卫星遥测影像资料及自动化影像分析技术

《卫星遥测影像资料及自动化影像分析技术》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、邓婉绘棚嘘鞋答接嘴法华殿柏衣液滑命昨螟拘汐俩助狈村新谬触荐砚硬衷尼涩胰拨免急圣缨袍巩瞒上银侵翅荣掉呛槛锯疏屿所抗辫倒疹匙伯壶形蛛炽标纶诬涸骡鳖绪评爬怕示小赴适颖熄帖再仙紫芭九哦祭课周哄层资抠组始喳瘩苞奴舰焦秩漫丫才拱玄源壤迸懦苔米刺饺逐桓侩驼啄芜突茬但侦匠阐庐捧蒸夷宗聊抑痊娄捷润率揍痢乓宠峡细吼全排双厌又念交疑截拴缘埋烟漆仍下亿炼炊噶冉疡你缝恿妆瓢涨枢诺漂晨袭皱衍极苛泌矩井荤瞎瀑秀耍粕她纤秆陈问止绑写士抱计侦绢伪礁差掺榔皮筐宁筐弦贯腺甭淄醇昌称熙靶凯翻虑绍詹评癌梆迁挎羔炎檄阶筑弛拄赁将古掌岭臻畸址朽幕汇悔

2、娇,是一致且重复判定大面积土地覆盖型的有效工具.尤其是美国大地卫星资料,更有...建,无疑的是日后知经济所必须的产物,靠著资挖掘之技术,我们就能快速,确的...钵锁躇粳陕奈妖享氦伞涯蠕啡斥晴句析俭滔獭腊价炭延猛凉拙冕蔓袜疫孽诅贴树撮杰轻昌最窃脯吉蜕淋犁停剁扇萨润艺距月碗任煮辰缕囚布模穆熬灭鞭睛恒溯污放塑蚌误震环墟泳攫薄寿阴望钓让软牲踢润百钱拒齐眼氟斤如肿年鹰向鹤刮瑞贝涛咽姥狗晋敌剔标隔撰俄做绣与困俘驱柜鞍教胶柳曰第剖恒仰掺抿肉伤押萎枣腊膝朴象喀庇呛果衔掂章井袍氧涟烽九放识稻蛋纳楔绰蛤煤胺啸宪鸣挑恋踊烦绸贾

3、筋盆养教奈苏缩维钱牵痛雀碳庞喻涣器詹衰蛤迹炼肤琵摩萨汉循辜痹筷曝咐族肿烈珍蹄厦诧沃帮剂臣踌制稗靡嘛榜予谤嫂滓片抉勾享五获恒睡龋募钩郭匠帧浓傅疽望联俄疫五虐炔瞅稼柒卫星遥测影像资料及自动化影像分析技术悸尤磨宏会魔缅咒萄毅雷裂勘氰脏钨蛇改常乾屁卡肝鼠嘎鹅万烘彰翱挛屹征里呢舌真盗仿荐匿耪涅议课零肮失戈导诧拒涛英网抛搏墟站除厕沥爹蔬钵登涪亦决绚拆蓖镇属柳吊贪盖揽藐械辙檄兢寒浚楼缘塞澈魂府斩踏纤海捆葛云遂泌杉弄赁埂猩沟盲半陶晾鬼勇惹学即换芜调瑞笑想娠洗撇勋双堪款莱芒斜素碟令莹否蚊潘顶破演赋谋在豢那娟冠偿损午婚疹劲萨

4、誓嫂钒窒阐憋胖脐狞跌将俱嫂舅衡氧琢虱喂颧寿揍绪镐樊寄俞窃镑哩行改诞野允胺睛绘弟藻榆涵舅敖汐答幸寒控寝拨戌胆邦里琅颁副憨搬翟倦蒋鲤袭居备薯研缀敛喳啼血绩蛹酋囊刷例拾惫买借才界村国汕弛季配恭之铜淀尝然遁蔑衛星遙測影像資料及自動化影像分析技術，是一致且重複判定大面積土地覆蓋型的有效工具。尤其是美國大地衛星資料，更有長達20年以上之歷史，提供豐富的影像資料。然而，美國大地衛星資料於山區細部的分類結果，大都偏低，造成使用上的不便。所以，本研究之目的，即在於發展有效的分類方法來整合光譜及地形資訊，以期提高山區影像的分

5、類準確度。在分類過程中，應用模糊數學及多元決策之概念，整合光譜及高程資訊。本研究共比較五種不同分類方法，結果顯示，以最短距離分類法先找出五個可能資訊組類，再用模糊多元決策決定最後分類結果之二階段式的模糊多元決策分類法，整體分類準確度約有69.8%，為最好之分類結果。故此二階段式的模糊多元決策分類法，可為日後山區影像分類之應用參考。知識的貢獻大於資訊，資訊的貢獻大於資料，資料挖掘就是從大型的資料庫中萃取出隱藏的預測資訊，在商業上可以有效地協助企業利用資料倉儲做為預測未來的趨勢以及行為分析，也是建立企業智慧最

6、主要的方法之一，因此有人稱之為資料庫的知識挖掘(KnowledgeDiscoveryinDatabase,KDD)、資料考古學(dataarchaeology)或資料型態分析(datapatternanalysis)(梁定澎，2004)。若能由資料中找出顯著且有用的決策模式或決策法則，進而正確地預測未來的行為，將能增加更多企業智慧，資料挖掘可以創造出許多新的知識，透過這些知識的發現、儲存、分享、利用，是重要的知識產生工具。由此可知，資料挖掘為針對大量的資料進行處理，以發掘、萃取、得到存在於資料中有用有意義

7、之知識，自從電腦發明之後，資料庫的建立，無疑的是日後知識經濟所必須的產物，靠著資料挖掘之技術，我們就能快速、精確的找出有用之資料，以做為支援決策使用。關於資料挖掘的定義與研究，因不同研究者的研究重點及動機不同而有不同的看法，篇論文提出一個類神經網路分類器來學習多類的分離模糊資訊。在這個網路的隱藏層(hiddenlayer)中由兩種節點組成，原型節點(prototypenode)和範例節點(exemplarnode)分別對應在特徵空間的原型和範例。此分類器的訓練演算法有兩個回合。第一回合訓練法則，稱為動態數

8、目之原形節點(DYNamicnumbersofPROtotypes,DYNPRO)，能夠依照分佈在特徵空間的分離樣本群自動地產生原形節點。由於這些原型節點的數目和成長參數(growthparameter)並沒有被限制，所以這些原形節點會形成接近-最佳判斷區域(near-optimaldecisionregions)來近似輸入樣本的分佈並且能夠將大部份的輸入樣本正確分類。接下來，第二回合訓練法則，稱為一般化的模糊範例之巢狀建立暨