-
دسترسی آزاد مقاله
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 چکیده کاملHigh 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. پرونده مقاله -
دسترسی آزاد مقاله
2 - Application of Curve Fitting in Hyperspectral Data Classification and Compression
S. Abolfazl HosseiniRegarding to the high between-band correlation and large volumes of hyperspectral data, feature reduction (either feature selection or extraction) is an important part of classification process for this data type. A variety of feature reduction methods have been develop چکیده کاملRegarding to the high between-band correlation and large volumes of hyperspectral data, feature reduction (either feature selection or extraction) is an important part of classification process for this data type. A variety of feature reduction methods have been developed using spectral and spatial domains. In this paper, a feature extracting technique is proposed based on rational function curve fitting. For each pixel of a hyperspectral image, a specific rational function approximation is developed to fit the spectral response curve of that pixel. Coefficients of the numerator and denominator polynomials of these functions are considered as new extracted features. This new technique is based on the fact that the sequence discipline - ordinance of reflectance coefficients in spectral response curve - contains some information which has not been considered by other statistical analysis based methods, such as Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA) and their nonlinear versions. Also, we show that naturally different curves can be approximated by rational functions with equal form, but different amounts of coefficients. Maximum likelihood classification results demonstrate that the Rational Function Curve Fitting Feature Extraction (RFCF-FE) method provides better classification accuracies compared to competing feature extraction algorithms. The method, also, has the ability of lossy data compression. The original data can be reconstructed using the fitted curves. In addition, the proposed algorithm has the possibility to be applied to all pixels of image individually and simultaneously, unlike to PCA and other methods which need to know whole data for computing the transform matrix. پرونده مقاله -
دسترسی آزاد مقاله
3 - Optimized kernel Nonparametric Weighted Feature Extraction for Hyperspectral Image Classification
Mohammad HasheminejadHyperspectral image (HSI) classification is an essential means of the analysis of remotely sensed images. Remote sensing of natural resources, astronomy, medicine, agriculture, food health, and many other applications are examples of possible applications of this techni چکیده کاملHyperspectral image (HSI) classification is an essential means of the analysis of remotely sensed images. Remote sensing of natural resources, astronomy, medicine, agriculture, food health, and many other applications are examples of possible applications of this technique. Since hyperspectral images contain redundant measurements, it is crucial to identify a subset of efficient features for modeling the classes. Kernel-based methods are widely used in this field. In this paper, we introduce a new kernel-based method that defines Hyperplane more optimally than previous methods. The presence of noise data in many kernel-based HSI classification methods causes changes in boundary samples and, as a result, incorrect class hyperplane training. We propose the optimized kernel non-parametric weighted feature extraction for hyperspectral image classification. KNWFE is a kernel-based feature extraction method, which has promising results in classifying remotely-sensed image data. However, it does not take the closeness or distance of the data to the target classes. Solving the problem, we propose optimized KNWFE, which results in better classification performance. Our extensive experiments show that the proposed method improves the accuracy of HSI classification and is superior to the state-of-the-art HIS classifiers. پرونده مقاله -
دسترسی آزاد مقاله
4 - 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 چکیده کاملبا 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. پرونده مقاله -
دسترسی آزاد مقاله
5 - طبقهبندی تصاویر ابرطیفی با استفاده از تحلیل ممیز خطی فضای خوشه و مجموعه نمونههای آموزشی کوچک
مریم ایمانی حسن قاسمیان یزدیامروزه، تصاویر ابرطیفی به دست آمده از سنجندههای از راه دور، امکان تمییز بین کلاسها با جزئیات بیشتر را فراهم آوردهاند. بعد بالای داده ابرطیفی از یک سو و کمبود تعداد نمونههای آموزشی از سوی دیگر، سبب ایجاد مشکلاتی در طبقهبندی تصاویر ابرطیفی میشود. از آنجایی که جمعآو چکیده کاملامروزه، تصاویر ابرطیفی به دست آمده از سنجندههای از راه دور، امکان تمییز بین کلاسها با جزئیات بیشتر را فراهم آوردهاند. بعد بالای داده ابرطیفی از یک سو و کمبود تعداد نمونههای آموزشی از سوی دیگر، سبب ایجاد مشکلاتی در طبقهبندی تصاویر ابرطیفی میشود. از آنجایی که جمعآوری دادههای آموزشی سخت و زمانبر است، کاهش تعداد باندهای طیفی به بهبود کارایی طبقهبند کمک شایانی خواهد نمود. بنابراین استخراج ویژگی تصاویر ابرطیفی، یکی از مراحل مهم پیشپردازش این نوع دادهها محسوب میشود. در شرایطی که تعداد نمونه آموزشی در دسترس محدود است، روشهای استخراج ویژگی معمول همچون LDA دارای کارایی خوبی نخواهند بود. در این مقاله، یک روش استخراج ویژگی نظارتشده معرفی گردیده که بدون نیاز به تعیین برچسب نمونههای آزمایشی، با انجام خوشهبندی بر روی آنها و یافتن رابطه بین نمونههای آموزشی و آزمایشی، از قدرت نمونههای بدون برچسب به همراه نمونههای آموزشی برای تولید ماتریسهای پراکندگی درونکلاسی و بینکلاسی استفاده میکند. این کار دقت طبقهبندی را خصوصاً برای دادههای ابرطیفی چندمده افزایش خواهد داد. روش پیشنهادی که تحلیل ممیز خطی فضای خوشه (CSLDA) نامیده میشود، با روشهای پرکاربرد استخراج ویژگی نظارتشده همچون LDA، GDA و NWFE مقایسه شده است. نتایج به دست آمده بر روی تصاویر ابرطیفی واقعی از مناطق شهری و کشاورزی نشان میدهند که روش پیشنهادی با استفاده از تعداد محدود نمونههای آموزشی، دارای کارایی بهتری نسبت به سایر روشها میباشد. پرونده مقاله -
دسترسی آزاد مقاله
6 - 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 چکیده کاملحذف 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. پرونده مقاله -
دسترسی آزاد مقاله
7 - بکار گیری مدل ترکیبی وداده کاوی مکانی جهت تشخیص تراوش های هیدرو کربنی با استفاده از داده های ابر طیفی Hyperionواسپکترومتری میدانی on
محمد حمزه علی درویش بلورانی سید کاظم علوی پناه فروغ بیک حسین نصیریتئرری تراوش های هیدروکربنی یک رابطه علت ومعلولی بین مخازن نفت وگاز وناهنجاری های ویژه سطحی را مطرح می سازد .همچنین منحنی انعکاس طیفی هیدروکربن ها ودگر سانی های وابسته به انها شواهد قابل اطمینانی را برای اکتشاف نفت وگاز مهیا می سازند.در این تحقیق برای شناسایی تراوش های ن چکیده کاملتئرری تراوش های هیدروکربنی یک رابطه علت ومعلولی بین مخازن نفت وگاز وناهنجاری های ویژه سطحی را مطرح می سازد .همچنین منحنی انعکاس طیفی هیدروکربن ها ودگر سانی های وابسته به انها شواهد قابل اطمینانی را برای اکتشاف نفت وگاز مهیا می سازند.در این تحقیق برای شناسایی تراوش های نفتی ودگر سانی های مربوطه ،ابتدا پیش پردازهای لازم روی تصاویر ابر طیفی سنجندهHyperion ماهواره EO-1 صورت پذیرفت .به منظور تشخیص تراوش های نفتی روش ترکیبی VISA-SCM بر داده ای تصحیح شده به همراه داده های حاصل از طیف سنجی نمونه های برداشت شده از منطقه مورد مطالعه اعمال گردید .نتایج حاکی از کارایی روش مذکور برای رسیدن به هدف مطالعه حاضر است . پرونده مقاله