بخش بندی تصاویر سنجش از دور SAR با استفاده از ویژگی های بافت استخراجی با تبدیل کرولت و مدل مخلوط گوسی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 730

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

PNUOPEN01_016

تاریخ نمایه سازی: 14 مرداد 1394

چکیده مقاله:

قطعه بندی تصاویر سنجش از دور SAR، اغلب بعنوان یک مسئله چالش برانگیز شناخته می شود و این موضوع ناشی از نویز نقطه ای است که در این تصاویر وجود دارد و باعث شده است که اعمال الگوریتم های سنتی بخش بندی بر روی این تصاویر منجر به نتایج قابل قبولی نگردد. در این مقاله الگوریتمی برای قطعه بندی تصاویر سنجش از دور SAR با استفاده از ویزگی بافت تصاویر ارائه شده است. می دانیم که بافت تصاویر نقش مهمی در تشخیص و اشکارسازی اشیا در پردازش تصاویر بازی می کند. در این الگوریتم، ویژگی های نهایی از ترکیب ویژگی های بافت استخراجی از ماتریس های هم رخداد سطح خاکستری (GLCM) کرولت با ویژگی های بافت بدست آمده از خود تصویر اصلی ایجاد می گردند. سپس با استفاده از بردار ویژگی حاصل، یک مدل مخلوط گوسی (GMM) ایجاد می کنیم. و در نهایت قطعه بندی تصویر را با استفاده از این مدل انجام خواهیم داد. یکی از کاربردهای بسیار مفید روش پیشنهادی، قطعه بندی و متمایز نمودن بافت هر ناحیه از هر تصویر SAR است. نتایج شبیه سازی و ازمایشات انجام شده توسط این الگوریتم بر روی تصاویر SAR ارائه شده است. این نتایج بیانگر قدرت روش پیشنهادی در قطعه بندی و توصیف بافتهای مختلف در تصاویر SAR بوده و کمتر تحت تأثیر شدت نویز نقطه ای در تصاویر SAR خواهد بود.

کلیدواژه ها:

نویسندگان

زهرا فرجی

دانشجوی کارشناسی ارشد برق الکترونیک، دانشکده مهندسی، دانشگاه شهید چمران اهواز

غلامرضا اکبری زاده

استادیار گروه برق، دانشکده مهندسی، دانشگاه شهید چمران 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 :
  • F. Lang, J. Yang, D. Li, L. Zhao, and L. ...
  • X. Lian, Y. Wu, W. Zhao, F. Wang, Q. Zhang, ...
  • L. Gan, Y. Wu, F. Wang, P. Zhang, and Q. ...
  • G. Shuiping, X. Zhuang, H. Zhu, and T. Yu, :Parallel ...
  • H. Yu, X. Zhang, S. Wang, and B. Hou, "Context ...
  • J. S. Lee, T. L. Ainsworth, and P. R. Kersten, ...
  • D. Ziou, S. Wang, Q. Jiang, and A. E. Zarrt, ...
  • I. Jurkevich and J. S. Lee, "Segmentation of SAR images, ...
  • V. Haese-coat, J. Ronsin, and B. Ogor, "SAR image segmentation ...
  • L. C. Jiao and X. L. Ma, "SAR image segmentation ...
  • L. C. Jiao, F. Liu, L. F. Bo, M. G. ...
  • _ _ _ _ _ imagery using a novel _ ...
  • P. Felzenszwalb and D. Huttenlocher, "Efficient graph-based image segmentation, " ...
  • G. A. S. Saroja and Dr. C. H. Sulochana, "Texture ...
  • F. Riaz, A. Hassan, S. Rehman and U. Qamar, "Texture ...
  • U. Kandaswamy, " Efficient Texture Analysis of SAR Imagery", IEEE ...
  • _ _ _ _ _ and _ 2014 International ...
  • D. L. Donoho, "Wedgelets: nearly- minimax estimation of edges", Ann. ...
  • J. L. Starck, E. J. Cand es, D. L. Donoho, ...
  • _ _ _ _ _ _ _ _ Sub- bands ...
  • نمایش کامل مراجع