عنوان

طبقه بندی تصاویر ابرطیفی به روش نیمه نظارت شده با استفاده از ویژگی های طیفی و مکانی, طبقه بندی تصاویر ابرطیفی به روش نیمه نظارت شده با استفاده از ویژگی های طیفی و مکانی

Number

۱۴۴۵۹پ

.Language of Text, Soundtrack etc

فارسی

Title Proper

طبقه بندی تصاویر ابرطیفی به روش نیمه نظارت شده با استفاده از ویژگی های طیفی و مکانی

Title Proper

طبقه بندی تصاویر ابرطیفی به روش نیمه نظارت شده با استفاده از ویژگی های طیفی و مکانی

First Statement of Responsibility

زهتاب علاسوند اندکاه

First Statement of Responsibility

زهتاب علاسوند اندکاه

Name of Publisher, Distributor, etc.

دانشگاه شهید چمران اهواز، دانشکده مهندسی، گروه کامپیوتر

Date of Publication, Distribution, etc.

۱۳۹۶

Specific Material Designation and Extent of Item

۱۰۸ص.

Accompanying Material

همراه سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی کامپیوتر (هوش مصنوعی)

Date of degree

۱۳۹۶/۰۴/۲۶

Text of Note

نام خانوادگي : علاسوند اندکاهنام: زهتابشماره دانشجويي : 9348312عنوان پايان نامه : طبقه بندی تصاویر ابرطیفی به روش نیمه نظارت شده با استفاده از ویژگی های طیفی و مکانیاستاد/ اساتيدراهنما: مرجان نادران طحان و غلامرضا اکبری زادهاستاد/ اساتيد مشاور: ---درجه تحصيلي: کارشناسی ارشدرشته: کامپیوترگرايش: هوش مصنوعیدانشگاه : شهید چمران اهوازدانشكده: مهندسیگروه : کامپیوترتاريخ فارغ التحصيلي : تیرماه 96 تعداد صفحه: 108كليد واژه ها : ابرطیفی، نمایش تنک، یادگیری لغت نامه، سوپرپیکسل، نیمه نظارت شده، ویژگی های طیفی و مکانیچکیده: هدف از این تحقیق ارائه روشی کارا و موثر برای طبقه بندی تصاویر سنجش از دور ابرطیفی است. این تصاویر معمولاً برای شناسایی نوع پوشش و مواد تشکیل دهنده زمین به کار می‌روند. از آنجا که اندازه این تصاویر بزرگ است و در باندهای فرکانسی متعددی تهیه می‌شوند دارای حجم زیاد و بردار ویژگی با ابعاد بالا هستند. همچنین وجود نویز، تفاوت در زاویه حسگر، زاویه تابش نور، شرایط جوی و عوامل متعدد دیگر باعث بوجود آمدن تفاوت در بردار طیفی داده های متعلق به یک دسته، ایجاد زیرفضاهای متعدد و در نتیجه غیرخطی شدن ویژگی‌ها شده است، بنابر این طبقه بندی این تصاویر کاری چالش برانگیز است. مدل تنک مشترک برای دسته بندی نمونه هایی با ماهیت غیر خطی، کارایی به سزایی دارد زیرا باعث می‌شود از همبستگی مکانی موجود بین پیکسل‌ها بهره برداری شود. در این پایان نامه برای تعیین نوع عناصر هر پیکسل از روش نمایش تنک بر پایه لغت نامه استفاده شده است. در مدل تنک مشترک، عناصر لغت نامه برای همه پیکسل‌های موجود در هر سوپرپیکسل مشترک است در حالی که ضرایب مربوط به هر یک متفاوت است،‌ همچنین جهت استخراج مدل تنک مشترک، تصویر به سوپرپیکسل‌هایی بخش بندی شده است. برای استخراج سوپرپیکسل ها، به طور همزمان ویژگی های طیفی و مکانی به کار گرفته شده است تا نواحی همگن تری انتخاب شوند، در نتیجه هم طیف هر پیکسل مورد مقایسه قرار گرفته است و هم از لحاظ مکانی پیکسل ها با هم مقایسه شده اند. برای استخراج سوپرپیکسل ها از دو روش ASLIC و SSSE استفاده شده است. همچنین با الگوریتم SOMP ضرایب تنک مربوط به هر بردار طیفی استخراج و با روش K-SVD اتم‌های لغت نامه ایجاد می‌شوند. از آزمایشات و مقایسه با سایر رهیافت‌ها، این نتیجه به دست می‌آید که بخش بندی سوپرپیکسل به عنوان یک پیش پردازش، واستفاده توامان ویژگی‌های طیفی و مکانی در این بخش بندی تاثیر به سزایی در مشخص کردن نواحی همگن دارد و در نتیجه تجزیه یک طیف با دقت بهتری انجام می‌شود. از طرفی برچسب زنی نمونه‌ها توسط فرد متخصص، جهت آموزش طبقه بند، کاری دشوار و پر هزینه است. در این پایان نامه برای غلبه بر تعداد نمونه آموزشی محدود، از روش نیمه نظارت شده استفاده شده است، برای این کار نمونه‌ها با دو الگوریتم نیمه نظارتی TSVM و S4VM، که از فرض‌های متفاوتی جهت دسته بندی بهره می‌برند استفاده و نتیجه کار آنها با هم مقایسه شده است. نتایج نشان داد روش پیشنهادی به دقت کلی 94.73% برای طبقه بند TSVMو 97.13% برای S4VM دست یافته است. این میزان دقت کلی نشان می‌دهد که دقت روش پیشنهادی نسبت به روش های نظارت شده رشد داشته است. همچنین بیانگر این است که طبقه بندهای نیمه نظارتی با داده های محدود آموزشی، کارایی بالاتری نسبت به روش های نظارت شده دارند و در صورتی که ویژگی های مناسب با جداسازی بالا استخراج شود می‌توانند برای داده های آزمایش به خوبی تعمیم یابند.

Text of Note

Name: ZehtabSurname: Alasvand AndekahTitle: Semi-Supervised Classificaton of Hyperspectral Images Using Spectral and Spacial FeaturesSupervisor/s: Dr. Marjan Naderan Tahan and Dr. Gholamreza Akbarizadeh Advisor/s: ---Degree: Master of ScienceUniversity: Shahid Chamran University of Ahvaz Department: ComputerFaculty: EngineeringGraduating date: June 2017 Number of pages: 108Keywords: Hyperspectral, Sparse representation, Dictionary learning, Superpixel, Semi-supervised, Spectral-Spacial featuresAbstract :The purpose of this research is to provide an efficient and effective way to classify ultrasound imagery. These images are usually used to identify the type of cover and the ingredients of the earth. Because the size of these images is large and they are produced in numerous frequency bands, they are large in size and feature high-resolution vector. Also, the presence of noise, the difference in sensor angle, light angle, atmospheric conditions, and many other factors caused the difference in the spectral vector of the data belonging to a category, creating multiple sub-elements and, consequently, non-linear features, so the classification of these pictures is challenging. A Joint Sparsity model for categorizing samples with nonlinear nature has a great deal of efficiency, as it makes the spatial correlation between pixels exploitable. In this thesis, sparse representation based on dictionary methos is used to determine the type of elements of each pixel. In the Joint Sparsity model, the dictionary atoms are common to all pixels in each superpixel, while the coefficients are different for each one, and the image is split into superpixels to extract the Joint Sparsity model. To extract superpixels, spatial and spatial features simultaneously are used to select more homogeneous regions, thus the spectrum of each pixel and the spatial resolution of the pixels are compared. Superpixels were extracted using ASLIC and SSSE methods. Also, with the SOMP algorithm, the sparse coefficients associated with each spectral vector are extracted and the dictionary atoms are created by the K-SVD method. From the experiments and comparison with other approaches, it is concluded that the superpixel segmentation as a pre-processing, and the use of spectral and spatial properties in this segmentation, has a significant effect on the identification of homogeneous regions, and thus the decomposition of a spectrum is done more accurately. On the other hand, labeling a sample by an expert is a difficult and costly task for training a classifier. In this thesis, a semi-supervised method has been used to overcome the limited number of training samples. To do this, the samples are used with two semi-supervised algorithms TSVM and S4VM, which take advantage of different assumptions for categorization and the result is compared with each other. The results showed that the proposed method achieved a total accuracy of 94.73% for the TSVM classification and 97.13% for S4VM. This level of overall accuracy indicates that the proposed method's accuracy has grown compared with supervised methods. It also suggests that semi-supervised methods with limited training data have higher performance than supervised methods and can be generalized well for test data if the appropriate and more distinct features are extracted.

Subject Term

پایان نامه کارشناسی ارشد

Subject Term

دانشکده مهندسی

Subject Term

مهندسی کامپیوتر

Subject Term

هوش مصنوعی

Subject Term

برطیفی، نمایش تنک، یادگیری لغت نامه، سوپرپیکسل، نیمه نظارت شده، ویژگی های طیفی و مکانی

علاسوند اندکاه، زهتاب

نادران طحان، مرجان، استاد راهنما

اکبری زاده، غلامرضا، استاد راهنما

Country

ایران

Date of Transaction

20171120

Call Number

پ،۱۴۴۵۹،م،۱۳۹۶

p

TF

92029

a

Y