بهبود طبقه بندی تصاویر ابرطیفی با استفاده از شناسایی نقاط پرت توسط اطلاعات مکانی و تخمین تعداد ترکیبهای مدلGMM
Publish place: 19th Iranian Conference on Electric Engineering
Publish Year: 1390
Type: Conference paper
Language: Persian
View: 787
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
ICEE19_198
Index date: 4 August 2012
بهبود طبقه بندی تصاویر ابرطیفی با استفاده از شناسایی نقاط پرت توسط اطلاعات مکانی و تخمین تعداد ترکیبهای مدلGMM abstract
در این مقاله سعی شده است با پیشنهاد روشهایی برای تخمین تعداد ترکیب کلاسهای یک تصویر ابرطیفی، تصحیح ماتریس کوواریانس و آشکارسازی نقاط پرت، طبقهبندی تصاویر ابرطیفی -با استفاده از الگوریتم EM اطلاعات مکانی پیکسلهای تصویر - بهبود داده شود. با کاهش تعداد ترکیبهای کلاسهای یک تصویر ابرطیفی میتوان زمان طبقهبندی را کاهش داده و با تصحیح ماتریس کوواریانس، صحت و اعتبار طبقهبندی کلاسهایی که نمونههای آموزشی کمی دارند را افزایش داد. از آنجایی که الگوریتمEM یک الگوریتم تکرار شونده میباشد،چنانچه در یک مرحله از الگوریتم، در طبقهبندی پیکسلهای تصویر خطایی رخ بدهد، بخاطر ماهیت الگوریتم این خطا وارد مراحل بعد نیز می- شود و بطور کلی صحت و اعتبار طبقهبندی را کاهش میدهد. برای حل این مشکل در این مقاله روشی پیشنهاد میشود که در هر مرحله از الگوریتم نقاط پرت با استفاده از اطلاعات مکانی شناسایی شده و برای تخمین پارامتر در مرحله بعد طبقهبندی کنار گذاشته شوند. به این ترتیب صحت و اعتبار طبقهبندی افزایش خواهد یافت . این الگوریتم بر روی دادههای واقعیAVIRIS پیاده سازی شده و نتایج به دست آمده بهبود قابل توجه صحت و اعتبار را نسبت به روشهای معمول طبقه بندی تصاویر ابرطیفی نشان می دهد
بهبود طبقه بندی تصاویر ابرطیفی با استفاده از شناسایی نقاط پرت توسط اطلاعات مکانی و تخمین تعداد ترکیبهای مدلGMM Keywords:
بهبود طبقه بندی تصاویر ابرطیفی با استفاده از شناسایی نقاط پرت توسط اطلاعات مکانی و تخمین تعداد ترکیبهای مدلGMM authors
محبوبه لک
باشگاه پژوهشگران جوان، دانشگاه آزاد اسلامی واحد بوشهر
احمد کشاورز
دانشگاه خلیج فارس بوشهر- گروه مهندسی برق
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :