دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1st ed. نویسندگان: Surekha Borra, Rohit Thanki, Nilanjan Dey سری: SpringerBriefs in Applied Sciences and Technology ISBN (شابک) : 9789811364235, 9789811364242 ناشر: Springer Singapore سال نشر: 2019 تعداد صفحات: 110 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب تجزیه و تحلیل تصویر ماهواره ای: خوشه بندی و طبقه بندی: مهندسی، سیگنال، پردازش تصویر و گفتار، مهندسی ارتباطات، شبکه ها، پردازش تصویر و بینایی کامپیوتر
در صورت تبدیل فایل کتاب Satellite Image Analysis: Clustering and Classification به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تجزیه و تحلیل تصویر ماهواره ای: خوشه بندی و طبقه بندی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
به لطف پیشرفتهای اخیر در حسگرها، فناوری ارتباطات و ماهواره،
ذخیرهسازی دادهها، پردازش و قابلیتهای شبکه، جمعآوری و
استخراج تصاویر ماهوارهای اکنون در حال افزایش است. به نوبه
خود، تصاویر ماهواره ای نقش حیاتی در ارائه اطلاعات جغرافیایی
ضروری دارند. طبقه بندی خودکار و سیستم های پشتیبانی تصمیم گیری
بسیار دقیق می تواند تلاش های تحلیلگران داده ها را تسهیل کند،
خطای انسانی را کاهش دهد و امکان تجزیه و تحلیل سریع و دقیق
اطلاعات کاربری و پوشش زمین را فراهم کند. ادغام فناوری یادگیری
ماشین (ML) با روانسنجی بصری انسان میتواند به خواستههای
زمینشناسان برای طبقهبندی کارآمدتر و با کیفیت بالاتر در زمان
واقعی کمک کند.
این کتاب خوانندگان را با مفاهیم، روش ها و مدل های کلیدی
برای تجزیه و تحلیل تصاویر ماهواره ای آشنا می کند. تکنیک های
طبقه بندی و خوشه بندی پیشرفته را برجسته می کند. تحولات اخیر و
چالش های باقی مانده را مورد بحث قرار می دهد. و به برنامه های
مختلف می پردازد و آن را به یک دارایی با ارزش برای مهندسان،
تحلیلگران داده و محققان در زمینه های سیستم های اطلاعات
جغرافیایی و مهندسی سنجش از دور تبدیل می کند.
Thanks to recent advances in sensors, communication and
satellite technology, data storage, processing and networking
capabilities, satellite image acquisition and mining are now
on the rise. In turn, satellite images play a vital role in
providing essential geographical information. Highly accurate
automatic classification and decision support systems can
facilitate the efforts of data analysts, reduce human error,
and allow the rapid and rigorous analysis of land use and
land cover information. Integrating Machine Learning (ML)
technology with the human visual psychometric can help meet
geologists’ demands for more efficient and higher-quality
classification in real time.
This book introduces readers to key concepts, methods and
models for satellite image analysis; highlights
state-of-the-art classification and clustering techniques;
discusses recent developments and remaining challenges; and
addresses various applications, making it a valuable asset
for engineers, data analysts and researchers in the fields of
geographic information systems and remote sensing
engineering.
About the Book......Page 6
Contents......Page 7
About the Authors......Page 10
List of Figures......Page 12
List of Tables......Page 14
1.1 Introduction......Page 16
1.3 Panchromatic and Multispectral Images......Page 17
1.5 Distortions in Satellite Images......Page 19
1.6 Manual Versus Automatic Interpretation......Page 20
1.7 Classification and Clustering......Page 21
1.8 Performance Evaluation of Classification Techniques......Page 22
References......Page 26
2.2 Geometric Correction or Rectification in Satellite Images......Page 28
2.4 Satellite Image Enhancement......Page 30
2.5 Satellite Image Segmentation......Page 34
2.6 Image Stitching......Page 37
2.7 Satellite Image Interpolation......Page 38
2.8 Multivariate Image Processing......Page 39
2.10 Band Ratioing......Page 40
2.11 Other Image Transformations......Page 41
References......Page 43
3.1 Introduction......Page 45
3.2 Supervised Classification......Page 47
3.3 Unsupervised Classification (Clustering)......Page 48
3.5 Iterative Self-organizing Data Analysis (ISODATA)......Page 50
3.6 Gaussian Mixture Models......Page 52
3.7 Self-organizing Maps......Page 54
3.8 Hidden Markov Models......Page 56
3.9 Feature Extraction and Dimensionality Reduction......Page 58
3.10 Conclusion......Page 61
References......Page 62
4.2 Supervised Classification......Page 67
4.3 Max Likelihood Classifier......Page 70
4.4 Naïve Bayes......Page 72
4.5 K-Nearest Neighbors (KNN)......Page 74
4.6 Minimum Distance to Means (MDM)......Page 76
4.7 Parallelepiped Classifier......Page 77
4.8 Support Vector Machine (SVM)......Page 78
4.9 Discriminant Analysis (DA)......Page 81
4.10 Decision Trees......Page 82
4.11 Binary Encoding Classification......Page 84
4.12 Spectral Angle Mapper Classification......Page 85
4.14 Deep Learning (DL)......Page 86
4.15 The Hybrid Approaches......Page 88
4.16 Semi-supervised Learning......Page 89
4.17 Challenges......Page 90
References......Page 91
5.1 Introduction......Page 96
5.2 Agriculture......Page 97
5.4 Rainfall Estimation......Page 98
5.5 Disaster Monitoring and Emergency Mapping......Page 99
5.6 Biodiversity......Page 100
5.7 Epidemiological Study......Page 101
5.10 Coastal Zone Management......Page 102
5.11 Road Detection......Page 103
5.12 Vehicle Detection......Page 104
5.15 Meteorology......Page 105
References......Page 106