طبقه بندی تصاویر سنجش از راه دور با استفاده از افزایش نمونه های آموزشی با کمک خوشه بندی اولیه

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 719

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:

MRECONF01_044

تاریخ نمایه سازی: 9 مرداد 1395

چکیده مقاله:

در این مقاله به معرفی الگوریتمی برای طبقه بندی نیمه نظارتی بر مبنای خوشه بندی اولیه می پردازیم. در طبقه بندی نظارت شده تصاویر ماهواره ای ابرطیفی ، به علت زیاد بودن تعداد باندها ومحدودیت نمونه های آموزشی ، دقت طبقه بندی چندان بالا نیست. برای کاهش بعد از روش تحلیل اجزاء اصلی PCA استفاده کردیم و تعداد 20 باند اصلی که حاوی بیشترین اطلاعات مولفه اصلی ویژگیهاست برای پردازش انتخاب شدند. قصد داریم نمونه های آموزشی محدود و پراکنده را بدون هزینه و صرفا با تحلیل اطلاعات موجود ، افزایش دهیم. به این منظور تصویر را با الگوریتم معروف K means ،خوشه بندی میکنیم . الگوریتمی طراحی گردید که هر پیسکل در ناحیه تولید شده از خوشه بندی ، به شرط دارا بودن دو فاکتور زیر به نمونه های آموزشی افزوده شود: 1 در همسایگی نمونه آموزشی اولیه -باشد. 2 از نظر خوشه بندی با نمونه آموزشی اولیه در یک ناحیه قرار گیرد. این دو شرط اطلاعات مکانی - و طیفی را با هم ترکیب کرده و نمونه آموزشی جدید و حاوی اطلاعات را به نمونه ها اضافه می کند

کلیدواژه ها:

طبقه بندی ، تصاویر سنجش از راه دور ، افزایش نمونه های آموزشی ، خوشه بندی اولیه

نویسندگان

زهرا عطاری

دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد بندرعباس

سیدعلی حسینی

استادیار گروه الکترونیک ، دانشکده مهندسی برق، واحد یادگار امام خمینی (ره) شهر ری ، دانشگاه آزاد اسلامی ، تهران ، ایران