پایان‌نامه

استخراج ویژگی نیمه نظارت شده به منظور کاهش بعد تصاویر ابرطیفی

چکیده

در بخش نظارت شده با مشارکت واریانس هر کلاس در تعدیل فاصله بین کلاسی روش جدیدی با نام alda ارائه شده است. نتایج آزمایش بر روی داده ی محک زن indiana pine نشان از بهبود 4 درصدی صحت طبقه بندی بر روی ویژگی های استخراج شده از روش پیشنهادی نسبت به روش های بر پایه lda دارد.دو ضعف اصلی روش های نظارت نشده انتخاب تصادفی پیکسل های بدون برچسب و محاسبه نزدیکترین همسایگی ها بر پایه فاصله اقلیدسی است.انتخاب تصادفی پیکسل ها سبب به دست آمدن نتایج مختلف در هر بار اجرای الگوریتم و محاسبه نزدیکترین همسایگی ها بر پایه فاصله اقلیدسی باعث چندراهه شدن و اتصال کوتاه بین نقاط می شود. در این تحقیق با کمک وابستگی های طیفی و مکانی پیکسل های بدون برچسب با پیکسل های برچسب دار مشکل انتخاب تصادفی داده ها حل شده است. هم چنین از زاویه طیفی (sam) برای محاسبه نزدیکترین همسایگی ها استفاده شده است. پیاده سازی دو ایده فوق بر روی روش نظارت نشدهnpeسبب بهبود 5 درصدی و ارائه روش نوین mnpe شده است. در این تحقیق با ترکیب روش های پیشنهادی فوق (alda وmnpe ) یک روش نیمه نظارت شده جدید با نام aseda ارائه شده است. این روش از مزایای روش های نظارت شده و نظارت نشده به طور همزمان استفاده می کند و مشکلات محدود بودن تعداد ویژگی های استخراج شده، پدیده hughes و یکتایی ماتریس پراکندگی داخل کلاسی روش های پیشین را رفع کرده است. نتایج آزمایش نشان از بهبود 3 درصدی صحت طبقه بندی بر روی ویژگی های استخراج شده از روش پیشنهادی نسبت به روش های نیمه نظارت شده پیشین دارد.

اساتید راهنما و مشاور

برات مجردی

پایان‌نامه‌های مشابه

اسناد مشابه

  • ارائه روش بدون نظارت مبتنی بر خوشه بندی باندها در فضای پدیده اجزای خالص برای استخراج ویژگی های طیفی کاهش یافته از تصاویر ابرطیفی

    مقاله۲۰۲۴مهندسی فناوری اطلاعات مکانیاحمد علیزاده مقدم، مهدی مختارزاده

    تصاویر ابرطیفی منبع غنی از دادههای سنجش از دور محسوب میشوند که در مطالعات مختلفی از جمله کشاورزی، مدیریت و طبقهبندی پوشش/کاربری اراضی بکار گرفته میشوند. با اینحال، ابعاد باالی فضای ویژگی و تعداد محدود نمونههای آموزشی از چالشهای اصلی در طبقه- بندی این تصاویر و استخراج اطالعات از آ

  • جاسازی خط ویژگی وزن‌دار برای استخراج ویژگی تصاویر ابرطیفی

    یکی از مراحل مهم قبل از طبقه‌بندی تصاویر ابرطیفی، کاهش ویژگی با استفاده از روش‌های استخراج ویژگی است. در این مقاله یک روش استخراج نظارت شده پیشنهاد شده که دارای کارایی خوبی با استفاده از تعداد نمونه‌های آموزشی محدود است. روش استخراج ویژگی پیشنهادی که جاسازی خط ویژگی وزن‌دار (WFLE

  • جاسازی خط ویژگی وزن دار برای استخراج ویژگی تصاویر ابرطیفی

    مقالهمهندسی برق و الکترونیک ایرانمریم ایمانی، maryam imani حسن قاسمیان، hassan ghassemian

    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

  • 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 کسریِ گویایِ مجزا از طریق برازش بر منحنی

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

    مقالهپردازش علائم و داده هاحسن قاسمیان، hassan ghassemian tehran- jalal ale ahmad ave.- tarbiat modares university- faculty of electrical and computer eng.آزمایشگاه پردازش تصویر و آنالیز اطلاعات،دانشکده مهندسی برق و کامپیوتر،دانشگاه تربیت مدرس،تهران،ایران سید ابوالفضل حسینی، seyed abolfazl hosseini tehran- jalal ale ahmad ave.- tarbiat modares university- faculty of electrical and computer eng.آزمایشگاه پردازش تصویر و آنالیز اطلاعات،دانشکده مهندسی برق و کامپیوتر،دانشگاه تربیت مدرس،تهران،ایران

    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

  • تحلیل ممیز طیفی و مکانی برای استخراج ویژگی ادغام شده در تصاویر ابرطیفی

    مقالهمهندسی برق مدرسmaryam imani، postdoctoral researcher, faculty of electrical and computer engineering, tarbiat modares university, tehran, iran, maryam. hassan ghassemian، professor, faculty of electrical and computer engineering, tarbiat modares university, tehran, iran

    : ادغام ویژگی های ارزشمند طیفی و مکانی در تصاویر ابرطیفی با تفکیک مکانی بالا، دقت طبقه بندی را به مقدار قابل توجهی بهبود می بخشد. در این مقاله یک روش استخراج ویژگی طیفی- مکانی بر مبنای تحلیل ممیز پیشنهاد شده است. برای افزایش تفکیک پذیری کلاس ها، پراکندگی های بین کلاسی حداکثر و پر