طبقه بندی تصاویر ابرطیفی از مهمترین پردازش هایی است که بر روی این تصاویر انجام می شود. تصاویر ابرطیفی دارای ابعاد بالایی هستند و این امر طبقه بندی این تصاویر را با مشکل مواجه کرده است. از این رو روش هایی که ساختار زیرفضا با بعد پایین را از تصویر ابرطیفی استخراج کنند مور چکیده کامل
طبقه بندی تصاویر ابرطیفی از مهمترین پردازش هایی است که بر روی این تصاویر انجام می شود. تصاویر ابرطیفی دارای ابعاد بالایی هستند و این امر طبقه بندی این تصاویر را با مشکل مواجه کرده است. از این رو روش هایی که ساختار زیرفضا با بعد پایین را از تصویر ابرطیفی استخراج کنند مورد توجه قرار می گیرند. روش نمایش رتبه پایین می تواند ساختار زیر فضا با بعد پایین را که در داده ها وجود دارد استخراج کند. این روش ساختار سراسری داده ها را در نظر می گیرد. به منظور حفظ ساختار سراسری و محلی در داده ها دراین مقاله روش استخراج ویژگی نمایش رتبه پایین و تنک بر مبنای اطلاعات طیفی و مکانی ارائه شده است. با اعمال این مدل ساختار داده بهتر آشکار می شود و قدرت تمایز ویژگی های آن افزایش می یابد. در این مدل هر پیکسل به صورت ترکیب خطی از مولفه های دیکشنری بیان می شود. بعلاوه برای حل مسئله به صورت بهینه از روش جهتی متناوب مضارب استفاده شده است. نتایج شبیه سازی نشان می دهد که مدل پیشنهادی نتایج بهتری را نسبت به روش های دیگر بدست آورده است.
پرونده مقاله
در این مقاله روش های بخش بندی محدود کردن منطقه و مینیمم مسیر به منظور جمع آوری اطلاعات منطقه ای برروی ناحیههای به وجود آمده با استفاده از روش یکنواخت سازی ناحیهای انجام گردید. در مرحلهی اول با استفاده از روش یکنواخت سازی تصویر به تعدادی زیر ناحیه تبدیل شده، سپس یک بخ چکیده کامل
در این مقاله روش های بخش بندی محدود کردن منطقه و مینیمم مسیر به منظور جمع آوری اطلاعات منطقه ای برروی ناحیههای به وجود آمده با استفاده از روش یکنواخت سازی ناحیهای انجام گردید. در مرحلهی اول با استفاده از روش یکنواخت سازی تصویر به تعدادی زیر ناحیه تبدیل شده، سپس یک بخشبندی کاملتر با استفاده از روشهای محدود کردن منطقه و مینیمم مسیر بر روی هر یک از ناحیههای مرحلهی اول انجام شد. روش پیشنهادی با استفاده از انتخاب منظم بذرها و جمع فاصله ها، بخشهای جدید را مشخص می کند. روش محدود کردن منطقه، تغییرات دامنهای از یک نقطه به نام بذر در هر ناحیه و روش مینیمم مسیر، سایز ناحیهها را کنترل میکند. این دو روش بر روی تصویر پیاده سازی شده و با پایین آوردن تعداد ناحیه ها نرخ فشردهسازی را بالاتر بردند.
پرونده مقاله
در تقسیم بندی پیکسل های تصویر سنجش از دور با استفاده از بخش بندی Watershed، مرزهای تصویر به خوبی آشکار نمی شوند. در این مقاله، یک الگوریتم خوشه بندی تصویر بر اساس بخش بندی Watershed و خوشه بندی Fuzzy C-Means ارائه شده است. روش کار به این صورت است که در ابتدا از الگوریتم چکیده کامل
در تقسیم بندی پیکسل های تصویر سنجش از دور با استفاده از بخش بندی Watershed، مرزهای تصویر به خوبی آشکار نمی شوند. در این مقاله، یک الگوریتم خوشه بندی تصویر بر اساس بخش بندی Watershed و خوشه بندی Fuzzy C-Means ارائه شده است. روش کار به این صورت است که در ابتدا از الگوریتم Watershed برای بخش بندی تصویر حاصل از مجموع مشتق تصویر با تصویر اصلی استفاده می شود. مشتق گرفتن از تصویر موجب می شود مرزهای تصویر به خوبی آشکار شده و رویهم افتادگی بین مرزها رخ ندهد. پس از بخش بندی، برای ترکیب نواحی مشابه حاصل، از خوشه بندی Fuzzy C-Means استفاده می شود. در نهایت، به منظور بهبود نتایج خوشه بندی، یک ماتریس تقسیم بندی جدید نیز برای هر ناحیه از تصویر، با توجه به ویژگی های نواحی همسایه ی آن محاسبه می شود. با توجه به اینکه تصاویر سنجش از دور شامل یک سطح نویز بالا هستند، الگوریتم پیشنهادی در مقایسه با الگوریتم Watershed رایج، توانایی بیشتری در مقابله با نویز دارد و لبه های تصویر بهتر نمایان می شوند. نتایج آزمایش روش پیشنهادی بر روی یک نمونه تصویر سنجش از دور، عملی بودن و کارایی الگوریتم پیشنهادی را نشان می دهد.
پرونده مقاله