با افزايش تعداد باندهاي تصاوير سنجش از دور، الگوريتمهاي استخراج ويژگي مانند تحليل مؤلفههاي اصلي، تحليل مؤلفههاي مستقل، نگاشت جستجوگر، استخراج ويژگي با مرز تصميمگيري، تحليل مميز و تبديل موجک به منظور کاهش تعداد ويژگيها و بهبود طبقهبندي مورد استفاده قرار گرفتهان أکثر
با افزايش تعداد باندهاي تصاوير سنجش از دور، الگوريتمهاي استخراج ويژگي مانند تحليل مؤلفههاي اصلي، تحليل مؤلفههاي مستقل، نگاشت جستجوگر، استخراج ويژگي با مرز تصميمگيري، تحليل مميز و تبديل موجک به منظور کاهش تعداد ويژگيها و بهبود طبقهبندي مورد استفاده قرار گرفتهاند. اما اين الگوريتمها به دليل افزايش تعداد منابع اطلاعاتي، حجم دادهها و محدود بودن تعداد نمونههاي آموزشي در تصاوير ابرطيفي، بازدهي مطلوبي ندارند. در اين مقاله براي حل اين مشکل، الگوريتم جديد مبتني بر ماشين بردار پشتيبان ارايه گرديده است. اين الگوريتم پس از يک طبقهبندي اوليه، با استفاده از کلاس هر پيکسل و همسايههايش به صورت سلسلهمراتبي تصميمگيري میکند. تصميمگيري در هر يک از سطوح اين طبقهبندي کننده بوسيله يک ماشين بردار پشتيبان انجام میشود. اين الگوريتم بر روي دادههاي واقعي ابر طيفي سنجنده AVIRIS اجرا شد. نتايج نشان ميدهد كه صحت طبقهبندي دادههاي ابرطيفي با استفاده از اين الگوريتم بسيار مطلوب بوده و مشكل محدود بودن تعداد نمونههاي آموزشي تا حد قابل توجهي جبران شده است. در واقع اين تحقيق با ادغام اطلاعات مکاني و استفاده از طبقهبندي کننده ماشين بردار پشتيبان صحت طبقهبندي را بهبود میبخشد. اين الگوريتم زمان لازم براي طبقهبندي تصاوير ابرطيفي را با استفاده از ماشين بردار پشتيبان، بسيار کاهش داده و کارآيي الگوريتم ماشين بردار پشتيبان را به عنوان طبقهبندي کننده تصاوير ابرطيفي افزايش میدهد.
تفاصيل المقالة
رایمگ
يقوم نظام رایمگ بتنفيذ جميع عمليات الاستلام والتقييم والحكم والتحرير وتخطيط الصفحة والنشر الإلكتروني للمجلات العلمية.