تلفیق داده های ابر طیفی و لیدار در طبقه بندی کلاس مبنای پوشش های زمینی در مناطق شهری

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 703

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCEGIT01_112

تاریخ نمایه سازی: 19 اردیبهشت 1395

چکیده مقاله:

طبقه بندی پوشش های زمینی در مناطق شهری به دلیل کاربردهای آن در برنامه ریزی های شهری اهمیت فراوانی دارد تراکم و پیچیدگی در بافت شهری استفاده از تلفیق ویژگی های سنجنده های مختلف را به وجود آورده است از اینرو تلفیق ویژگی های حاصل از سنجنده های ابر طیفی و لیدار که از نظر طیفی و ارتفاعی قابلیت های بالایی دارند باعث انفجار ابعاد در فضای ویژگی تولید شده می شوند در این مقاله روشی کارآمد جهت تلفیق و کاهش بعد فضای ویژگی با استفاده از روش گراف مبنای LPPارائه شده است در روش پیشنهادی ابتدا با استفاده از اعمال اپراتورهای مورفولوژی بر روی داده لیدارو ابر طیفی سه فضای ویژگی ارتفاعی مکانی و طیفی تولید می شود در مرحله بعد گراف مجاورت با استفاده از نمونه های اموزشی هر کلاس و تعیین فاصله اطمینان برای میانگین فاصله های اقلیدسی در هر کلاس در هر سه فضا ساخته می شود و در گام بعد این سه گراف جهت تلفیق فضاهای ویژگی به یک گراف تلفیقی تبدیل می شوند حال ماتریس گراف مجاورت وارد پروسه مینیمم سازی تابع هدف LPPجهت محاسبه ی ماتریس ترانسفورماسیون بین دو فضا می شود با محاسبه ماتریس ترانسفورماسیون کل فضای ورودی به فضایی با ابعاد کمتر و با حفظ ساختار محلی داده ها تبدیل می شوند در نهایت فضای کاهش بعد داده شده وارد پروسه طبقه بندی می شود نتایج به دست آمده حاکی از آن است که دقت طبقه بندی در روش پیشنهادی در ساخت گراف نسبت به روش های قبلی افزایش می یابد

کلیدواژه ها:

طبقه بندی ، تلفیق ویژگی ، داده ابر طیفی و لیدار ، روش گراف مبنای LPP

نویسندگان

بهرام صادقی

دانشجوی کارشناسی ارشد فتوگرامتری دانشکده مهندسی نقشه برداری دانشگاه صنعتی خواجه نصیرالدین طوسی

حمید عبادی

دانشیار دانشکده مهندسی نقشه برداری دانشگاه صنعتی خواجه نصیرالدین طوسی

یاسر مقصودی

استادیار دانشکده مهندسی نقشه برداری دانشگاه صنعتی خواجه نصیرالدین طوسی

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 :
  • .Ghamisi, P., J.A. Benediktsson, and S. Phinn. Fusion of hyperspectral ...
  • .Weng, Q., Remote sensing of impervious surfaces in the urban ...
  • .Niyogi, _ Locality preserving projections. in Neural information processing systems. ...
  • .Liao, W., et al., Generalized Graph-Based Fusion of Hyperspectral and ...
  • نمایش کامل مراجع