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

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 784

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCEGIT01_104

تاریخ نمایه سازی: 19 اردیبهشت 1395

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

نویسندگان

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

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 ...
  • نمایش کامل مراجع