محصولات دانلودی

کالیبراسیون الگوریتم های طبقه بندی کلاسیک

امیرحسین احراری
نوشته شده توسط امیرحسین احراری

توجه : این محصول آموزشی مخصوص کسانی است که سابقه کار با نرم افزارENVI  را دارند.

کالیبراسیون الگوریتم های طبقه بندی چه معنایی دارد؟

هریک از فرایندهای طبقه بندی از بخش های مختلفی تشکیل شده است که در نتیجه طبقه بندی تاثیر گذار  هستند. اینکه هریک از آنها چه مقداری باید داشته باشند مستقیما در نتیجه طبقه بندی اثر گذار خواهد بود. اگر کاربر بهینه ترین مقادیر را برای این پارامترها انتخاب نماید، دقت طبقه بندی آن به شدت افزایش خواهد یافت. فرایند تنظیم این پارامترهای موثر در طبقه بندی را به عنوان کالیبراسیون الگوریتم های طبقه بندی در نظر میگیرند.

منظور از طبقه بندی های کلاسیک چیست؟

منظور از طبقه بندی های کلاسیک، روش های طبقه بندی است که  از گذشته تا کنون بصورت بسیار گسترده و پر کاربرد برای پردازش تصاویر ماهواره ای  و تولید نقشه های موضوعی استفاده شده است. در این محصول آموزشی، منظور از روش های طبقه بندی کلاسیک روش های بیشترین شباهت و کمترین فاصله است.

چه پارامترهایی  عموما در طبقه بندی تصاویر ماهواره ای تاثیر گذارهستند؟

معمولا در فرایند طبقه بندی تصاویر ماهواره ای از اطلاعات آماری هریک از کلاس ها به عنوان مبنای طبقه بندی و دسته بندی هریک از کلاس ها استفاده میشود. به عنوان مثال میانگین و انحراف معیار به عنوان مهم ترین پارامترهایی هستند که در عموم فرایند های طبقه بندی تصاویر ماهواره ای مورد استفاده قرار میگیرد.

نقش میانگین و انحراف معیار در فرایند طبقه بندی تصاویر ماهواره ای چیست؟

نمونه هایی که برای هر کلاس برداشت میشود در فضای ویژگی چند بعدی توزیع می گردد. در این حالت خوشه هایی از نمونه های برداشت شده در فضای ویژگی شکل میگیرد که مرکز هریک از آنها نشان دهنده میانگین یک کلاس است و  انحراف معیار هریک بیانگر مرز پیکسل های آن کلاس در فضای ویژگی است.

استفاده از این محصول چه مزیتی دارد ؟

مهم ترین مزیت استفاده از این محصول افزایش دانش کاربر در زمینه عملکرد الگوریتم های طبقه بندی بیشترین شباهت و کم ترین فاصله است.

با استفاده از این فایل آموزشی شما قادر خواهید بود تا بر روی فرایند طبقه بندی کنترل بیشتری داشته باشید .

با استفاده از این فایل آموزشی شما قادر خواهید بود تا پبکسل هایی را برای هر کلاس تعیین کنید که  کاملا متناسب با نمونه های برداشتی هدف شما هستند.

با استفاده از این روش شما قادر خواهید بود تا از ایجاد نمونه های خطا در کلاس های مختلف جلوگیری نمایید.

 

چه مواردی در این محصول آموزش داده شده است :

  • رو ش نمونه برداری برای طبقه بندی نظارت شده
  • روش طبقه بندی نظارت شده بر اساس الگوریتم Maximum Likelihood
  • روش طبقه بندی نظارت شده بر اساس الگوریتم Minimum Distance
  • روش تنظیم پارامترهای طبقه بندی Maximum Likelihood
  • روش تنظیم پارامترهای طبقه بندی Minimum Distance
  • نقش قانون احتمالات در فرایند طبقه بندی Maximum Likelihood
  • نقش قانون انحراف از معیار در فرایند طبقه بندی Minimum Distance

 


   

دیدگاهتان را بنویسید