svm

در قسمت قبل ما ناحیه بندی تصاویر HyperSpectral یا تصاویر با تعداد باند بالا را در مطلب پیاده سازی کردیم,

خب یکی از مشکلات تصاویر با تعداد باند بالا این است که خیلی از باند ها حاوی اطلاعات مهمی نیستند و ارزش محتوایی همه باند ها یکسان نیست, برای این منظور معمولا از الگوریتم PCA برای انتخاب ویژگی های با ارزش بالاتر که همان باند های تصویر است می توان استفاده کرد, ما این الگوریتم را بر روی تصویر اعمال کردیم و باند های استخراج شده را برای ناحیه بندی استفاده کردیم ولی خروجی بدست آمده انقدر چشمگیر نبود یعنی درصد صحت ناحیه بندی از ۸۴ تنها به ۸۶ ارتقا یافت,

یکبار دیگر الگوریتم ژنتیک را برای انتخاب باند های بهینه استفاده کردیم و باند های بهینه را برای ناحیه بندی با SVM به کار بردیم این بار درصد صحت از ۸۴ به ۹۵٫۵ درصد ارتقا یافت,

نکاتی که در این کد یاد میگیرید,

ناحیه بندی تصاویر معمولی,

ناحیه بندی تصاویر با تعداد باند بالا(hyperspectral)

بهینه سازی با الگوریتم ژنتیک

نحوه محاسبه درصد صحت ناحیه بندی

و…

شما می توانید این مجموعه را درسایت متلب یار از لینک داده شده در ادامه مطلب همین پست دانلود نمایید.