طبقه بندی تصویر ابر طیفی نیمه نظارت شده
ترجمه نشده

طبقه بندی تصویر ابر طیفی نیمه نظارت شده

عنوان فارسی مقاله: طبقه بندی تصویر ابر طیفی نیمه نظارت شده با استفاده از اطلاعات مکانی و طیفی و ویژگی های نمای افقی
عنوان انگلیسی مقاله: Semisupervised Hyperspectral Image Classification Using Spatial-Spectral Information and Landscape Features
مجله/کنفرانس: دسترسی – IEEE Access
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: مهندسی الگوریتم و محاسبات
کلمات کلیدی فارسی: طبقه بندی تصویر ابر طیفی، ویژگی های نمای افقی، اطلاعات مکانی و طیفی، یادگیری نیمه نظارت شده
کلمات کلیدی انگلیسی: Hyperspectral image classification, landscape features, spatial-spectral information, semisupervised learning
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals List – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1109/ACCESS.2019.2946220
دانشگاه: College of Information and Communication Engineering, Harbin Engineering University, Harbin 150001, China
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 4.641 در سال 2018
شاخص H_index: 56 در سال 2019
شاخص SJR: 0.609 در سال 2018
شناسه ISSN: 2169-3536
شاخص Quartile (چارک): Q2 در سال 2018
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 18
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E13847
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


I. Introduction


II. Related Work


III. Proposed Methodology


IV. Dataset Description and Design of Experiment


V. Results and Analysis


Authors


Figures


References

نمونه متن انگلیسی مقاله

Abstract


In hyperspectral image classification, the foremost task is that: how can we apply limited labeled samples to achieve good classification results? Spatial–spectral classification methods, which assign a label to each pixel regarding both spatial and spectral information, are effective to improve classification performance. Moreover, semisupervised learning (SSL) focuses on the scenario that the number of labeled data is rather small while a large number of unlabeled data are available. To complement spatial–spectral classification methods and semisupervised learning for each other, we propose a novel learning landscape features semisupervised framework (LLFSF) based on M-training algorithm and weighted spatial-spectral double layer SVM classifiers module (WSS-DSVM). In this novel framework, we first propose a SLIC (simple linear iterative clustering) based non-local superpixel segmentation algorithm to initially learn landscape feature and spatial composition. Then, we apply WSS-DSVM module to obtain initial classification maps. To better characterize complex scenes of hyperspectral images, we quantizes both the landscape diversity and separability from the initial classification map, which increase availability of spatial details and structural information of objects. Finally, we put some patches with lower accuracy into Multiple-training algorithm for further classification. In order to achieve an unbiased evaluation, we have evaluated the performance of LLFSF on three different scene hyperspectral data sets and compare it with that of three state-of-the-art hyperspectral image classification methods. The experimental results confirm the efficacy of the proposed framework.


Introduction


Recently, in pace with the rapid development of imaging technology, hyperspectral imagery can obtain a large amount of information about an object via hundreds of contiguous and narrow spectral bands. Hyperspectral imagery (HSI) has emerged as a significant data in a variety of scientific fields, including medical imaging [1], chemical analysis [2], and remote sensing [3], agricultural monitoring [4], ecosystem monitoring [5] and endmember extraction [6]. The crucial component in these applications is classification. The classification techniques are divided into supervised classification algorithms and unsupervised classification algorithms based on whether a prior knowledge is needed. Some conventional supervised classifiers can obtain satisfactory classification results, such as support vector machines [7], [8], neural networks [9], [10] and regression methods [11]. Recently, as the supervised models, deep learning networks have attracted much attention, due to the fact that the advantages of deep learning models. Firstly, the fundamental philosophy of deep learning is that let the trained model itself select more important features with fewer constraints imposed by human experts.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

طبقه بندی تصویر ابر طیفی نیمه نظارت شده
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها