شناسایی ابر در تصاویر ماهواره ای اپتیکی با استفاده از طبقه بندی کننده ی ماشین بردار پشتیبان

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

 شناسایی ابر در تصاویر ماهواره ای اپتیکی با استفاده از طبقه بندی کننده ی ماشین بردار پشتیبان دارای ۱۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد شناسایی ابر در تصاویر ماهواره ای اپتیکی با استفاده از طبقه بندی کننده ی ماشین بردار پشتیبان  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 شناسایی ابر در تصاویر ماهواره ای اپتیکی با استفاده از طبقه بندی کننده ی ماشین بردار پشتیبان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن شناسایی ابر در تصاویر ماهواره ای اپتیکی با استفاده از طبقه بندی کننده ی ماشین بردار پشتیبان :

تعداد صفحات :۱۶

چکیده مقاله:

انواع مختلف ابر می توانند با استفاده از توصیف گرهای مختلف در تصاویر ماهواره ای اپتیکی شناسایی شوند این توصیف گرها می توانند مثل میانگین دربردارنده ی اطلاعات در مورد روشنایی تصویر باشند یا می توانند مثل خطای میانگین مربعات گرادیان و آنتروپی ترکیبی و همگونی دربردارنده ی اطلاعات بافت تصویر باشند و یا مانند ضرایب فرکانس بالای تبدیل ویولت و کسینوسی شامل اطلاعات لبه باشند در این مقاله با استفاده از این توصیف گرها از طبقه بندی کننده ی ماشین بردار پشتیبان SVM به منظور شناسایی نواحی ابری و غیر ابری استفاده شده است باندهای استفاده شده به منظور شناسایی ابر باندهای ۲.۳.۴.۵.۶.۷.و۹ سنسور تصویربردار عملیاتی زمین OLI ماهواره ی لندست ۸ می باشند این باندها همان باندهای به کار گرفته شده در روش اف ماسک هستند برخی از توصیف گرها روی باندهای خاص دقت طبقه بندی بالاتری می دهند که به عنوان نمونه می توان به توصیف گر اختلاف مرتبه اول اشاره کرد که دقت کلی بالاتری روی اند ۴ نسبت به باند ۶ می دهد سه شاخص دقت کلی ضریب کاپا و دقت تولید کننده ی ابر روی مجموعه های مختلفی از توصیف گرها که این مجموعه ها با استفاده از آنالیز کارلیشن بین توصیف گرهای مختلف به دست آمدند مورد بررسی قرار گرفت نتایج طبقه بندی به دست آمده نشان می دهد در صورت بررسی کارلیشن به منظور انتخاب توصیف گرهای بهینه و بهینه کردن پارامتر تنظیم C طبقه بندی کننده ی SVM با استفاده از رش جستجوی گرید و استفاده از داده های اموزشی مناسب می توان به دقت کلی و دقت تولید کننده ی ابر بالای ۹۰% در طبقه بندی دست یافت بررسی افزایش تعداد توصیف گرها روی باند های ۲،۳و۴ نشان می دهد که با افزایش تعداد توصیف گرها دقت کلی طبقه بندی افزایش می یابد