توضیحات
remote sensing An efficient semi-supervised classification approach for hyperspectral imagery
گزارش شبیه سازی به شرح زیر است:
1.در این کد در ابتدا تصاویر دیتا بیس Indian pines dataset خوانده می شود.
2. در مرحله 2 با استفاده از PCA ابعاد بردار ویژگی در دیتا ها کاهش یافته تا حجم برنامه کاهش یابد.
برای استخراج PCA از ماتریس کوواریانس و مقادیر ویژه با اهمیت بیشتر استفاده می شود.
سپس دیتا بیس به صورت تصویر با ابعاد 145*145 تبدیل شده که هر بعد آن بیان کننده یکی از ویژگی های بردار ویژگی مربوط به هر پیکسل است.
در ادامه مقادیر دیتا بیس به منظور نمایش بهتر به بازه [0-255] نرمالیزه می شود.
3. در این مرحله روش mean shift پیاده سازی می شود. روال پیاده سازی MS در مقاله توضیح داده میشود.
خروجی این مرحله در بازه [0-255] نرمالیزه می شود.
4. در این مرحله تصویر ground truth خوانده می شود. در تصویر GT 17 کلاس موجود است.
تعداد کلاس ها(17) با استفاده از هیستوگرام تصویر GT محاسبه میشود.
سپس پیکسل های هر کلاس به صورت مجزا درF_GT قرار میگیرد.
مقدار میانگین بردار ویژیگ پیکسل های هر کلاس معادل با بردار ویژگی آن کلاس در نظر گرفته می شود.
F_GT_rand(i,1:3)=floor(mean(F,1))
5. در این مرحله بر اساس خروجی MS پیکسل های بدون برچسب، برچسب گذاری می شوند.
بدین منظور از حداقل فاصله که در مقاله بیان شدهد است ، استفاده می شود. پارامتر alpha نشان دهنده میژان نزدیکی به کلاس مورد نظر است.
Xt,yt مقدار بردار ویژگی پیکسل های مربوط به هر کلاس را مشخص میکند.
6. در این مرحله از کلاس بند SVM استفاده می شود.
در این مرحله برای اموزش از بردار ویژگی Ftrain استفاده میشود. در این بردار ویژگی، ویژگی های برچسب گذاری شده به اضافه r در صد از ویژگی های بدون برچسب قرار میگیرد.
Numtrain تعداد پیکسل های هر کلاس برای آموزش SVM را نشان میدهد
7. مرحله آخر مربوط به نمایش تصویر کلاس بندی شده است.
نتایج شبیه سازی با متلب :
Dataset = Indian_pines
Dataset = Indian_pines_gt
کلید واژه : کلاس بند SVM, ماتریس کوواریانس , مقادیر ویژه, PCA,پروژه متلب,شبیه سازی با متلب,matlab project,پروژه matlab,پروژه های آماده متلب,
Hyperspectral, Semi-supervised learning, Classification, Segmentation, Spectral–spatial feature, SVM
شبیه سازی مقاله
remote sensing An efficient semi-supervised classification approach for hyperspectral imagery
به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،. با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
