توضیحات
This book covers the state-of-art image classification methods for discrimination of earth objects from remote sensing satellite data with an emphasis on fuzzy machine learning and deep learning algorithms. Both types of algorithms are described in such details that these can be implemented directly for thematic mapping of multiple-class or specific-class landcover from multispectral optical remote sensing data. These algorithms along with multi-date, multi-sensor remote sensing are capable to monitor specific stage (for e.g., phenology of growing crop) of a particular class also included. With these capabilities fuzzy machine learning algorithms have strong applications in areas like crop insurance, forest fire mapping, stubble burning, post disaster damage mapping etc. It also provides details about the temporal indices database using proposed Class Based Sensor Independent (CBSI) approach supported by practical examples. As well, this book addresses other related algorithms based on distance, kernel based as well as spatial information through Markov Random Field (MRF)/Local convolution methods to handle mixed pixels, non-linearity and noisy pixels.
Further, this book covers about techniques for quantiative assessment of soft classified fraction outputs from soft classification and supported by in-house developed tool called sub-pixel multi-spectral image classifier (SMIC). It is aimed at graduate, postgraduate, research scholars and working professionals of different branches such as Geoinformation sciences, Geography, Electrical, Electronics and Computer Sciences etc., working in the fields of earth observation and satellite image processing. Learning algorithms discussed in this book may also be useful in other related fields, for example, in medical imaging. Overall, this book aims to:
- exclusive focus on using large range of fuzzy classification algorithms for remote sensing images;
- discuss ANN, CNN, RNN, and hybrid learning classifiers application on remote sensing images;
- describe sub-pixel multi-spectral image classifier tool (SMIC) to support discussed fuzzy and learning algorithms;
- explain how to assess soft classified outputs as fraction images using fuzzy error matrix (FERM) and its advance versions with FERM tool, Entropy, Correlation Coefficient, Root Mean Square Error and Receiver Operating Characteristic (ROC) methods and;
- combines explanation of the algorithms with case studies and practical applications.
————————————————————–
ترجمه ماشینی :
این کتاب روشهای طبقهبندی تصویر پیشرفته را برای تمایز اجسام زمین از دادههای ماهوارهای سنجش از دور با تأکید بر یادگیری ماشین فازی و الگوریتمهای یادگیری عمیق پوشش میدهد. هر دو نوع الگوریتم با چنان جزئیاتی توصیف شدهاند که میتوان آنها را مستقیماً برای نقشهبرداری موضوعی پوشش زمین چند کلاسه یا کلاس خاص از دادههای سنجش از دور نوری چند طیفی پیادهسازی کرد. این الگوریتم ها به همراه سنجش از راه دور چند تاریخ و چند سنسور قادر به نظارت بر مرحله خاص (به عنوان مثال، فنولوژی محصول در حال رشد) از یک کلاس خاص نیز هستند. با این قابلیتها، الگوریتمهای یادگیری ماشین فازی کاربردهای قوی در زمینههایی مانند بیمه محصولات، نقشهبرداری آتشسوزی جنگل، سوزاندن کلش، نقشهبرداری خسارت پس از فاجعه و غیره دارند. همچنین جزئیاتی در مورد پایگاهداده شاخصهای زمانی با استفاده از رویکرد پیشنهادی مبتنی بر سنسور مستقل (CBSI) ارائه میدهد. نمونه های عملی همچنین، این کتاب به سایر الگوریتمهای مرتبط بر اساس فاصله، هسته و همچنین اطلاعات مکانی از طریق روشهای میدان تصادفی مارکوف (MRF)/حلقه محلی برای مدیریت پیکسلهای مختلط، غیر خطی و پیکسلهای پر سر و صدا میپردازد.
علاوه بر این، این کتاب در مورد تکنیکهایی برای ارزیابی کمی خروجیهای کسر طبقهبندیشده نرم از طبقهبندی نرم و پشتیبانی شده توسط ابزار توسعهیافته داخلی به نام طبقهبندیکننده تصویر چند طیفی زیر پیکسلی (SMIC) را پوشش میدهد. این برنامه برای فارغ التحصیلان، کارشناسی ارشد، پژوهشگران و متخصصان شاغل در شاخه های مختلف مانند علوم اطلاعات جغرافیایی، جغرافیا، برق، الکترونیک و علوم کامپیوتر و غیره که در زمینه رصد زمین و پردازش تصاویر ماهواره ای فعالیت می کنند، طراحی شده است. الگوریتمهای یادگیری مورد بحث در این کتاب ممکن است در زمینههای مرتبط دیگر، به عنوان مثال، در تصویربرداری پزشکی نیز مفید باشند. به طور کلی، هدف این کتاب این است:
- تمرکز انحصاری بر استفاده از طیف وسیعی از الگوریتمهای طبقهبندی فازی برای تصاویر سنجش از دور؛
- درباره کاربرد طبقهبندیکنندههای یادگیری ترکیبی ANN، CNN، RNN و ترکیبی بر روی تصاویر سنجش از راه دور بحث کنید؛
- توض
tag : دانلود کتاب الگوریتم های یادگیری ماشین فازی برای طبقه بندی تصاویر سنجش از دور , Download الگوریتم های یادگیری ماشین فازی برای طبقه بندی تصاویر سنجش از دور , دانلود الگوریتم های یادگیری ماشین فازی برای طبقه بندی تصاویر سنجش از دور , Download Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification Book , الگوریتم های یادگیری ماشین فازی برای طبقه بندی تصاویر سنجش از دور دانلود , buy الگوریتم های یادگیری ماشین فازی برای طبقه بندی تصاویر سنجش از دور , خرید کتاب الگوریتم های یادگیری ماشین فازی برای طبقه بندی تصاویر سنجش از دور , دانلود کتاب Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification , کتاب Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification , دانلود Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification , خرید Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification , خرید کتاب Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.