ورود
مقالات فارسیISIکنفرانسهاژورنالها

ارائه یک روش ترکیبی برای طبقه بندی تصاویرفراطیفی براساس تحلیل مولفه های مستقل مقیدوماشین های بردارپشتیبان

محل انتشار: اولین کنفرانس بازشناسی الگو و پردازش تصویر ایران
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 867

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/275960

شناسه ملی سند علمی:

IPRIA01_068

تاریخ نمایه سازی: 11 مرداد 1393

چکیده مقاله:

طبقه بندی نظارت شده تصاویرسنجش ازدوری یکی ازروشهای استخراج اطلاعات ازداده های چندطیفی و فراطیفی است این گونه روشها بنا به طبیعت نظارت شده خود نیاز به دانش اولیه ازصحنه و محیط موردتصویربرداری دارند دراین تحقیسق روشی برپایه ترکیب دوالگوریتم جداسازی طیفی و طبقه بندی نظارت شده ماشین بردارپشتیبان ارایه و ارزیابی شده است بااعمال جداسازی طیفی درمرحله نخست امضای طیفی و فراوانی اعضای خالص استخراج میشود بدین ترتیب نیاز بهداشتن داده های اموزشی جهت طبقه بندی مرتفع می گردد دراین مقاله بافرض وابسته بودند مولفه ها یا زیرکلاسهای طیفی حاضر درصحنه ازشیوه CICA جهت جداسازی فراطیفی استفاده شده است این روش با کمینه سازی اطلاعات متقابل و نیز اعمال دوتابع وظیفه با درنظرگرفتن قیود فیزیکی حاکم برتصاویر فراطیفی جداسازی طیفی را انجام میدهد

کلیدواژه ها:

جداسازی طیفی ، تحلیل مولفه های مستقل مقید ، طبقه بندی تصاویر ، الگوریتم ماشین بردارپشتیبان ، داده های سنجش ازدورفراطیفی

نویسندگان

میاده کوتی

دانشجوی کارشناسی ارشدمهندسی الکترونیک گروه برق دانشکده مهندسی دانشگاه شهیدچمران اهواز

کریم انصاری اصل

استادیارگروه مهندسی برق دانشکده مهندسی دانشگاه شهیدچمران اهواز

سعید همایونی

استادیارگروه مهندسی نقشه برداری پردیس دانشکده های فنی دانشگاه تهران

فریبا افتخار

مربی گروه مهندسی برق دانشکده مهندسی دانشگاه شهیدچمران اهواز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • _ (تا 18 اسفند (1391 هه هه ...
  • Gomez, R., "Hyperspectral imaging: a useful technology for transportation analysis" ...
  • C. Chang, Hyperspectral imaging: "Techniques for spectral detection and classification, ...
  • N. Keshava, J. Kerekes, D. Manolakis, G. Shaw, "An algorithm ...
  • D. Manolakis and G. A. Shaw, "Detection algorithms for hyperspectral ...
  • D. Landgrebe, "Hyperspectral image data analysis, " IEEE Signal Process. ...
  • C. Small, "Estimation of urban vegetation abundance by spectral mixture ...
  • T. M. Lillesand and R. W. Kiefer, _ Sensing and ...
  • J. W. F. A. K. Boardman, and R. O. Green, ...
  • M. E. Winter, "N-findr: An algorithm for fast autonormous spectral ...
  • _ _ _ _ Trans. Geosci. Remote Sens., vol. 43, ...
  • M. Zortea and A Plaza, "Spatial preprocessing for endmember extraction, ...
  • _ _ from highly mixed Transactions _ vol. 45, pp. ...
  • _ _ _ _ a _ Geoscience and Remote Sensing ...
  • J. M. Bioucas-Dias, _ splitting augmented Lagrangian approach to linear ...
  • Hyvarinen, J. Karhunen, and E. Oja, "Independent Component Analysis, " ...
  • J. Wang and C.-I. Chang., "Applications of independent component analysis ...
  • Wei Xia , Xuesong Liu, Bin Wang and Liming Zhang ...
  • Robila S. A. and Varshney P. K., "Target Detection in ...
  • P. Comon, "Independent component analysis, a new concept?" ...
  • _ _ _ algorithm for blind signal separation, " in ...
  • H. H. Yang and S. Amari, "Adaptive online learning algorithms ...
  • J. Bell and T. J. Sejnowski, _ information -maximization approach ...
  • K. Pearson, "Contributions to the theory of mathematical evolution, " ...
  • B. Scholkopf, K. K. Sung, C. Burges, F. Girosi, P. ...
  • J. A. Gualtieri, R. F. Cromp, "Support Vector Machines for ...
  • Baofeng Guo, Steve R. Gunn, R. I. Damper, and James ...
  • http ://www. ehu _ _ s/cc wintco/index _ php/Hyp erspec ...
    • نمایش کامل مراجع