선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 베이시만 최대우도 분류기법을 이용한 위성영상의 감독 분류 정확도 향상을 위하여 ISODATA 분류기를 이용한 훈련 데이터의 선정 및 퍼지 C-Means 를 사전확률로 하는 베이시안 최대우도 분류기법에 대해서 연구하였다. 본 연구에서는 위성영상 이미지의 분류 에 있어, 분석가에 의하여 분류항목별 훈련 데이터를 선 정한 후 훈련데이터에 대하여 ISODATA 분류를 수행하 여, 분류항목별 훈련 데이터를 새롭게 설정한다.
제안 방법
- 이에 는 퍼지기법을 적용하여 분류의 개선을 시도한 연구가 있으며, 신경망 이론의 위성이미지 분류에의 적용에 대한 연구가 다양하게 이루어지고 있다.[3][4] 본 논문에서는 위성영상의 분류의 정확성을 개선시키기 위하여 ISODATA를 이용하여 분류 항목별 훈련 데이터를 분광 특징에 따라 세부항목으로 분리하고, 이를 이용한 퍼지 C-Means의 문류 결과를 베이시안 최대우도 분류기의 사전확률로 이용하여 분류를 수행하여 감독 분류 성능을 향상시키는 방법을 제안하였다.
- 본 연구에서는 입력영 상에 대하여 분석가가 먼저 분류항목별로 훈련 데이터를 여러 영역을 선정한다. 그리고 분류 항목별로 선정된 훈 련 데이터에 대하여 각각 ISODATA 분류를 수행하여 새로운 훈련 데이터를 선정한다. 이 과정은 분导항목별로 선정된 훈련 데이터를 분광툭징에 따라 세부분류항목으 로 세분화하여 새로운 훈련 데이터로 선정하는 것이다.
- 본 논문에서는 30mx30m 의 공간해상도를 가지는 Landsat TM 위성영상을 입력으로 제안한 분류 알고리즘 의 정확도를 실험하였다. 제안된 알고리즘의 정확성을 테스트하기 위해서 사용된 이미지는 미국의 Purdue 대 학에서 수집한 데이터로서 1986년에 관측된 미국의 Indiana의 Tippecanoe County 지역에 대한 Landsat TM 영상이다.
- 본 논문에서는 퍼지 C-Means의 반복수행을 하지 않고 ISODATA에 의하여 새롭게 선정된 훈련 데이터의 중심 값을 이용하여 한번만 수행한다.
- 본 논문에서는 베이시만 최대우도 분류기법을 이용한 위성영상의 감독 분류 정확도 향상을 위하여 ISODATA 분류기를 이용한 훈련 데이터의 선정 및 퍼지 C-Means 를 사전확률로 하는 베이시안 최대우도 분류기법에 대해서 연구하였다. 본 연구에서는 위성영상 이미지의 분류 에 있어, 분석가에 의하여 분류항목별 훈련 데이터를 선 정한 후 훈련데이터에 대하여 ISODATA 분류를 수행하 여, 분류항목별 훈련 데이터를 새롭게 설정한다. 새롭게 설정된 각각의 훈련 데이터로부터 평균값을 구하여 퍼지 C-Means의 중심값으로 설정하고 각 분류항목에 대한 소속도를 구하여 분류를 수행한다.
- 좋은 분류결과를 산출하기 위해, 훈련 데이터는 대표성과 완벽성을 가져야 한다. 본 연구에서는 입력영 상에 대하여 분석가가 먼저 분류항목별로 훈련 데이터를 여러 영역을 선정한다. 그리고 분류 항목별로 선정된 훈 련 데이터에 대하여 각각 ISODATA 분류를 수행하여 새로운 훈련 데이터를 선정한다.
- 분석가에 의하여 분류항목별 훈련 데이터를 선정한 후 이를 ISODATA 분류기법을 이용하여 각각의 분류항목별 로 분광특징에 따라 훈련 데이터를 세분화하여 새로운 훈련 데이터를 선정하였다. 분류항목별로 세분화된 훈련 데이터로부터 평丑값을 구하여 퍼지 C-Means2| 중심값 오로 설정하고 각 중심값에 대한 소속도를 구하여 분류 를 수행하였다. 퍼지 C-Means의 분류결과를 베이시안 최대우도 분류기의 사전확률로 이용하여 분류를 수행하였다.
- 분석가에 의하여 분류항목별 훈련 데이터를 선정한 후 이를 ISODATA 분류기법을 이용하여 각각의 분류항목별 로 분광특징에 따라 훈련 데이터를 세분화하여 새로운 훈련 데이터를 선정하였다. 분류항목별로 세분화된 훈련 데이터로부터 평丑값을 구하여 퍼지 C-Means2| 중심값 오로 설정하고 각 중심값에 대한 소속도를 구하여 분류 를 수행하였다.
- 분류항목별로 세분화된 훈련 데이터로부터 평丑값을 구하여 퍼지 C-Means2| 중심값 오로 설정하고 각 중심값에 대한 소속도를 구하여 분류 를 수행하였다. 퍼지 C-Means의 분류결과를 베이시안 최대우도 분류기의 사전확률로 이용하여 분류를 수행하였다.
- 분류항목별로 세분화된 훈련 데이터로부터 평丑값을 구하여 퍼지 C-Means2| 중심값 오로 설정하고 각 중심값에 대한 소속도를 구하여 분류 를 수행하였다. 퍼지 C-Means의 분류결과를 베이시안 최대우도 분류기의 사전확률로 이용하여 분류를 수행하였다.
대상 데이터
- ISODATA 알고리즘은 각 군집마다 허용되는 샘플들의 최소 개수, 병합이 일어나 지 않는 군집중심 사이에 허용되는 최소거리, 군집의 분 리를 조절하는 파라미터, 각 반복에서의 군집 병합의 최대 수, 알고리즘의 반복의 최대 수를 입력 값으로 한다. Z1 리고 본 연구에서는 ISODATA 군집화를 위해 픽셀과 군쟙 중심과의 거리는 마하라노비스 거리를 사용하였다. 마하라노비스 거리는 분산의 차이에 .
- 하나의 화소는 8bit로 구성되어 있다. 분석가 에 의하여 corn, soybean, wheat, alfalfa/oats, pasture 의 5개의 분류항목을 정의하고, Purdue 대학에서 수집한 실측데이터에 의하여 각 분류항목별로 훈련 데이터를 선 정하였다. 선정돤 훈련 데이터의 각 군집에 대한 중심을 ISODATA 군집분류기법의 초기군집 중심으로 이용하여 분광특징별로 다수의 군집으로 분리하여 새롭게 훈련 데이터를 생성하였다.
- 본 논문에서는 30mx30m 의 공간해상도를 가지는 Landsat TM 위성영상을 입력으로 제안한 분류 알고리즘 의 정확도를 실험하였다. 제안된 알고리즘의 정확성을 테스트하기 위해서 사용된 이미지는 미국의 Purdue 대 학에서 수집한 데이터로서 1986년에 관측된 미국의 Indiana의 Tippecanoe County 지역에 대한 Landsat TM 영상이다.[6] 영상의 크기는 가로와 세로의 크기가 169x169 화소이고, 밴드 수는 7개이며, 파일형식은 BIL 포맷이다.
데이터처리
- 본 연구에서는 위성영상 이미지의 분류 에 있어, 분석가에 의하여 분류항목별 훈련 데이터를 선 정한 후 훈련데이터에 대하여 ISODATA 분류를 수행하 여, 분류항목별 훈련 데이터를 새롭게 설정한다. 새롭게 설정된 각각의 훈련 데이터로부터 평균값을 구하여 퍼지 C-Means의 중심값으로 설정하고 각 분류항목에 대한 소속도를 구하여 분류를 수행한다. 퍼지 C-Means의 분 류 결과를 베이시안 최대우도 분류기의 사전 확률로 이용하여 분류를 수행하였다.
이론/모형
- 분석가 에 의하여 corn, soybean, wheat, alfalfa/oats, pasture 의 5개의 분류항목을 정의하고, Purdue 대학에서 수집한 실측데이터에 의하여 각 분류항목별로 훈련 데이터를 선 정하였다. 선정돤 훈련 데이터의 각 군집에 대한 중심을 ISODATA 군집분류기법의 초기군집 중심으로 이용하여 분광특징별로 다수의 군집으로 분리하여 새롭게 훈련 데이터를 생성하였다. 새롭게 생성된 훈련 데이터는 전체 분류항목에 대하여 8개의 군집을 형성하였으며, ISODATA 분류를 수행하여 생성된 군집은 비교적 적은 값의 밴드별 분산값을 가지며, 정규분포 형태의 자료분포를 보여 주었다.
- 일반적으로 사전확률을 가지는 베이시안 최대우도 분류기법은 판별식의 Q仞값의 값을 최대화되는 분류항 목으로 픽셀을 분류하는 과정이다. 이때 户(叫)는 사전확 률을 의미하는 것으로서 똔 연구에서는 퍼지 C-Means 분류결과를 이용하였다.
- 퍼지 C-Means 분류기법은 목적함수기반 (Objective Function Based) 퍼지 규칙을 사용한다.[51 퍼지 C-Means분류기법은 각 화소들이 군집에 소속될 소속도 와 군집중심을 생성한다.
성능/효과
- 최종적으로 분석가가 선정한 분류항목에 따라 분류결과를 재설정함으로써 분석가가 의도하는 항목에 대한 분류결과를 얻을 수 있다. Landsat TM 영상을 이용한 실험으로 일반적인 베이시안 최대우도 분류기법보다 분류의 성능을 개선할 수 있었으 며, 또한 분석가가 선정한 훈련데이터의 분광적인 특징 에 관계없이 분류를 수행할 수 있었다.
- 일반적인 방법의 최대우도 분류를 수행한 결과는 전체 분류 정확도의 퍼센티지가 70% 이었으며, 본 연구에서 의 퍼지 베이시안 최대우도 분류는 표1에 의하여 전체 정확도가 82이&로 성능이 향상되었음을 보여주었다. 특히 분산값이 m게 나타나는 지역의 분류에 좋은 효과를 나타내었다.
- 일반적인 방법의 최대우도 분류를 수행한 결과는 전체 분류 정확도의 퍼센티지가 70% 이었으며, 본 연구에서 의 퍼지 베이시안 최대우도 분류는 표1에 의하여 전체 정확도가 82이&로 성능이 향상되었음을 보여주었다. 특히 분산값이 m게 나타나는 지역의 분류에 좋은 효과를 나타내었다.
후속연구
- 향후 연구과제는 다양한 종류의 위성영상들에 대하여 제안한 분류망법의 적용성에 대한 연구가 뒤따라야 하겠다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.