مقالات من

 

دانلود مقاله بهبود الگوریتمهای استخراج ویژگی خطی تصاویر ابرطیفی با استفاده از بهینه سازی اطلاعات متقابل و افزایش همبستگی مکانی تحت pdf دارای 6 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد دانلود مقاله بهبود الگوریتمهای استخراج ویژگی خطی تصاویر ابرطیفی با استفاده از بهینه سازی اطلاعات متقابل و افزایش همبستگی مکانی تحت pdf کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.

این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است

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 دانلود مقاله بهبود الگوریتمهای استخراج ویژگی خطی تصاویر ابرطیفی با استفاده از بهینه سازی اطلاعات متقابل و افزایش همبستگی مکانی تحت pdf ،به هیچ وجه بهم ریختگی وجود ندارد

---

بخشی از متن دانلود مقاله بهبود الگوریتمهای استخراج ویژگی خطی تصاویر ابرطیفی با استفاده از بهینه سازی اطلاعات متقابل و افزایش همبستگی مکانی تحت pdf :

سال انتشار: 1385

محل انتشار: دوازدهمین کنفرانس سالانه انجمن کامپیوتر ایران

تعداد صفحات: 6

چکیده:

در سالهای اخیر به منظور بهبود صحت طبقه بندی تصاویر ابرطیفی الگوریتمهای استخراج ویژگی زیادی مانند تحلیل مولف ه های اصلی، نگاشت جستجوگر، استخراج ویژگی با مرز تصمیم گیری و تبدیل موجک مورد استفاده قرار گرفتن د. این الگوریتمها فقط از اطلاعات طیفی تصاویر ابرطیفی استفاده می کنند و به دلیل حجم زیاد داده ها و محدود بودن تعدا د نمون ه های آموزشی کارایی
مطلوبی ندارن د. در ای ن مقاله با استفاده همزمان از اطلاعات طیفی و مکانی در استخراج ویژگیهای خطی طیفی، صحت و اعتبار کلی طبقه بندی بهبود داده شده اس ت. در الگوریتم ارایه شده ، ابتدا فاصله هر پیکسل تا پیکسلهای همسایه اش، متناسب با شباهتی که با آنها دارد، کم می شو د و سپس با استفاده ا ز یک الگوریتم استخراج ویژگی خطی، ویژگیها استخراج می گردد . در این مقاله ثاب ت شده است که با این عمل اطلاعات متقابل ویژگیها و کلاسها افزایش یافته و در نتیجه خطای طبقه بندی کاهش می یاب د. در مرحله دوم نقشه طبقه بندی با استفاده از ویژگیهای به دست آمده از مرحله قبل و طبقه بندی کننده حداکثر احتمال حاصل میشود. نتایج حاصل از طبقه بندی داده های واقعی سنجندهHYDICE و AVIRIS نشان م یدهد که الگوریتم پیشنهادی برا ی طبق هبندیداد ههای ابرطیفی کارآمد بوده و مشکل محدود بودن تعداد نمونه های آموزشی را تا حد قابل توجهی جبران م ینماید.

 

دانلود این فایل