیل صحیح اصوات قلب نمی باشد. بنابراین ارائه ی سیستمی که قادر به دریافت، ضبط و ارزیابی صداهای قلب به طور خودکار باشد می تواند بسیار سودمند واقع شود. در این راستا نیاز به بسط و توسعه روش هایی است که تا کنون در زمینه ی تحلیل و طبقه بندی سیگنال صدای قلب به کار رفته اند. هدف از این پژوهش ارائه روشی بوده که با درصد صحت و اعتبار بالایی به این مهم بپردازد. تجزیه زمان-فرکانس ابزاری قوی در پردازش سیگنال های غیر ایستان خصوصاً صدای قلب می باشد که امکان شناسایی و تشخیص سوفل را در کاربردهای تشخیص بیماری فراهم می آورد. در این پایان نامه روشی مبتنی بر تجزیه موجک ارائه شده است که با ادغام اطلاعات زمانی-طیفی با اطلاعات بدست آمده از اعمال روش تجزیه مولفه های اصلی، به استخراج ویژگی هایی با قدرت تمایز بالا از سیگنال الگو می پردازد. سیگنال الگو یک تک ضربان نماینده است که با ادغام اطلاعات موجود در چندین ضربان متوالی، توصیفی فشرده از فعالیت های بیولوژیک قلب را فراهم کرده و به صورت چشمگیری بر دقت طبقه بندی می افزاید. طی فرایند ساخت سیگنال الگو، مورفولوژی رفتارهای تکرارشونده ناشی از فعالیت های طبیعی و غیرطبیعی قلب حفظ شده و نویزهای تصادفی حاضر در برخی سیکل ها حذف می شوند. به منظور سنجش میزان کارایی روش پیشنهادی از داده های الکتریکی و آکوستیک قلب 93 شخص استفاده شده که از این بین 40 نمونه سالم و 53 نمونه مربوط به حالتی است که شخص از نوعی از اختلالات دریچه ای- عروقی قلب رنج می برد. روش پیشنهادی بر داده های واقعی کلینیکی اعمال شده و توانسته است با استفاده از طبقه بند ساده ی k-nn به تفکیک کلاس ها با درصد صحت 96% بپردازد. بدین معنی که روش پیشنهادی در مقایسه با روش های قبلی توانسته است درصد صحت بالایی را همزمان با داشتن سرعت پردازش مطلوب احراز کند و این امر خود حاکی از توانایی روش پیشنهادی در جداسازی صداهای سالم از بیمار می باشد.

در تصاویر سنجش از دور بدلیل محدودیت سیگنال به نویز سنجنده، امکان اخذ تصاویر با دقت طیفی و مکانی بالا مقدور نیست. اگر دقت طیفی بالا مورد نظر باشد، باید دقت مکانی سنجنده کاهش یابد. بلعکس، برای اخذ تصاویر با دقت مکانی بالا، دقت طیفی تصویر از دست رفته و تصویر تکرنگ بدست می آید. ادغام تصاویر ماهواره ای یکی از روش هایی است که می تواند از اطلاعات مکمل تصاویر استفاده نماید. بدین گونه که اطلاعات مکانی را از تصاویر با قدرت تفکیک مکانی بالا و اطلاعات طیفی را از تصاویر با قدرت تفکیک طیفی بالا استخراج و با هم ترکیب نموده و تصویری با دقت مکانی و طیفی بالا ایجاد نماید. معمولاً این فرایند سبب تخریب اطلاعات طیفی و مکانی موجود در تصاویر مرجع می گردد. آنچه در ارزیابی نتایج ادغام تصاویر با روش های مختلف موردنظر می باشد، حفظ اطلاعات طیفی و افزایش دقت مکانی است. نتایج عمومی حاصل از ادغام تصاویر چندطیفی با تصویر با دقت مکانی بالا نشان می دهد که معمولاً بهبود ویژگی های مکانی، موجب اغتشاش در اطلاعات طیفی می شود. در نتیجه در میان روش های ادغام، روشی مناسب است که در عین تقویت دقت مکانی، کمترین تخریب را بر اطلاعات طیفی وارد سازد. در این پایان نامه، از تبدیلات جدید مکان-فرکانس شامل کرولت، کانتورلت و ریپلت که تبدیلات ذاتا دو بعدی می باشند، به منظور استخراج اطلاعات مکانی از تصویر تکرنگ بکار گرفته شده است. ادغام بر اساس تبدیلات مذکور بر روی سه مجموعه داده سنجش از دور اعمال گردیده و توسط معیارهای کمی و کیفی مورد ازریابی قرار گرفته اند. نتایج حاکی از آن است که ادغام بر اساس روش های مذکور از کیفیت بالایی برخوردارند.

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.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

در این پایان نامه، رویکردی سلسله مراتبی برای بازیابی بر اساس محتوای(cbir) تصاویر درموسکوپی با هدف کمک به تشخیص بیماری در درماتولوژی کلینیکی پیشنهاد می شود. در روش های معمول cbir، سنجش شباهت تنها با محاسبه فاصله بردارهای ویژگی تصاویر مجموعه داده صورت می گیرد. در نتیجه، فاصله معنایی چالش بزرگی در عملکرد بازیابی ایجاد می کند. از این رو، در این تحقیق زیرمجموعه های ویژگی مختلف و یک رویکرد سلسله مراتبی سه مرحله ای را برای سنجش شباهت در بازیابی تصاویر اتخاذ می کنیم؛ به این ترتیب که با ارائه یک تصویر جدید(q) به سیستم cbir، در گام اول کلاس بیماری این تصویر با به کارگیری یک طبقه بند svm و ویژگی هایی که به خوبی بین کلاس ها تمایز قائل می شوند، تعیین می شود. از آن جا که برچسب تصاویر در هر یک از کلاس های خوش خیم و بدخیم از دیدگاه نوع بیماری و شدت آن معین نیست، در مرحله دوم با به-کارگیری ویژگی هایی با قابلیت بالایی برای تمایز خوشه های موجود در هر کلاس و استفاده از الگوریتم خوشه بندی fcm، نزدیک ترین زیرکلاس به تصویر q را می یابیم. در نهایت، بازیابی شبیه ترین تصاویر از میان تصاویر نزدیک ترین زیرکلاس به تصویر q، بر اساس یک تابع سنجش شباهت، انجام می شود. مجموعه داده مورد نظر در این تحقیق، مجموعه 1983 تصویر درموسکوپی ضایعات رنگدانه ای سرطان پوست می باشد. مقایسه دو روش سنجش شباهت(سنجش شباهت بر اساس محاسبه فاصله بردارهای ویژگی توسط تابع فاصله اقلیدسی و سنجش شباهت بر اساس فرایند سه مرحله ای سلسله مراتبی پیشنهادشده) نشان داد که بازیابی سلسله مراتبی نتایج بازیابی را به مقدار قابل توجهی بهبود می بخشد.

مرگ قلبی ناگهانی یکی از مهمترین عوامل مرگ و میر به شمار می رود و در بین مرگ های ناشی از بیماری های قلبی سهم عمده ای را به خود اختصاص می دهد. متداول ترین روش پیشگیری این عارضه استفاده از دفیبریلاتورهای قلبی قابل کاشت یا icd است که یک روش تهاجمی محسوب می شود. در حال حاضر از کسر برون دهی قلبی برای تشخیص بیماران در معرض خطر، استفاده می گردد و دفیبریلاتور برای این دسته خاص از بیماران به کار گرفته می شود. اما با استفاده از این روش نسبت درمانهای انجام شده به موارد پیشگیری زیاد شده و از نظر اقتصادی مقرون به صرفه نمی باشد. بنابراین معیار بهتری برای طبقه بندی بیماران مورد نیاز است. تحقیقات نشان داده اند که تغییرات مایکروولت در موج t از سیگنال ecg می تواند معیار خوبی برای طبقه بندی باشد. به دلیل بازه نسبتاً طولانی ثبت سیگنال ecg و نیز قابل رویت نبودن این تغییرات در مقیاس های متعارف، تشخیص این تغییرات به الگوریتم خودکار کامپیوتری نیاز دارد. در این تحقیق تشخیص تغییرات موج t با استفاده از مفهوم ضرایب لیاپانوف پیشنهاد شده است. اعتبارسنجی این روش با استفاده از روش تغییرات کنترل شده موج t و پایگاه داده های تفسیر شده نشان می دهد که این روش می تواند با قابلیت اعتماد قابل قبولی تغییرات موج t را تشخیص دهد.

کشف و آشکارسازی تغییرات یکی از کاربردهای مهم سنجش از دور می باشد. روشهای متفاوت و گوناگونی جهت آشکارسازی تغییرات از تصاویر ماهواره ای چندزمانه ارائه گردیده است که رایجترین و متداولترین آنها روش تفریق تصاویر ماهواره ای مولفه های اصلی بوده است . در تصاویر چند طیفی مثل تصاویر tm و همچنین در مواردی که چند گروه از تغییرات رخ داده باشد روش تفریق تصاویر و تحلیل مولفه های اصلی نمی تواند نتایج مطلوبی دربر داشته باشد. در روش تفریق تصاویر بعلت متفاوت بودن اطلاعات تغییرات در باندهای طیفی، اطلاعات متفاوتی از تغییرات در هر باند طیفی بدست می آید. همچنین جهت جداسازی اطلاعات تغییرات از عدم تغییرات نیاز به حد آستانه وجود دارد، که در این مورد بررسیهای بیشتری لازم است . در تحلیل مولفه های اصلی اطلاعات تغییرات در چند مولفه پراکنده می شود و تصمیم گیری در مورد انتخاب مولفه ای که حاوی کل اطلاعات تغییرات باشد مشکل است (gong 1993). در این تحقیق از تصاویر ماهواره ای tm به فاصله زمانی 6 سال در منطقه جنوب تهران جهت آشکارسازی تغییرات استفاده شده است . جهت تهیه تغییرات از روش ترکیبی تحلیل مولفه های اصلی توام با آنالیز رگرسیون استفاده شده است . آنالیز رگرسیون بین باندهای متناظر چند طیفی قبل از تحلیل مولفه های اصلی باعث شده نقش مناطقی که تغییرات نداشته است در محاسبه ماتریس واریانس کواریانس به حداقل برسد. بدین ترتیب مولفه های اول حاصل از آنالیز رگرسیون بین باندهای متناظر چند طیفی در ارتباط با اطلاعات تغییرات می تواند باشد. با استفاده از روابط فازی و براساس توابع عضویت در تغییرات فازی، متناسب با پارامترهای هیستوگرام مولفه های اول و دوم، تصاویر عضویت در تغییرات ایجاد شده است . همچنین براساس قوانین مجموعه های فازی اطلاعات تغییرات موجود در تصاویر عضویت در تغییرات مولفه های اول و دوم در یک تصویر نشان داده شده است . جهت جداسازی تغییرات از عدم تغییرات انتخاب حد آستانه براساس داده های مرجع زمینی صورت گرفته است . نتایج این تحقیق نشان می دهد که کاربرد توام روش آنالیز رگرسیون و تحلیل مولفه های اصلی نسبت به روش تفریق تصویر مولفه های اصلی نتایج بهتری دارد.

بدن انسان از عجایب خلقت است که خداوند متعال براساس حکمت عالیه خود آنرا خلق نموده است . سراسر بدن نشان از تدبیر وعلم بی نهایتی دارد که اگر انسان با دقت و تدبیر به آن فکر کند ، بی اختیار متوجه یک قدرت و وجود فوق العاده عظیم و لایتناهی می شود و در چنین حالتی است که تازه پی می برد که به هیچ وجه قادر به سپاسگزاری از او نیست و فقط احساس می کند که خیلی دوستش دارد . مدلسازی سیستمهای بیولوژیکی یکی از شاخه های اصلی مهندسی پزشکی می باشد. اخیرا برخی از دانشمندان این رشته علاقه زیادی به مدلسازی سیستمهای بینایی زیستی پیداکرده اند. در این پایان نامه سعی شده است که با استفاده از فعالیت های گوناگون انجام شده در این زمینه ، مدلی جامع و در برگیرنده اکثر توانایی های چشم انسان پیشنهاد و بوسیله نرم افزار پیاده سازی گردد. در این راستا ابتدا با بعضی از توانایی های شبکیه در پردازش اطلاعات و سازوکار فیزیولوژیکی این پردازشها آشنا می شویم و بعد برخی از جنبه های این پردازش ها را مدلسازی نموده و بصورت نرم افزاری پیاده سازی کرده و سپس مدلهای نرم افزاری را با ورودیهای مناسب مورد ارزیابی قرار می دهیم. پردازش های مدل شونده در این پایان نامه بطور مشخص عبارتند از : نمونه برداری غیریکنواخت شبکیه ، قابلیت سازگاری با گستره وسیعی از شدتهای روشنایی ، قابلیت تنظیم وضوح بینایی و بالاخره لبه یابی چند مقیاسی در شبکیه.

نقشه های کاربری و پوششها ارضی، در برنامه ریزیهای کشوری از اهمیت خاصی برخوردار است. گسترش شهرها منجر به تبدیل کاربریها قدیمی به کاربریهای جدید میشود. اطلاع از تغییرات روستاهای حواشی شهری بر اثر تبدیل کاربری ارضی، مانند تبدیل مزارع به ساخت و سازهای شهری، کارخانه ای و غیر کشاوری، جهت بررسی عوامل و علل آنها می تواند مورد توجه برنامه ریزان و مدیران باشد. این امر می تواند آنها را در این نکته رهنمون شود که آیا تغییرت حادث با اهداف برنامه ریزی شده هماهنگی دارد یا اینکه در تضاد است، واقدامات موثر جهت کنترل عوامل تغیر دهنده را صورت دهند. استفاده از روشهای سنتی جهت تعیین کاربریهای ارضی بسیار وقت گیر و پرهزینه می باشند. امروزه سنجش از دور موثرترین روش در تهیه اطلاعات پوشش زمینی محسوب می شود. این کار با تصویر برداری از صحنه موردنظر در چندین باند متفاوت الکترومغناطیسی، توسط سنجنده های چند طیفی مستقر در ماهواره های سنجش از دور صورت می گیرد، سپس، با طبقه بندی خودکار این تصاویر، نقشه پوششها زمینی تولید می شود. فرایند طبقه بندی به دو مرحله ساتخراج ویژگیهای تصویر و طبقه بندی خودکار این ویژگیها به کلاسهای مختلف پوشش زمینی تقسیم می شود. ویژگیهای مزبور می توانند مربوط به خواص طیفی یا بافتی تصاویر باشند. در روشهای متداول طبقه بندی تصاویر ماهواره ای تنها از اطلاعات طیفی استفاده می شود. در این تحقیق از اطلاعات بافت نیز به عنوان اطلاعات مکانی استفاده شده است. از میان روشهای متنوع استخراج اطلاعات بافت، روشهای مبتنی بر هیستوگرام مرتبه دوم مورد بررسی قرار گرفتند. جهت بدست آوردن باند حاوی اطلاعات بافت از باندهای مختلف، و پنجره هایی با ابعاد متغیر استفاده شده است. سپس با استفاده از ترکیب اطلاعات بافت و اطلاعات طیفی با روش طبقه بندی حداکثر احتمال و حداقل فاصله، فرایند طبقه بندی صورت گرفت. نتایج حاصل نشان می دهد که ادغام اطلاعات مکانی بافت و اطلاعات طیفی به طور قابل توجهی دقت طبقه بندی را افزایش می دهد.