سنجش کارایی ویژگی های بافتی glcm در افزایش دقت طبقه بندی تصاویر حاصل از ادغام تصاویر تک باند و ابرطیفی مناطق مسکونی و صنعتی جنوب شهر تهران

اسناد مشابه

• سنجش کارایی ویژگی‌های بافتی GLCM در افزایش دقت طبقه‌‌بندی تصاویر حاصل از ادغام تصاویر تک‌باند و ابرطیفی مناطق مسکونی و صنعتی جنوب شهر تهران

  مقاله۲۰۱۵علوم و فنون نقشه برداریقاسمیان, حسن، ملک‌نژاد, احمد، میرزاپور, فردین

  اکثر الگوریتم‌‌های طبقه‌‌بندی داده‌های سنجش از دور بر اساس ویژگی‌‌ها و اطلاعات طیفی پیکسل‌‌ها عمل می‌کنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی مفید قابل استخراج از این تصاویر، مانند؛ بافت تصاویر می‌شود. استفاده هم‌‌زمان از بافت و اطلاعات طیفی مبحثی است که به آن کمتر پرداخته

• استفاده از سیستم های طبقه بندی چندگانه به منظور بهبود دقت طبقه بندی تصاویر تمام پلاریمتریک راداری با فضای ویژگی ابعاد بالا

  مقالهمهندسی فناوری اطلاعات مکانیایمان خسروی، iman khosravi مهدی آخوندزاده، akhondzadeh mehdi

  یک تصویر تمام پلاریمتریک راداری (polsar) قابلیت فراهم کردن یک داده با فضای ویژگی ابعاد بالا را دارد. این حجم بالای اطلاعاتی می تواند دقت کلی طبقه بندی پوشش زمینی را افزایش دهد. اما افزایش ابعاد داده در صورت ناکافی بودن تعداد نمونه­های آموزشی ممکن است باعث پیچیده­تر شدن طبقه­بندی

• توسعه و ارزیابی یک الگوریتم کاهش نوفه به منظور بهبود کارایی و دقت طبقه بندی تصاویر ابرطیفی

  مقاله۲۰۱۸علوم و فنون نقشه برداریاسماعیلی, علی، لاله زاری, احسان، همایونی, سعید

  تصویربرداری ابرطیفی، به عنوان یکی از فنآوری‎های نوین سنجش از دوری، منبع ارزشمندی برای کاربردهای مختلف علوم زمین، از جمله تهیه نقشه­های پوششی، شناسایی و اکتشاف معادن، نظارت زیست­محیطی به شمار می‌رود. با این وجود، به دلایل سخت افزاری و فنآوری این داده‏ها دارای مشکلات ذاتی هستند. از

• بررسی بهبود دقت طبقه بندی با استفاده از ادغام تصویر تک باند ali با تصاویر ابرطیفی hyperion

  مقالهسنجش از دور و gis ایراناحمد ملک نژاد یزدی، کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، گروه سنجش از دور و gis، دانشگاه تربیت مدرس حسن قاسمیان، استاد، دانشکده برق و کامپیوتر، دانشگاه تربیت مدرس وحید عیسوی، کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، گروه سنجش از دور و gis، دانشگاه تربیت مدرس علی شهسواری

  بیشتر الگوریتم های طبقه بندی داده های سنجش از دور براساس ویژگی ها و اطلاعات طیفی پیکسل ها عمل می­کنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاویر می­شود. محیط شهری بافت ناهمگنی دارد که شناسایی انواع کاربری ها را به فرایندی دشوار و پی

• طبقه بندی تصاویر ابرطیفی با استفاده از ادغام ویژگی های طیفی و مکانی در شبکه های عصبی پیچشی

  مقاله۲۰۲۱مهندسی فناوری اطلاعات مکانیعبید شریفی، بهنام اصغری بیرامی، مهدی مختارزاده

  سنجندههای ابرطیفی به واسطه اخذ تعداد زیادی از باندهای طیفی همواره دارای اهمیت خاصی در پایش پدیدههای سطح زمین میباشند. طبقهبندی تصاویر ابرطیفی مهمترین روش پردازش دادههای ابرطیفی است که تا به حال تالشهای زیادی برای افزایش دقت آن صورت گرفته است. شبکههای عصبی پیچشی و ویژگیهای مکانی د

• بررسی عملکرد روش های یادگیری جمعی با توجه به روش انتخاب ویژگی، به منظور ادغام طبقه بندی کننده های انعکاسی و حرارتی با هدف شناسایی ابر، ابر سیروس و برف/یخ در تصاویر مادیس

  مقاله۲۰۱۷علوم و فنون نقشه برداریآخوند زاده هنزائی, مهدی، قاسمیان, نفیسه

  تقریبا همه­ی تصاویر سنجنده­ی مادیس دارای قسمت­های پوشیده از ابر هستند. به منظور استخراج اطلاعات صحیح از داده­های مادیس، یکی از پیش­پردازش­های کلیدی شناسایی پیکسل­های ابری و جداسازی آن از عوارض مشابه مانند برف/یخ است. ویژگی­های مورد استفاده در طبقه­بندی ابر به دو دسته­ی ویژگی­های