ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

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

بهبود دقت طبقه بندی تصویر فراطیفی AVIRIS با استفاده از الگوریتم کاهش نویز رگرسیونی بر مبنای پیش بینی فرضیه چندگانه

سال انتشار: 1394
کد COI مقاله: NCEGIT01_104
زبان مقاله: فارسیمشاهده این مقاله: 342
فایل این مقاله در 11 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 11 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بهبود دقت طبقه بندی تصویر فراطیفی AVIRIS با استفاده از الگوریتم کاهش نویز رگرسیونی بر مبنای پیش بینی فرضیه چندگانه

احسان لاله زاری - دانشجوی کارشناسی ارشد مهندسی سنجش از دور دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان
علی اسماعیلی - استادیار گروه مهندسی سنجش از دور دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان
سعید همایونی - استادیار بخش جغرافیا محیط زیست و ژئوماتیک دانشگاه اتاوا کانادا

چکیده مقاله:

تصویربرداری فراطیفی به عنوان یکی از فناوری های نوین سنجش از دوری منبع ارزشمندی برای کاربردهای مختلف علوم زمین از جمله تهیه نقشه های پوششی شناسایی و اکتشاف معدن نظارت زیست محیطی به شمار می رود با این وجود به دلایل سخت افزاری و فناوری این داده های تصاویری دارای مشکلات ذاتی هستند از انجایی که بهبود سیستم سخت افزاری سنجنده های فراطیفی بسیار پر هزینه است روش های سنجش از دوری پردازش تصویر مانند کاهش نویز استخراج ویژگی و غیره به دلیل هزینه کم و موثر بودن مورد توجه قرار گرفته اند یکی از جدیدترین و کارآمدترین این روش ها روش پیش بینی فرضیه چندگانه است نقطه ضعف این روش عدم استفاده از روشی موثر در انتخاب باندهای با شباهت بیشتر است هدف این مقاله بررسی روش پیش بینی فرضیه چندگانه و اتخاذ روشی مناسب برای انتخاب باندهای طیفی بر مبنای رگرسیون خطی است به دلیل انعطاف زیاد روش پیش بینی رگرسیونی در تعیین ضرایب شباهت بین باندی برای انتخاب باندهای طیفی مشابه این روش انتخاب و پیاده سازی شد در این تحقیق صحت کلی طبقه بندی SVMبرای مجموعه داده ی فراطیفی Indian Pines حاصل از روش پیشنهادی 95/82به دست آمد که 0/4 بهبود را نشان داد و در طبقه بندی KNNصحت کلی 92/89به دست آمد که 8/23درصد افزایش داشت که نشان دهنده ی کارآمدی روش پیشنهادی است

کلیدواژه ها:

تصاویر فراطیفی،کاهش نویز،روش پیش بینی فرضیه چندگانه،SVM ، KNN

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا NCEGIT01_104 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/461577/

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:
لاله زاری، احسان و اسماعیلی، علی و همایونی، سعید،1394،بهبود دقت طبقه بندی تصویر فراطیفی AVIRIS با استفاده از الگوریتم کاهش نویز رگرسیونی بر مبنای پیش بینی فرضیه چندگانه،اولین کنفرانس ملی مهندسی فناوری اطلاعات مکانی،تهران،https://civilica.com/doc/461577

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: (1394، لاله زاری، احسان؛ علی اسماعیلی و سعید همایونی)
برای بار دوم به بعد: (1394، لاله زاری؛ اسماعیلی و همایونی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • A. Plaza, J. A. Benediktsson, J. W. Boardman, and W. ...
  • _ Skauli, Sensor noise informed representation of hyperspectral data with ...
  • Zhang, H., Hyperspectral image denoising with cubic total variation model, ...
  • O. Hisham, and S. Qian, Noise reduction of hyperspectral imagery ...
  • Chen, Guangyi, and Shen-En Qian, Simultaneous dimensionality reduction and denoising ...
  • Chen, Guangyi, and Shen-En Qian, Denoising and dimensionality reduction of ...
  • Letexier, Damien, and Salah Bourennane, Noise removal from hyperspectral images ...
  • Phillips, Rhonda D., Christine E. Blinn, Layne T. Watson, and ...
  • Bourennane, S., Fossati, C., & Cailly, A. (2010). Improvement of ...
  • Qian, Y., Ye, M., & Zhou, J. (2013). Hyperspectral image ...
  • Xu, D., Sun, L., & Luo, J. (2013). Noise estimation ...
  • Chen, C., Li, W., Tramel, E. W., Cui, M., Prasad, ...
  • http ://www. ehu. eu s/cc wintco/index , php ? titl ...
  • Tikhonov, A. N., & Arsenin, V. I. (1977). Solutions of ...
  • Imani, M., & Ghassemian, H. (2015). Feature space discriminant analysis ...
  • 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.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 2,436
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    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