مقاله به کارگیری روش های تخمین بعد ذاتی در استخراج ویژگی های بدست آمده از تصاویر راداری، ماهواره ای و لیدار به منظورشناسایی عوارض خاص شهری

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 مقاله به کارگیری روش های تخمین بعد ذاتی در استخراج ویژگی های بدست آمده از تصاویر راداری، ماهواره ای و لیدار به منظورشناسایی عوارض خاص شهری دارای ۳۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله به کارگیری روش های تخمین بعد ذاتی در استخراج ویژگی های بدست آمده از تصاویر راداری، ماهواره ای و لیدار به منظورشناسایی عوارض خاص شهری  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله به کارگیری روش های تخمین بعد ذاتی در استخراج ویژگی های بدست آمده از تصاویر راداری، ماهواره ای و لیدار به منظورشناسایی عوارض خاص شهری،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله به کارگیری روش های تخمین بعد ذاتی در استخراج ویژگی های بدست آمده از تصاویر راداری، ماهواره ای و لیدار به منظورشناسایی عوارض خاص شهری :

تعداد صفحات :۳۲

امروزه ترکیب دادهها و تصاویری که از منابع مختلف سنجش از دوری به دست آمدهاند، به عنوان راهحلی بهینه به منظور استخراج اطلاعات بیشتر مطرح است، چرا که این دادهها با دید وسیع خود، رقومی بودن، تهیه بصورت دورهای، اطلاعات مختلفی را در اختیار محققین قرار میدهند. در این راستا، سنجندههای غیرفعال نوری به صورت گسترده در نگاشت ساختارهای افقی مورد استفاده قرار میگیرند. دادههای راداری نیز با توجه به این که غالباً مستقل از شرایط جوی و به صورت شبانهروزی امکان جمعآوری دارند و نیز برخی ساختارهای زمینی و اهداف مصنوعی پاسخ ویژهای در فرکانس راداری دارند، تواناییهای تصاویر نوری را تکمیل میکنند. همچنین دادههای هوابرد لیدار نیز میتوانند اندازهگیریهای نمونهای با دقت بسیار بالا از ساختارهای قائم در اختیار قرار دهند. در نتیجه، استفاده همزمان دادههای نوری، راداری و لیدار میتواند اطلاعات بیشتری در کاربردهای متنوع فراهم نماید. در این تحقیق، با بکارگیری همزمان این سه دسته داده سعی بر شناسایی عوارض خاص شهری به شکل بهینه نمودیم. در این راستا، با بکارگیری و تولید توصیفگرهای مختلف (۵۷ توصیفگر) و با استفاده از روشهای استخراج ویژگی (شامل PCA و ICA) و تخمین ابعاد ذاتی دادهها (شاملSML و NWHFC)، فضای بهینهای برای طبقهبندی نظارت شده ایجاد شد. پس از انجام طبقهبندی (روش K-NN) با استفاده از نتایج بدست آمده، توصیفگرهای (لایههای اطلاعاتی) تولید شده برای شناسایی عوارض خاص شهری شامل ساختمانها، راهها و پوشش گیاهی براساس دقت کلاسهبندی بدست آمده و گروهبندی شدند. نتایج عددی بدست آمده حاکی از کارایی بالای رویه پیشنهادی و نیز روشهای بکارگرفته شده تخمین بعد ذاتی و استخراج ویژگی است.