کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6873747 1440691 2016 20 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A Method of Spatial Unmixing Based on Possibilistic Similarity in Soft Pattern Classification
ترجمه فارسی عنوان
یک روش تفکیک فضایی بر اساس شباهت مثبت در طبقه بندی نرم الگوی
کلمات کلیدی
ترجمه چکیده
این مقاله روشی را برای تفکیک پیکسل بر اساس شباهت احتمالی ارائه می دهد. این رویکرد از مفاهیم احتمالی برای انعطاف پذیری در ادغام هر دو اطلاعات متنی و یک دانش پیشین بهره می گیرد. توزیعهای احتمالی ابتدا با استفاده از دانش پیشین ارائه شده در قالب مناطق یادگیری متمرکز شده توسط یک متخصص به دست می آید. این مناطق برای ارزیابی توابع چگالی احتمال کلاس های مختلف موضوعی نیز نامیده می شود. توابع چگالی احتمالی سپس به توزیع احتمالی تبدیل می شوند که با استفاده از تبدیل احتمال احتمال دوبوئیس-پراد امکان پذیر است. پس از برداشتن پیکسل، براساس شباهت احتمالی بین توزیع احتمالی محاسبه شده در اطراف پیکسل در نظر گرفته شده و توزیع احتمالی به دست آمده از نمایندگان از پیش تعریف شده در تصویر تجزیه و تحلیل صورت می گیرد. تعدادی از اقدامات تشابه احتمالی برای تضعیف تبعیض بین اعضای پایه آزمایش شده اند. نتایج نشان می دهد که رویکرد پیشنهادی، برآوردگر کارآیی نسبت هر عضو آخر در پیکسل (فراوانی) می باشد و دقت طبقه بندی بالاتر را به دست می دهد. تجزیه و تحلیل عملکرد با استفاده از تصاویر مصنوعی و واقعی انجام شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
یک روش تفکیک فضایی بر اساس شباهت مثبت در طبقه بندی نرم الگوی
چکیده انگلیسی
This paper proposes an approach for pixel unmixing based on possibilistic similarity. The approach exploits possibilistic concepts to provide flexibility in the integration of both contextual information and a priori knowledge. Possibility distributions are first obtained using a priori knowledge given in the form of learning areas delimitated by an expert. These areas serve for the estimation of the probability density functions of different thematic classes also called endmembers. The resulting probability density functions are then transformed into possibility distributions using Dubois-Prade's probability-possibility transformation. The pixel unmixing is then performed based on the possibilistic similarity between a local possibility distribution estimated around the considered pixel and the obtained possibility distributions representing the predefined endmembers in the analyzed image. Several possibilistic similarity measures have been tested to improve the discrimination between endmembers. Results show that the proposed approach represents an efficient estimator of the proportion of each endmember present in the pixel (abundances) and achieves higher classification accuracy. Performance analysis has been conducted using synthetic and real images.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Fuzzy Information and Engineering - Volume 8, Issue 3, September 2016, Pages 295-314
نویسندگان
, , , , ,