http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 곽장호 ( Jang Ho Kwak ) (검색결과 5 건)
- 무료
- 기관 내 무료
- 유료
-
유전자 알고리즘을 이용한 트레이닝 최적화 기법 연구 : 정규분포를 고려한 통계적 영상분류의 경우
곽장호 ( Jang Ho Kwak ),김준철 ( Joon Cheol Kim ),이준환 ( Joon Whoan Lee ) 大韓遠隔探査學會 1999 大韓遠隔探査學會誌 Vol.15 No.3
위성양상 분류작업에서 분류클래스에 대한 샘플화소의 대표성은 분류 정확도에 많은 영향을 미친다. 따라서, 통계적 영상분류방법에서는 분류 기법 자체보다 분류 확률을 결정하는 트레이닝 단계, 즉 샘플화소의 최적화가 필요하다. 본 연구에서는 SPOT XS, LANDSAT TM을 이용한 위성영상 화소분류작업에서 분류 이전단계, 즉 샘플화소의 정규성을 계산하여, 정규성에 악영향을 미치는 화소를 객관적 기준으로 조정하였다. 정규화과정을 위한 유전자 알고리즘 적용의 생존확률 평가함수로 다변량 Q-Q plot의 상관계수와 트레이닝의 분산값을 고려하였으며, 5% 유의수준을 적용하였다. 연구결과, 실험대상지역의 경우, 유전자 알고리즘을 이용한 트레이닝 정규화 결과가 대부분의 클래스에 대하여 그 평균과 분산을 모집단에 근사시키고 있다는 것을 입증하였고, 해당 클래스의 모집단 분포를 예측할 수 있는 가능성을 제시하였다. In the classification of satellite images, the representative of training of classes is very important factor that affects the classification accuracy. Hence, in order to improve the classification accuracy, it is required to optimize pre-classification stage which determines classification parameters rather than to develop classifiers alone. In this study, the normality of training are calculated at the pre-classification stage using SPOT XS and LANDSAT TM. A correlation coefficient of multivariate Q-Q plot with 5% significance level and a variance of initial training are considered as an object function of genetic algorithm in the training normalization process. As a result of normalization of training using the genetic algorithm, it was proved that, for the study area, the mean and variance of each class shifted to the population, and the result showed the possibility of prediction of the distribution of each class.
-
곽장호 ( Jang Ho Kwak ),김준철 ( Joon Cheol Kim ),이준환 ( Joon Whoan Lee ) 大韓遠隔探査學會 1999 大韓遠隔探査學會誌 Vol.15 No.3
위성에서 관측된 다중분광 위성영상 데이터를 이용목적에 따라 분석하고 활용하기 위해서는 영상 자체에 내포된 밝기, 칼라, 질감 등 다양한 특징들이 중요한 정보원으로 이용되고 있다. 특히 질감이나 칼라정보를 이용한 위성영상의 분석과정에서 가장 중요한 문제는 원 영상의 정보를 효율적으로 표현하는 속성을 추출하여 적절히 활용하는 것이다. 따라서 본 논문에서는 위성영상 분석에 유용하게 사용할 수 있는 6개의 속성 백터들을 선정한 다음 SPOT 위성에서 관측된 영상을 이용하여 각각의 속성들에 대한 분별력을 평가하기 위하여 역전파 신경망(Back-propagation Neural Network)을 이용한 분류 네트웍을 구성하였고, 실험하고자 하는 지역에 대한 훈련집합 선택시 선정된 여섯 개의 속성 벡터들을 분류에 사용될 특징으로 선택하였다. 분류 실험을 수행한 결과 각각의 백터 속성들을 개개의 특성에 따라 많은 장단점을 내포하고 있었으며, 전반적으로는 비교적 정확한 분류결과를 나타내었다. 따라서 칼라 및 질감 속성 백터들은 위성영상의 분류과정에 효과적으로 사용될 수 있음은 물론 다양한 영상분석 및 응용분야에서도 유용하게 이용될 수 있을 것을 기대된다. The Brightness, color and texture included in a multispectral satellite data are used as important factors to analyze and to apply the image data for a proper use. One of the most significant process in the satellite data analysis using texture or color information is to extract features effectively expressing the information of original image. It was described in this paper that six vector features were introduced to extract useful features from the analysis of the satellite data, and also a classification network using the back-propagation neural network was constructed to evaluate the classification ability of each vector feature in SPOT imagery. The vector features were adopted from the training set selection for the interesting region, and applied to the classification process. The classification results showed that each vector feature contained many merits and demerits depending on each vector`s characteristics, and each vector had compatible classification ability. Therefore, it is expected that the color and texture features are effectively used not only in the classification process of satellite imagery, but in various image classification and application fields.
-
위성영상의 감독분류를 위한 훈련집합의 특징 선택에 관한 연구
곽장호 ( Jang Ho Kwak ),이황재 ( Hwang Jae Rhee ),이준환 ( Joan Whoan Lee ) 大韓遠隔探査學會 1999 大韓遠隔探査學會誌 Vol.15 No.1
위성에서 관측된 다 대역 위성영상 데이터를 이용목적에 따라 분류하기 위해서는 복잡한 처리과정과 많은 시간을 필요로 하며, 감독분류시 훈련데이터의 선택과 고려되는 다양한 특징 값들은 분류 정확도를 좌우할 만큼 민감한 특성을 나타내고 있다. 따라서 본 논문에서는 훈련데이터의 선택과 다양한 특징 값들 중 실제 영상분류에 기여도가 높은 특징을 추출하기 위하여 퍼지 기반의 γ모델을 이용한 분류네트웍을 구성하였다. 훈련집합 선택시 분류하고자 하는 지역의 밝기 분포도, 텍스쳐 특징 그리고 NDVI(Normalized Difference Vegetation Index)를 분류에 사용될 특징으로 선택하였고, 분류네트웍 출력 값의 오류가 최소화 되도록 Gradient Descent 방법을 이용하여 각 노드의 γ파라미터를 훈련시키는 과정을 채택하였다. 이러한 훈련을 통하여 얻어진 파라미터를 이용하면 각 노드의 연결특성을 알 수 있으며, 다양한 입력 노드의 특징들 중 영상분류에 기여도가 적은 특징들을 추출하여 제거할 수 있다. It is complicate and time-consuming process to classify a multi-band satellite imagery according to the applications. In addition, classification rate sensitively depends on the selection of training data set and features in a supervised classification process. This paper introduced a classification network adopting a fuzzy-based γ-model in order to select a training data set and to extract features which highly contribute to an actual classification. The features used in the classification were gray-level histogram, textures, and NDVI (Normalized Difference Vegetation Index) of target imagery. Moreover, in order to minimize the errors in the classification network, the Gradient Descent method was used in the training process for the γ-parameters at each node used. The trained parameters made it possible to know the connectivity of each node and to delete the void features from all the possible input features.
-
-
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
