آموزش طبقه بندی تصاویر ماهواره ای در MATLAB

این محصول آموزشی به مبحث طبقه بندی تصاویر ماهواره ای و سنجش از دور در نرم ­افزار متلب می پردازد.

همواره جامعه سنجش از دور به تحقیقات مرتبط با طبقه بندی تصویر توجه داشته است. زیرا نتایج طبقه بندی اساس بسیاری از برنامه های زیست محیطی و اقتصادی است. تعداد زیادی روش برای طبقه بندی وجود دارد و انتخاب روش مناسب به کاربرد، فضای داده و انتخاب کاربر بستگی دارد.

برخی از طبقه بندی های معروف عبارتند از:

طبقه بندی درختی: یادگیری درخت تصمیم گیری یکی از روش های مدل سازی است که در آمار، داده کاوی و یادگیری ماشین مورد استفاده قرار می گیرد. از یک درخت تصمیم­ گیری به عنوان یک مدل پیش بینی استفاده می شود تا از مشاهدات مربوط به یک مورد (که در شاخه ها مشاهده می شود) به نتیجه گیری در مورد مقدار هدف مورد (که در برگ ها آمده است) برسد.

طبقه بندی SVM: در يادگيري ماشيني، ماشين هاي بردار پشتيبان (SVM ها) مدل هاي يادگيري هستند كه داده ­هاي مورد استفاده براي طبقه بندي و تحليل رگرسيون را تحليل مي كنند. الگوریتم ماشين بردار پشتيبان (SVM) یک ابزار یادگیری محبوب است که راه حل هایی را برای مشکلات طبقه بندی و رگرسیون ارائه می دهد.

طبقه بندی Naive Bayes: طبقه بندی های Naive Bayes بسیار مقیاس پذیر هستند و به تعدادی از پارامترهای خطی نیاز دارند. آموزش Maximum-likelihood را می توان با ارزیابی یک عبارت محدود انجام داد. یعنی برای آموزش به صورت خطی به زمان نیاز دارد، در حالی که بسیاری از انواع دیگر طبقه بندی ها، در یک فرم تکرار شونده آموزش می بینند.

طبقه بندی KNN: الگوریتم KNN روشی غیر پارامتری است که نزدیکترین همسایگان را در شناسایی الگوی پیدا می­ کند.

طبقه بندی LDA: این طبقه بندی روشی برای یافتن ترکیب خطی از ویژگی ها است که دو یا چند کلاس را جدا می کنند. از LDA به عنوان طبقه بندی خطی یا برای کاهش ابعاد قبل از طبقه بندی اصلی استفاده شود.