طبقه بندی تصاویر ماهواره ای با بکارگیری ویزگی های بافت و استفاده از روش های مبتنی بر شبکه های عصبی

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

 طبقه بندی تصاویر ماهواره ای با بکارگیری ویزگی های بافت و استفاده از روش های مبتنی بر شبکه های عصبی دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد طبقه بندی تصاویر ماهواره ای با بکارگیری ویزگی های بافت و استفاده از روش های مبتنی بر شبکه های عصبی  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 طبقه بندی تصاویر ماهواره ای با بکارگیری ویزگی های بافت و استفاده از روش های مبتنی بر شبکه های عصبی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن طبقه بندی تصاویر ماهواره ای با بکارگیری ویزگی های بافت و استفاده از روش های مبتنی بر شبکه های عصبی :

تعداد صفحات :۱۴

چکیده مقاله:

یکی از تکنیک های مهم در تفسیر تصاویر سنجش از دور، طبقه بندی تصاویر است که کاربرد زیادی در بررسی تغییرات زمین دارد. مسئله مهم تعیین یک روش طبقه بندی با دقت مناسب برای تصاویر ماهواره ای با قدرت تفکیک مکانی بالا می باشد. با افزایش تعداد باندهای تصاویر سنجش از دور، الگوریتم های استخراج ویژگی مانند تحلیل مؤلفه های اصلی، تحلیل مؤلفه های مستقل، نگاشت جستجوگر، استخراج ویزگی با مرز تصمیم گیری، تحلیل ممیز و تبدیل موجک به منظور کاهش تعداد ویژگی ها و بهبود طبقه بندی مورد استفاده قرار گرفته اند. اما این الگوریتم ها به دلیل افزایش تعداد منابع اطلاعاتیف حجم داده ها و محدود بودن تعداد نمونه های آموزشی در تصاویر ابرطیفی، بازدهی مطلوبی ندارند. در این تحقیق باری حل این مشکل، پس از بررسی طبقه بندی تصاویر ماهواره ای با استفاده از ویزگی بافت، روشی مبتنی بر ماشین بردار پشتیبان ارائه گردیده است. در واقع ماشین بردار پشتیبان پس از یک طبقه بندی اولیه، با استفاده از کلاس هر پیکسل و همسایه هایش به صورت سلسله مراتبی تصمیم گیری می کند. تصمیم گیری در هر یک از سطوح بوسیله یک ماشین بردار پشتیبان انجام می شود. نتایج نشان می دهد که صحت طبقه بندی داده های ابرطیفی با استفاده از این الگوریتم بسیار مطلوب بوده و مشکل محدود بودن تعداد نمونه های آموزشی تا حد قابل توجهی جبران شده است.