Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

Spectral-Spatial Feature Transformations With Controlling Contextual Information Through Smoothing Filtering and Morphological Analysis

سال انتشار: 1396
کد COI مقاله: JR_ITRC-10-1_001
زبان مقاله: انگلیسیمشاهده این مقاله: 127
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 12 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Spectral-Spatial Feature Transformations With Controlling Contextual Information Through Smoothing Filtering and Morphological Analysis

چکیده مقاله:

A fusion method for spectral-spatial classification of hyperspectral images is proposed in this paper. In the proposed framework, at first, the dimension of hyperspectral image is reduced by several state-of-the-art spectral feature extraction methods, i.e., Binary Coding Based Feature Extraction (BCFE), Clustering Based Feature Extraction (CBFE), Feature Extraction Based on Ridge Regression (FERR), Feature Extraction Using Attraction Points (FEUAP), Feature Extraction using Weighted Training samples (FEWT), and Feature Space Discriminant Analysis (FSDA). Then, the spatial features are calculated from the spectral features extracted from each spectral feature extraction method individually using the proposed smoothing filters and morphological operators. Finally, majority voting decision rule is used to obtain the final classification map. The proposed framework, in addition to removing the useless spatial information such as noise and distortions, adds useful spatial information such as shape and size of objects presented in scene image. The use of complement information obtained from six spectral feature extraction methods with different ideas for class discrimination, significantly improves the classification results. The proposed framework provides in average 6.64%, 7.07%, 8.23%, 7.52% and 20.52% improvement in classification results of three real hyperspectral images compared to generalized composite kernel (GCK), multiple feature learning (MFL), weighted joint collaborative representation (WJCR), original hyperspectral bands stacked on extended morphological profile (HS+EMP) and original hyperspectral bands (HS), respectively in terms of overall accuracy.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_ITRC-10-1_001 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1152220/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
imani, Maryam and Ghassemian, Hassan,1396,Spectral-Spatial Feature Transformations With Controlling Contextual Information Through Smoothing Filtering and Morphological Analysis,https://civilica.com/doc/1152220

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1396, imani, Maryam؛ Hassan Ghassemian)
برای بار دوم به بعد: (1396, imani؛ Ghassemian)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی