7. ConclusionWe have shown that the

7. Conclusion
We have shown that the traditional per-pixel approaches were not
very effective in identifying urban land-cover classes. This was proven
by the classification of the entire QuickBird image using the most
widely used classifier namely maximum likelihood rule and spectra of
the selected land cover classes generated from the QuickBird using
discriminant analysis. The discriminant analysis of spectra information
received an overall accuracy of 63.33%. The object-based classifier
produced a significantly higher overall accuracy (90.40%), whereas
the maximum likelihood classifier produced 67.60%. Segmentation
procedures and scale levels employed to identify objects of different
classes were found to be relevant. The same classification procedures
and classification accuracy assessment employed to classify the same
classes using the test image confirms that the object-based approach
(95.2%) outperforms the traditional classifier (87.8%). This study
reveals that it is more difficult to achieve higher accuracies for larger

ผลลัพธ์ (ไทย) 1:

7. บทสรุปเราได้แสดงให้เห็นว่า วิธีการแบบดั้งเดิมต่อพิกเซลไม่ได้มีประสิทธิภาพมากในการระบุชั้นในเมืองที่ดินปก นี้ได้รับการพิสูจน์โดยการจัดประเภททั้ง QuickBird ภาพใช้มากสุดใช้ลักษณนามได้แก่โอกาสสูงสุดกฎและสเปกตรัมของเรียนปกเลือกที่ดินที่สร้างขึ้นจากการใช้ QuickBirdการวิเคราะห์ discriminant การวิเคราะห์ข้อมูลสเปกตรัม discriminantได้รับความถูกต้องโดยรวมร้อยละ 63.33 จำแนกตามวัตถุผลิตสูงความแม่นยำโดยรวม (90.40%), ในขณะที่จำแนกสูงสุดโอกาสผลิต 67.60% แบ่งกลุ่มขั้นตอนและระดับอัตราที่นำมาใช้เพื่อระบุวัตถุที่แตกต่างเรียนพบที่เกี่ยวข้อง ขั้นตอนการจัดประเภทเดียวกันจำแนกผลการประเมินความถูกต้องมาใช้เพื่อจัดประเภทเดียวกันเรียนโดยใช้ภาพทดสอบยืนยันที่วิธีการใช้วัตถุ(95.2%) มีประสิทธิภาพสูงกว่าลักษณนามแบบดั้งเดิม (87.8%) การศึกษานี้เปิดเผยว่า มันเป็นสิ่งที่ยากต่อการบรรลุความแม่นสูงสำหรับขนาดใหญ่

ผลลัพธ์ (ไทย) 2:

7. สรุป
เราได้แสดงให้เห็นว่าวิธีการแบบดั้งเดิมต่อพิกเซลไม่ได้
มีประสิทธิภาพมากในการระบุเมืองชั้นเรียนที่ดินปก นี้ได้รับการพิสูจน์
โดยการจัดหมวดหมู่ของภาพ QuickBird ทั้งหมดโดยใช้มากที่สุด
ลักษณนามใช้กันอย่างแพร่หลายคือกฎความน่าจะเป็นสูงสุดและสเปกตรัมของ
ที่ดินที่เลือกเรียนปกที่สร้างจาก QuickBird โดยใช้
การวิเคราะห์จำแนก การวิเคราะห์จำแนกข้อมูลสเปกตรัม
ได้รับความถูกต้องโดยรวมของ 63.33% ลักษณนามวัตถุที่ใช้
ผลิตถูกต้องโดยรวมที่สูงขึ้นอย่างมีนัยสำคัญ (90.40%) ในขณะที่
ลักษณนามโอกาสสูงสุดผลิต 67.60% การแบ่งส่วน
วิธีการและระดับในระดับที่ใช้ในการระบุวัตถุที่แตกต่างกันของ
การเรียนพบว่ามีความเกี่ยวข้อง เช่นเดียวกับขั้นตอนการจัดหมวดหมู่
และความถูกต้องจำแนกการประเมินผลที่ใช้ในการจำแนกประเภทเดียวกัน
เรียนใช้ภาพการทดสอบยืนยันว่า Object-base
(95.2%) มีประสิทธิภาพดีกว่าแบบดั้งเดิมลักษณนาม (87.8%) การศึกษาครั้งนี้
แสดงให้เห็นว่ามันเป็นเรื่องยากที่จะบรรลุความถูกต้องสูงขึ้นสำหรับขนาดใหญ่

ผลลัพธ์ (ไทย) 3:

7 . สรุปเราพบว่าวิธีการแบบดั้งเดิมต่อพิกเซลไม่ได้มีประสิทธิภาพมากในการระบุชั้นเรียนที่ครอบคลุมเมืองที่ดิน นี้ถูกพิสูจน์โดยการจัดหมวดหมู่ของภาพทั้งรูปที่ใช้มากที่สุดใช้ลักษณนามคือความเป็นไปได้สูงสุดของกฎและสเปกตรัมการเลือกที่ดินครอบคลุมบทเรียนที่สร้างขึ้นจากรูปที่ใช้การวิเคราะห์จำแนก การวิเคราะห์ข้อมูลจำแนกประเภทของสเปกตรัมได้รับความถูกต้องโดยรวมของสิ้น . ส่วนวัตถุที่ใช้ลักษณนามผลิตสูงกว่าความถูกต้องโดยรวม ( 90.40 % ) ในขณะที่โอกาสที่ 67.60 สูงสุด 1 ล้านบาท การแบ่งส่วนขั้นตอนและระดับขนาดที่ใช้เพื่อระบุวัตถุต่าง ๆเรียน พบว่ามีการเกี่ยวข้อง ขั้นตอนการเดียวกันการจำแนกและประเมินความถูกต้องในกลุ่มเดียวกันเรียนโดยใช้ภาพการทดสอบยืนยันว่าวัตถุที่ใช้วิธีการ( เนื่องจากมีประสิทธิภาพดีกว่าแบบดั้งเดิม ( ร้อยละ 87.8 ) การศึกษานี้พบว่ามันยากมากที่จะบรรลุความถูกต้องสูงขนาดใหญ่