-
حرية الوصول المقاله
1 - Assessment of Performance Improvement in Hyperspectral Image Classification Based on Adaptive Expansion of Training Samples
Maryam ImaniHigh dimensional images in remote sensing applications allow us to analysis the surface of the earth with more details. A relevant problem for supervised classification of hyperspectral image is the limited availability of labeled training samples, since their collectio أکثرHigh dimensional images in remote sensing applications allow us to analysis the surface of the earth with more details. A relevant problem for supervised classification of hyperspectral image is the limited availability of labeled training samples, since their collection is generally expensive, difficult and time consuming. In this paper, we propose an adaptive method for improving the classification of hyperspectral images through expansion of training samples size. The represented approach utilizes high-confidence labeled pixels as training samples to re-estimate classifier parameters. Semi-labeled samples are samples whose class labels are determined by GML classifier. Samples whose discriminator function values are large enough are selected in an adaptive process and considered as semi-labeled (pseudo-training) samples added to the training samples to train the classifier sequentially. The results of experiments show that proposed method can solve the limitation of training samples in hyperspectral images and improve the classification performance. تفاصيل المقالة -
حرية الوصول المقاله
2 - يک الگوريتم سريع مبتني بر ماشين بردار پشتيبان براي طبقهبندي تصاوير ابرطيفي با استفاده از همبستگي مکاني
حسن قاسمیان یزدی احمد کشاورزبا 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 أکثربا 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 -
حرية الوصول المقاله
3 - استنتاج بیزین تغییراتی در حذف نویز از تصاویر فراطیفی با استفاده از متغیرهای پنهان مبتنی بر خوشهبندی
طاهره بحرینی عباس ابراهیمی مقدم مرتضی خادمی هادی صدوقی یزدیحذف نویز از تصاویر فراطیفی گامی اجتنابناپذیر برای بهبود کیفیت این نوع تصاویر است و روشهای بسیاری در این زمینه توسط محققان پیشنهاد شده است. اغلب این روشها به شباهتهای مکانی- طیفی به طور همزمان توجه ندارند. زمانی که روش حذف نویز، داده را به صورت سراسری بدون در نظر گر أکثرحذف نویز از تصاویر فراطیفی گامی اجتنابناپذیر برای بهبود کیفیت این نوع تصاویر است و روشهای بسیاری در این زمینه توسط محققان پیشنهاد شده است. اغلب این روشها به شباهتهای مکانی- طیفی به طور همزمان توجه ندارند. زمانی که روش حذف نویز، داده را به صورت سراسری بدون در نظر گرفتن شباهتهای مکانی- طیفی به کار میبرد، معمولاً بر روی پیکسلهای با سطح پایین نویز تأثیر نامطلوب میگذارد؛ آن هم زمانی که در داده فراطیفی، تعداد زیادی از پیکسلها نویز کمی دارند و تعداد اندکی از پیکسلها به وسیله سطح بالای نویز تخریب میشوند. در این مقاله، ابتدا شباهتهای مکانی- طیفی موجود در تصاویر با تعریف متغیر پنهان مبتنی بر خوشهبندی استخراج میشود. در ادامه، یک روش تجزیه ماتریس رتبهپایین مبتنی بر این متغیرهای پنهان برای حذف نویز تصاویر فراطیفی و بهبود مقاومت در مقابل انواع نویز (در مقایسه با سایر روشها) پیشنهاد میشود. کارایی روش پیشنهادی با شش روش جدید بر روی تصاویر واقعی آلوده به نویز به صورت بصری مقایسه شده و برای مقایسه کمی، همان آزمایشها روی تصاویر بدون نویزی که با شش نوع نویز ترکیب شده و تصاویری نزدیک به داده واقعی ایجاد کردهاند مقایسه شده است. نتایج شبیهسازی نشان میدهد که با اعمال متغیر پنهان در چارچوب استنتاج بیزین تغییراتی، عملکرد روش حذف نویز بهبود مییابد و روش پیشنهادی عملکرد بهتری نسبت به سایر روشهای مورد مقایسه دارد. تفاصيل المقالة