Журнал дистанционного зондирования и ГИС

Абстрактный

Идентификация временных данных для мягких классификаторов FCM и PCM

Ранджана Шарма, ПК Гарг, Р.К.Двиведи, Мохан Вишал Гупта

В целом, многоспектральные классификаторы предоставляют полный набор опций для классификации изображений с использованием контролируемых, неконтролируемых или нечетких подходов. Обработка изображений делится на 10 категорий: восстановление изображения, улучшение изображения, преобразование изображения, разработка подписи изображения, жесткие классификаторы и мягкие классификаторы для изображения, упрочнители и гиперспектральный анализ изображения и оценка точности результата. Жесткие классификаторы обычно используются при классификации изображений, где пиксель имеет значение принадлежности либо 0, либо 1, поэтому он считается чистым пикселем. Природа пикселя в мягком классификаторе смешанная. Пиксель мягких классификаторов принадлежит нескольким классам. С помощью теории нечеткого множества мы можем решить проблему множественной принадлежности пикселя изображения. Диапазоны значения принадлежности в нечетком множестве составляют 0 и 1, где значение между 0 и 1 определяет долю появления информации в пикселе. Эта концепция использовалась во многих приложениях, таких как анализ сигналов датчиков, минимизация неопределенности. В этом исследовании нечеткие мягкие классификаторы и гибридный нечеткий классификатор с энтропией, энтропийная кластеризация шума использовались для изучения результата метода точности (энтропии) на выходе классификаторов для многоспектральных наборов данных на уровне пикселей. Но любая классификация считается неполной без оценки ее точности. Различные коммерческие компании представили множество инструментов обработки изображений, которые предлагают связанный модуль для ввода данных, визуализации, улучшений, преобразований, классификации, оценки точности и вывода в сочетании с другими модулями на основе ГИС. Некоторые из ведущих программ ГИС, которые имеют четко определенный модуль обработки изображений, - это ERDAS Imagine, IDRISI, ENVI и ER Mapper, но оценка точности не поддерживается этим программным обеспечением для оценки мягкого классифицированного вывода. Поэтому был разработан инструмент для решения таких проблем в этом исследовании. Этот инструмент в основном фокусируется на алгоритме мягкой классификации. Он был назван инструментом нечеткого классификатора изображений (FBICET), который включает энтропию. Спутниковое изображение было успешно классифицировано с хорошей точностью с помощью FBICET.