استخراج ویژگی های شکلی و آماری حاصل از تابع همبستگی طیفی برای آنالیز بافت
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه ارومیه - دانشکده فنی
- نویسنده زهرا صدقی گمچی
- استاد راهنما مهدی جهل امیرانی
- سال انتشار 1391
چکیده
تکنیک های آنالیز بافت همواره مورد توجه پژوهشگران بوده است و مطالعات فراوانی در جهت به کارگیری آنها صورت گرفته و راهکارهای متعددی ارائه شده است. در بسیاری از روش های آنالیز، بافت را سیگنال ایستان فرض می کنند که در حالت کلی فرض درستی نیست. ایستان دوری بودن، فرضی نزدیک تر به واقعیت است. این مفهوم ما را به سوی استفاده از تابع همبستگی طیفی scf رهنمون می سازد که توصیف آماری مرتبه دومی در فضای فرکانسی سیگنال ها فراهم می کند. در روش پیشنهادی، دو سیگنال یک بعدی از هر تصویر با جاروی سطر به سطر و ستون به ستون تصویر بدست می آیند و تابع همبستگی هر یک از آنها محاسبه می شود. برای تخمین تابع scf در این پایان نامه از الگوریتم fam استفاده شده است که به لحاظ بار محاسباتی الگوریتم موثری است. پس از محاسبه تابع همبستگی طیفی، ویژگی های شکلی و نیز ویژگی های آماری (شامل انرژی و واریانس دامنه ی تابع) از نواحی مختلف صفحه دو فرکانسه استخراج می شود. علاوه بر محاسبه تابع همبستگی طیفی در هر یک از ابعاد سطری و ستونی، همبستگی بین این دو بعد در نقاط ویژگی و همچنین در تمام پیکسل های تصویر محاسبه می شوند. این ویژگی ها به منظور طبقه بندی به طبقه بند knn و mlp اعمال می شوند. نتایج آزمایش ها نشان می دهند روش پیشنهادی نتایج بهتر و کارآیی بالاتری نسبت به رهیافت های پیشین ارائه شده دارد.
منابع مشابه
ویژگی های توزیع آماری برای زوایای دوسطحی
مدل کسینوسی توزیع ون میسز دو متغیره، که تا حدودی رفتاری مشابه توزیع نرمال دومتغیره دارد، برای نمایش تغییرات احتمالاتی توام زوایای دوسطحی پیشنهاد شده است. از ویژگی های بارز این توزیع داشتن چگالی شرطی ون میسز یک متغیره است. اما توزیع حاشیه ای آن بسته به پارامترهای درگیر مسئله صورت های متفاوتی به خود می گیرد و به طور کلی شکل بسته ای ندارد. این موضوع استنباط آماری راجع به پارامت...
متن کاملتحلیل سیگنال های دو بعدی با استفاده از تابع همبستگی طیفی و کاربرد آن در تحلیل بافت تصویر
آنالیز محتوای ایستان-دوار یا به اختصار csa سابقه ا ی قابل توجه در بخش های مختلف مخابرات همچون تشخیص مدولاسیون دیجیتال، رادیو شناختی، طیف سنجی و غلبه بر پدیده های نامطلوب مخابراتی همچون نویز و محوشوندگی داشته است. با این حال استفاده از محتوای ایستان دوار یک پارادایم جدید در طبقه بندی بافت است و اولین بار در [9] بررسی شد. امیرانی و بهشتی به کمک تخمین گر fam، تابع همبستگی طیفی را جهت استخراج ویژگی...
15 صفحه اولتحلیل ممیز طیفی و مکانی برای استخراج ویژگی ادغام شده در تصاویر ابرطیفی
: ادغام ویژگی های ارزشمند طیفی و مکانی در تصاویر ابرطیفی با تفکیک مکانی بالا، دقت طبقه بندی را به مقدار قابل توجهی بهبود می بخشد. در این مقاله یک روش استخراج ویژگی طیفی- مکانی بر مبنای تحلیل ممیز پیشنهاد شده است. برای افزایش تفکیک پذیری کلاس ها، پراکندگی های بین کلاسی حداکثر و پراکندگی های درون کلاسی حداقل شده است. برای وارد نمودن اطلاعات مکانی در فرآیند استخراج ویژگی، پراکندگی های مکانی در یک ...
متن کاملانجام یک مرحله پیش پردازش قبل از مرحله استخراج ویژگی در طبقه بندی داده های تصاویر ابر طیفی
Hyperspectral data potentially contain more information than multispectral data because of their higher spectral resolution. However, the stochastic data analysis approaches that have been successfully applied to multispectral data are not as effective for hyperspectral data as well. Various investigations indicate that the key problem that causes poor performance in the stochastic approaches t...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه ارومیه - دانشکده فنی
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023