طبقه بندی تصاویر ابرطیفی با استفاده از نمایش رتبه پایین و اطلاعات طیفی - مکانی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 235

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JCEJ-11-43_003

تاریخ نمایه سازی: 21 فروردین 1401

چکیده مقاله:

طبقه بندی تصاویر ابرطیفی از مهمترین پردازش هایی است که بر روی این تصاویر انجام می شود. تصاویر ابرطیفی دارای ابعاد بالایی هستند و این امر طبقه بندی این تصاویر را با مشکل مواجه کرده است. از این رو روش هایی که ساختار زیرفضا با بعد پایین را از تصویر ابرطیفی استخراج کنند مورد توجه قرار می گیرند. روش نمایش رتبه پایین می تواند ساختار زیر فضا با بعد پایین را که در داده ها وجود دارد استخراج کند. این روش ساختار سراسری داده ها را در نظر می گیرد. به منظور حفظ ساختار سراسری و محلی در داده ها دراین مقاله روش استخراج ویژگی نمایش رتبه پایین و تنک بر مبنای اطلاعات طیفی و مکانی ارائه شده است. با اعمال این مدل ساختار داده بهتر آشکار می شود و قدرت تمایز ویژگی های آن افزایش می یابد. در این مدل هر پیکسل به صورت ترکیب خطی از مولفه های دیکشنری بیان می شود. بعلاوه برای حل مسئله به صورت بهینه از روش جهتی متناوب مضارب استفاده شده است. نتایج شبیه سازی نشان می دهد که مدل پیشنهادی نتایج بهتری را نسبت به روش های دیگر بدست آورده است.

نویسندگان

فاطمه حاجیانی

گروه برق، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران

ناصر پرهیزگار

گروه برق، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران

احمد کشاورز

گروه مهندسی برق، دانشکده مهندسی سیستم های هوشمند و علوم داده، دانشگاه خلیج فارس بوشهر، بوشهر، ایران

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 :
  • F. A. Kruse, J. W. Boardman, and J. F. Huntington, ...
  • N. C. Shirazi, R. Hamzehyan, and A. Masoomi, " The ...
  • M. Hamed, F. Hajiani, " A method for segmenting remote ...
  • G. Hughes, "On the mean accuracy of statistical pattern recognizers," ...
  • G. Camps-Valls, L. Gomez-Chova, J. Muñoz-Marí, J. Vila-Francés, and J. ...
  • Q. S. Ul Haq, L. Tao, F. Sun, and S. ...
  • A. Rakotomamonjy, "Surveying and comparing simultaneous sparse approximation (or group-lasso) ...
  • Y. Chen, N. M. Nasrabadi, and T. D. Tran, "Hyperspectral ...
  • L. Pan, H.-C. Li, H. Meng, W. Li, Q. Du, ...
  • G. Liu, Z. Lin, S. Yan, J. Sun, Y. Yu, ...
  • S. G. Mallat and Z. Zhang, "Matching pursuits with time-frequency ...
  • R. Gribonval, "Fast matching pursuit with a multiscale dictionary of ...
  • S. Fischer, G. Cristóbal, and R. Redondo, "Sparse overcomplete Gabor ...
  • K. Engan, S. O. Aase, and J. H. Husoy, "Method ...
  • M. Aharon, M. Elad, and A. Bruckstein, "K-SVD: An algorithm ...
  • A. Soltani-Farani, H. R. Rabiee, and S. A. Hosseini, "Spatial-aware ...
  • Z. He, L. Liu, R. Deng, and Y. Shen, "Low-rank ...
  • M. V. Afonso, J. M. Bioucas-Dias, and M. A. Figueiredo, ...
  • L. Mirsky, An introduction to linear algebra: Courier Corporation, ۲۰۱۲ ...
  • C.-C. Chang and C.-J. Lin, "LIBSVM: A library for support ...
  • Y. Xiao, H. Wang, and W. Xu, "Parameter selection of ...
  • M. Cui and S. Prasad, "Class-dependent sparse representation classifier for ...
  • C. Li, Y. Ma, X. Mei, C. Liu, and J. ...
  • G. Liu, Z. Lin, and Y. Yu, "Robust subspace segmentation ...
  • M. Graña, M. A. Veganzons, and B. Ayerdi, "Hyperspectral remote ...
  • نمایش کامل مراجع