臺灣人文及社會科學引文索引資料庫系統

:::

詳目顯示

回上一頁
第 1 筆 / 總合 1 筆   第一頁 上一頁 下一頁 最後一頁
/1頁
題名：空間特徵分類器支援向量機之研究
書刊名：航測及遙測學刊
作者：雷祖強 引用關係／周天穎 引用關係／萬絢 引用關係／楊龍士 引用關係／許晉嘉
作者(外文)：Lei, Tsu-chiang／Chou, Tine-yin／Wan, Shiuan／Yang, Long-she／Syu, Jin-jia
出版日期：2007
卷期：12:2
頁次：頁145-163
主題關鍵詞：影像分類；紋理資訊；支援向量機；Image classification；Texture information and support vector machine
原始連結：連回原系統網址new window
相關次數：
  • 被引用次數被引用次數:期刊(0) 博士論文(0) 專書(0) 專書論文(0)
  • 排除自我引用排除自我引用:0
  • 共同引用共同引用:6
  • 點閱點閱:4
如何選用適當的分類器一直是影像處理問題中經常被討論的一個研究重點，然而隨著衛星影像資料複雜度與資料量的增加，傳統線性分類器（例如：最大概似法、最短距離法等）已經無法達到有效分離類別之目標，因此本研究利用資料挖掘理論當中的－支援向量機法 (Support Vector Machine, SVM)，來做為探討遙測影像分類研究之新課題。本研究選擇了高解析度QuickBird 衛星影像及紋理資訊 (Texture Information) 做為影像分類時之資料來源，並利用最大概似法與支援向量機法來達到分類的目的。研究成果顯示，影像透過多組紋理並進行分類後之成果，整體來說，是支援向量機的分類精度優於最大概似法，精準度值較高也較穩定，不會像最大概似法有高低震盪的情形發生。而且就影像個別類別區塊化的能力來說，也是以支援向量機的成果較佳，特別是在「水稻」這個類別上面。因此本研究特別發現以支援向量機分類方法處理加入紋理資訊的影像，整體精度將會是優於傳統最大概似分類法之結論。
It is of considerable interest to find an optimal classifier that has been discussed in the field of spatial information. In essence, there are many image classification methods, e.g. Maximum likelihood (MLH), K-nearest…. However, most of the linear classifiers are not capable of handling the complexity and the huge amount of the very high resolution image data. Thus, Support Vector Machine (SVM) is one of the powerful non-linear data mining classifier which is adopting to resolve the classification problems in this study. The high resolution QuickBird satellite images with additional texture information are the study material. The MLH method is used as a parallel study for the comparison on overall accuracy. The contribution of this study found that the overall accuracy of SVM is stable than that of MLH. More specifically, the overall accuracy of SVM is 87.3% (Kappa= 0.8416) which is apparently higher than that of MLH (overall accuracy of SVM is 83.73% with Kappa= 0.7994). On the other hand, SVM can display better classification outcomes in the image pattern of “paddy rice” than that of MLH. In fact, the additional texture information can deal with noise effectively. The study find out that SVM can potentially perform higher image classification ability than the conventional MLH method.
期刊論文
1.Keerthi, S. S.、Lin, C.-J.(2003)。Asymptotic behaviors of support vector machines with Gaussian kernel。Neural Computation，15(7)，1667-1689。  new window
2.Haralick, R. M.、Shanmugam, K.、Dinstein, I. H.(1973)。Textural Features for Image Classification。IEEE Transactions on Systems, Man, and Cybernetics，SMC-3(6)，610-621。  new window
3.Chica-Olmo, M.、Abarca-Hernández, F.(2000)。Computing geostatistical image texture for remotely sensed data classification。Computer & Geosciences，26(4)，373-383。  new window
4.雷祖強、周天穎、鄭丁元(20060900)。運用QuickBird衛星影像於水稻田坵塊萃取之研究。航測及遙測學刊，11(3)，297-310。new window  延伸查詢new window
5.雷祖強、周天穎、鄭丁元(20070300)。應用半變異元模式於QuickBird影像中植生類別分類特性之研究。航測及遙測學刊，12(1)，1-16。new window  延伸查詢new window
6.Pal, Mahesh、Mather, Paul M.(2004)。Assessment of the effectiveness of support vector machines for hyperspectral data。Future Generation Computer Systems，20(7)，1215-1225。  new window
7.Matsuyama, T.(1980)。Structural analysis of natural textures by Fourier transformation。Computer Vision, Graphics and Image Processing，12，286-308。  new window
8.Pohl, C.、van Genderen, J. L.(1998)。Multisensor Image Fusion in Remote Sensing: Concepts, Methods and Applications。International Journal of Remote Sensing，19(5)，823-854。  new window
9.杜樹新、吳鐵軍(2003)。模式識別中的支持向量機法。浙江大學學報，37(5)，521-527。  延伸查詢new window
10.孫建成、張太鎰、劉楓(2004)。基於支持向量機的多類數字調制方式自動識別算法。西安交通大學學報，38(6)，619-622。  延伸查詢new window
11.魏玲、張文修(2003)。基於支援向量機的決策系統知識發現。西安交通大學學報，37(10)，995-998。  延伸查詢new window
12.Clarke, K. C.(1986)。Computation of the fractal dimension of topographic surfaces using the triangular prism surface area。Computer & Geosciences，12(5)，713-722。  new window
13.Camps-Valls, Gustavo、Gomez-Chova, Luis、Calpe-Maravilla, Javier、Martin-Guerrero, Jose David、Soria-Olivas, Emilio、Alonso-Chorda, Luis、Moreno, Jose(2004)。Robust Support Vector Method for Hyperspectral Data Classification and Knowledge Discovery。IEEE Transactions on Geoscience and Remote Sensing，42(7)。  new window
14.He, D. C.、Wang, L.、Guibert, J.(1987)。Texture discrimination based on an optimal utilization of texture features。Pattern Recognition，2，141-146。  new window
15.Cortes, Corinna、Vapnik, Vladimir N.(1995)。Support-Vector Networks。Machine Learning，20(3)，273-297。  new window
會議論文
1.Boser, Bernhard E.、Guyon, Isabelle M.、Vapnik, Vladimir N.(1992)。A Training Algorithm for Optimal Margin Classifiers。The Fifth Annual Workshop on Computational Learning Theory。Pittsburgh, Pennsylvania：ACM。144-152。  new window
2.許晉嘉、雷祖強、周天穎(2005)。支援向量機理論中核函數性質之研究--以高解析度衛星影像為例。2005臺灣地理資訊學會年會暨學術研討會。  延伸查詢new window
3.Kuhn, H.、Tucker, A.(1951)。A nonlinear programming。2nd Berkeley symposium on mathematical statistics and probabilistic。University of California Press。481-492。  new window
學位論文
1.Karush, W.(1939)。Minima of Functions of Several Variables with Inequalities as Side Constraints(碩士論文)。University of Chicago，Chicago, Illinois。  new window
2.王景南(2003)。多類支向機之研究(碩士論文)。元智大學。  延伸查詢new window
圖書
1.Fletcher, R.(1987)。Practical Methods of Optimization。John Wiley & Sons, Inc.。  new window
2.Vapnik, V.、Chapelle, O.(1999)。Bounds on Error Expectation for Support Vector Machines。MIT Press。  new window
3.Vapnik, Vladimir N.(1998)。Statistical Learning Theory。John Wiley and Sons, Inc.。  new window
4.Cristianini, N.、Shawe-Taylor, John(2000)。An Introduction to Support Vector Machines and Other Kernel-based Learning Methods。Cambridge University Press。  new window
圖書論文
1.Mahesh, P.、Mather, P. M.(2003)。Support vector classifiers for land cover classification。Map India 2003 Image Processing and Interpretation。  new window
 
 
 
 
第一頁 上一頁 下一頁 最後一頁 top
QR Code
QRCODE

臺灣人文及社會科學引文索引資料庫

目前上線人數：850（臺灣：832，外國：18） ／ 本年度總使用人次：2581353 ／ 訪客人次（自102年09月）：68389956
國家圖書館著作權聲明 Copyright © 2013 All rights reserved.
本館地址: 100201臺北市中山南路20號． 本館地圖及交通資訊．
總機：(02)23619132．最佳瀏覽解析度為1024x768以上