آموزش الگوریتم MTMF در ENVI

یکی دیگر از الگریتم های زیر پیکسلی، بسیار کاربردی در معدن و زمین شناسی الگریتم mtmf می باشد. در این جلسه به بررسی کامل آن می پردازیم.

جزئیات آموزش
check
قیمت: 30000/ 30000 تومان
تخفیف روزانه: %0

بعد از پرداخت مشاهده آنلاین فعال خواهد شد


با استفاده از سکه های حساب خود می توانید این آموزش را رایگان دریافت کنید

تعداد سکه های مورد نیاز: 60 سکه
تعداد سکه های شما: سکه
برای مشاهده این بخش باید وارد حساب کاربری خود شوید
در صورتی که حساب کاربری ندارید می توانید یک حساب کاربری رایگان بسازید
ورود به حساب کاربری ساخت حساب کاربری
نظر یا سوال شما:
:نظرات ارسال شده

توضیحات محصول

الگوریتم MTMF

از Mixture Tuned Matched Filtering (MTMF) برای انجام Matched Filtering (MF) و اضافه کردن یک تصویر infeasibility به نتایج استفاده می شود. تصویر infeasibility برای کاهش تعداد موارد مثبت کاذب که گاهی اوقات هنگام استفاده از MF یافت می شود، استفاده می گردد. پیکسل‌های با امکان‌ناپذیری بالا احتمالاً مثبت کاذب هستند. پیکسل هایی که به درستی نگاشت شده اند دارای امتیاز بالاتر از توزیع پس زمینه در حدود صفر و مقدار غیرممکن پایینی خواهند بود. مقادیر غیرممکن در واحدهای نویز سیگما هستند که در مقیاس DN با امتیاز MF متفاوت هستند.
الگریتم MTMF برای افزایش وضوح طیفی داده های موجود در تصویر فراطیفی جهت شناسایی حضور و احتمالاً فراوانی یک پدیده در منطقه مورد علاقه  ایجاد شده است. با توجه به پیشرفت های اخیر در سنجش از دور و تجزیه و تحلیل تصاویر، تشخیص پدیده های موجود در یک صحنه و تشخیص توزیع آنها با دسترسی به داده های ماهواره ای و نرم افزارهای تجزیه و تحلیل، به هدف واقعی تری برای مدیران زمین تبدیل شده است.

 

کاربرد الگوریتم MTMF

به طور خاص، الگوریتم mixture tuned matched filtering ابزار موثر برای شناسایی وجود و فراوانی انواع پوشش های خاص و اعضای نهایی است. بر خلاف سایر اشکال اختلاط طیفی (به عنوان مثال ، تجزیه طیفی چند عضوی انتهایی)، MTMF خود را متمایز می کند و از کاربر می خواهد که فقط طیف (هدف) و نه مشخصه های طیفی های پس زمینه را ارائه دهد. این ویژگی موانع غیرطبیعی طیفی قبلی را دور می زند و اجازه می دهد تا طبقه بندی به راحتی و به سرعت با مناطق جغرافیایی وسیع که دارای طیف های هدف مناسب هستند، تطبیق داده شود. الگوریتم MTMF سه مرحله عمده را دنبال می کند:

(1) کاهش نویز در تصویر ورودی با استفاده از تبدیل حداقل کسر نویز (MNF)

(2) ایجاد یک تصویر MF، نشان دهنده میزان تطابق هر پیکسل با طیف(های) هدف و

(3) ایجاد یک نمره/مقدار تنظیم مخلوط (mixture tuning) برای کاهش احتمال درج پیکسل های مثبت کاذب (یعنی پیکسل های نامناسب به کلاس هدف) در تصویر طبقه بندی شده نهایی.

نمره MF نشان می دهد که یک پیکسل چقدر نزدیک به عضو معرفی شده در مقیاس 0 تا 1 است، جایی که 0 حداقل شباهت است و 1 نشان دهنده یک تطابق قوی است (اگرچه مقادیر بیشتر از 1 را می توان از لحاظ ریاضی محاسبه کرد، بیشتر در تصاویر مشاهده می شود کنتراست طیفی کم دارند). نمره عدم تطابق پذیری (infeasibility ) طبقه بندی MTMF نشان دهنده فاصله هندسی چند بعدی از طیف های پیکسل تا طیف های مورد نظر در فضای بردار تغییر یافته (یعنی فضای MNF) است و از 0 تا حداکثر مقدار نامحدود متغیر است.

GeoRS.ir


خلاصه ای از GeoRS

هدف ما آموزش رایگان مباحث سنجش از دور و سیستم های اطلاعات جغرافیایی است. در این زمینه قابلیت هایی را فراهم کرده ایم تا به ساده ترین روش مباحث را یاد بگیرید و در نهایت سطح خود را در آزمون ها بسنجید.

آموزش و آزمون رایگان هدیه بگیر

در شبکه اینستاگرام ما هر روز با پاسخگویی صحیح به سوالات آزمون و آموزش رایگان هدیه بگیرید.

دوره های رایگان GeoRS

با کلیک بر روی هر بخش آموزش ریگان آن را دریافت کنید. تمامی آموزش ها به صورت انلاین پخش می شوند

با خیال راحت خرید کن