dqi is the nearest-neighbour distan

dqi is the nearest-neighbour distance, min is the minimum distance,and dist is the Euclidian distance between the query pixel q and a pixel xi belonging to a specific spectral class Si, which is a subset of the entire image.In step 4, the contextual feature vectors are classified using clustering techniques that group the pixels with similar contextual feature vectors to create new classes that are based on contextual information. This classification can either be supervised or unsupervised.Supervised classification entails identifying a number of cluster centres using training areas. A basic example is an area of forest that has been marked as a training area for the class forest and an urban area that has been marked as urban. Based on the contextual feature vectors covered by the training areas, a mean cluster centre is calculated. All of the contextual feature vectors are then compared with the mean cluster centres and are assigned the closest centre. An example of unsupervised classification is the common method of a moving K-mean cluster analysis in which the user decides the number of clusters (K). For each cluster, a mean vector is located within the multidimensional space created by the contextual feature vectors. The dimensions are the distance to each individual spectral class. Therefore, if there are ten classes,then there are ten dimensions, and each pixel has a position in the ten-dimensional space. The moving K-mean clustering algorithmapplied to the contextual feature can be defined as:

ผลลัพธ์ (ไทย) 1:

dqi คือ เพื่อนบ้านที่ใกล้ที่สุดระยะห่าง min คือ ระยะห่างต่ำสุด และข้ามเป็นระยะห่าง Euclidian ระหว่างสอบถามเซล a และ q พิกเซลซีของชั้นสเปกตรัมเฉพาะซี ซึ่งเป็นเซตย่อยของทั้งภาพในขั้นตอนที่ 4 คุณลักษณะตามบริบทประเภทเวกเตอร์ใช้เทคนิคระบบคลัสเตอร์ที่กลุ่มพิกเซลกับบริบทคุณลักษณะคล้ายเวกเตอร์การสร้างคลาใหม่ที่ยึดตามข้อมูลบริบท ประเภทนี้สามารถเป็นแบบมีผู้สอน หรือ unsupervisedมีประเภทมีการระบุหมายเลขของศูนย์คลัสเตอร์ที่ใช้พื้นที่การฝึกอบรม ตัวอย่างพื้นฐานเป็นพื้นที่ป่าที่ถูกทำเครื่องหมายเป็นพื้นที่ฝึกอบรมในป่าคลาสและเป็นเมืองที่มีการทำเครื่องหมายเป็นเมือง ตามเวกเตอร์ลักษณะบริบทครอบคลุมพื้นที่ฝึกอบรม ศูนย์คลัสเตอร์เฉลี่ยเสมอ เวกเตอร์ลักษณะบริบททั้งหมดแล้วเมื่อเทียบกับศูนย์หมายถึงคลัสเตอร์ และกำหนดให้ศูนย์ใกล้ที่สุด ตัวอย่างของประเภท unsupervised เป็นวิธีการทั่วไปของการย้ายหมายถึง K คลัสเตอร์วิเคราะห์ที่ผู้ใช้กำหนดหมายเลขของคลัสเตอร์ (K) เวกเตอร์หมายถึงจะไม่ตั้งอยู่ในพื้นที่หลายที่สร้างขึ้น โดยใช้เวกเตอร์ลักษณะบริบทสำหรับแต่ละคลัสเตอร์ ระยะทางไปแต่ละชั้นสเปกตรัมแต่ละมิติได้ ดังนั้น ถ้ามีเรียนสิบ แล้ว มีขนาด 10 และแต่ละพิกเซลมีตำแหน่งในพื้นที่ 10 มิติ การย้ายหมายถึง K ระบบคลัสเตอร์ algorithmapplied ลักษณะการทำงานตามบริบทที่สามารถกำหนดเป็น:

ผลลัพธ์ (ไทย) 2:

DQI คือระยะทางที่ใกล้ที่สุดของเพื่อนบ้าน, นาทีเป็นระยะทางขั้นต่ำและ dist คือระยะทางที่ Euclidian ระหว่างพิกเซลแบบสอบถาม Q และพิกเซล Xi ที่อยู่ในประเภทคลาสสเปกตรัมเฉพาะ Si, ซึ่งเป็นส่วนหนึ่งของขั้นตอน image.In ทั้ง 4 เวกเตอร์คุณลักษณะบริบทจัดประเภทโดยใช้เทคนิคการจัดกลุ่มว่ากลุ่มพิกเซลที่มีพาหะคุณลักษณะบริบทที่คล้ายกันในการสร้างคลาสใหม่ที่อยู่บนพื้นฐานของข้อมูลบริบท การจัดหมวดหมู่นี้อย่างใดอย่างหนึ่งสามารถได้รับการดูแลหรือการจัดหมวดหมู่ unsupervised.Supervised การระบุจำนวนของศูนย์คลัสเตอร์โดยใช้พื้นที่การฝึกอบรม ตัวอย่างพื้นฐานคือพื้นที่ป่าที่ได้รับการทำเครื่องหมายเป็นพื้นที่สำหรับการฝึกอบรมป่าชั้นและเขตเมืองที่ได้รับการทำเครื่องหมายเป็นเมือง ขึ้นอยู่กับเวกเตอร์คุณลักษณะบริบทปกคลุมด้วยพื้นที่การฝึกอบรม, ค่าเฉลี่ยกลุ่มศูนย์มีการคำนวณ ทั้งหมดเวกเตอร์คุณลักษณะบริบทอยู่แล้วเมื่อเทียบกับศูนย์คลัสเตอร์ค่าเฉลี่ยและได้รับมอบหมายให้ศูนย์ที่ใกล้เคียงที่สุด ตัวอย่างของการจัดหมวดหมู่ใกล้ชิดเป็นวิธีการทั่วไปในการเคลื่อนย้ายการวิเคราะห์กลุ่ม K-เฉลี่ยที่ผู้ใช้ตัดสินใจจำนวนของกลุ่ม (K) สำหรับแต่ละกลุ่ม, เวกเตอร์เฉลี่ยตั้งอยู่ภายในพื้นที่หลายมิติที่สร้างขึ้นโดยคุณลักษณะเวกเตอร์บริบท มิติเป็นระยะทางที่ไปเรียนสเปกตรัมของแต่ละคน ดังนั้นถ้ามีสิบชั้นเรียนนั้นมีสิบมิติและแต่ละพิกเซลมีตำแหน่งในพื้นที่สิบมิติ การเคลื่อนย้ายการจัดกลุ่ม K-เฉลี่ย algorithmapplied คุณลักษณะบริบทสามารถกำหนดเป็น:

ผลลัพธ์ (ไทย) 3:

dqi คือระยะทางเพื่อนบ้านที่ใกล้ที่สุด มินเป็นระยะทางขั้นต่ำและ Dist เป็น euclidian ระยะห่างระหว่างพิกเซลพิกเซลและสอบถามคิวซีเป็นของศรีชั้นสเปกตรัมที่เฉพาะเจาะจง ซึ่งเป็นส่วนหนึ่งของภาพทั้งหมด ในขั้นตอนที่ 4เวกเตอร์ลักษณะบริบทจะแบ่งโดยใช้เทคนิคการจัดกลุ่มกลุ่มพิกเซลกับเวกเตอร์ที่คล้ายกันบริบท คุณสมบัติในการสร้างคลาสใหม่ที่อยู่บนพื้นฐานของข้อมูลบริบท ประเภทนี้สามารถถูกควบคุมหรือดูแลการใช้ unsupervised ระบุหมายเลขของกลุ่มศูนย์ โดยใช้พื้นที่การฝึกตัวอย่างง่ายๆ คือพื้นที่ป่าที่ได้รับการทำเครื่องหมายเป็นพื้นที่สำหรับห้องป่าและพื้นที่เมืองที่ถูกระบุว่าเป็นเมือง ขึ้นอยู่กับบริบทคุณลักษณะเวกเตอร์ครอบคลุมพื้นที่การฝึกอบรม , หมายถึงกลุ่มศูนย์บริการจะถูกคำนวณ ทั้งหมดของเวกเตอร์คุณลักษณะตามบริบทแล้วเทียบกับค่าเฉลี่ยกลุ่มศูนย์ และมอบหมายให้ศูนย์ที่ใกล้ที่สุดตัวอย่างของการจัดหมวดหมู่ unsupervised เป็นวิธีการทั่วไปของการย้าย k-mean การวิเคราะห์กลุ่มที่ผู้ใช้ตัดสินใจจำนวนกลุ่ม ( K ) สำหรับแต่ละคลัสเตอร์ หมายถึง ตั้งอยู่ภายในพื้นที่เวกเตอร์มิติ ที่สร้างขึ้นโดยเวกเตอร์คุณลักษณะตามบริบท มีระยะห่างแต่ละสเปกตรัมชั้นเรียน ดังนั้น หากมีคลาส 10แล้วมีขนาดสิบและแต่ละพิกเซลมีตำแหน่งในช่องว่างมิติ 10 ย้าย k-mean การจัดกลุ่ม algorithmapplied กับคุณลักษณะตามบริบทที่สามารถกำหนดเป็น :