As it can be seen in following figu

As it can be seen in following figure, similar values (overlap) can be found in the green channel for crop 1, crop 2 and urban area classes. This is due to the similar characteristics in the spectral response (reflectance) of these classes in the wavelength range 0.5–0.59 µm. Fortunately, they can be better separated cause of the bigger difference in other two channels, especially in NIR where vegetation cover plays an important role.
Gray values in image channels are strongly influenced by the presence of the clouds, since they are a little bit ‘shifted’ (lighter) comparing to the clear, non-cloudy areas.
Creation of the membership functions for the output variables is done in the similar manner. Since this is Sugeno-type inference (precisely, zero-order Sugeno), constant type of output variable fits the best to the given set of outputs (land classes). When the variables have been named and the membership functions have appropriate shapes and names, everything is ready for writing down the rules.
Based on the descriptions of the input (green, red and NIR channels) and output variables (water, urban, crop1, crop2, vegetation), the rule statements can be constructed in the Rule Editor.
Rules for image classification procedure in verbose format are as follows:
At this point, the fuzzy inference system has been completely defined, in that the variables, membership functions and the rules necessary to calculate classes are in place.
Classification is conducted by the Matlab’s m-file. Resulting image is showed in the Figure 5.

ผลลัพธ์ (ไทย) 1:

มันสามารถเห็นในภาพต่อไปนี้ ค่าคล้าย (ทับซ้อน) สามารถพบในช่องเขียว สำหรับพืช 1 พืช 2 ชั้นเมือง นี่คือเนื่องจากลักษณะคล้ายตอบรับสเปกตรัม (แบบสะท้อนแสง) ของคลาสที่เหล่านี้ในความยาวคลื่นช่วง 0.5 – คือ 0.59 µm โชคดี พวกเขาสามารถแบ่งสาเหตุของความแตกต่างใหญ่ในช่องอื่น ๆ 2 โดยเฉพาะอย่างยิ่งใน NIR ที่ครอบคลุมพืชมีบทบาทสำคัญกว่า ค่าสีเทาในช่องภาพจะขอรับอิทธิพลจากของเมฆ เนื่องจากจะน้อย 'ถูกเลื่อน' (เบา) เทียบกับพื้นที่ชัดเจน ไม่มีเมฆมาก สร้างฟังก์ชันสมาชิกในตัวแปรผลผลิตจะทำในลักษณะคล้ายกัน เนื่องจากเป็นชนิด Sugeno ข้อ (แม่นยำ Sugeno ศูนย์สั่ง), คงชนิดตัวแปรแสดงผลพอดีส่วนชุดที่กำหนดของเอาท์พุต (ที่ดินชั้น) เมื่อมีการตั้งชื่อตัวแปร และฟังก์ชันสมาชิกมีรูปร่างที่เหมาะสมและชื่อ ทุกอย่างจะพร้อมสำหรับการเขียนลงกฎ ตามคำอธิบายของการป้อนข้อมูล (เขียว แดง และช่อง NIR) และตัวแปรผล (น้ำ เมือง crop1, crop2 พืช), คำสั่งกฎสามารถสร้างในตัวแก้ไขกฎ กฎสำหรับกระบวนงานการจัดประเภทภาพในรูปแบบ verbose จะเป็นดังนี้: จุดนี้ ระบบข้อเอิบได้สมบูรณ์กำหนด ตัวแปร ฟังก์ชันสมาชิก และกฎจำเป็นต้องคำนวณเรียนอยู่ในสถานที่ M-แฟ้มของ Matlab จะดำเนินการจัดประเภท ภาพผลลัพธ์จะแสดงในรูปที่ 5

ผลลัพธ์ (ไทย) 2:

ขณะที่มันสามารถเห็นได้ในรูปต่อไปนี้ค่านิยมที่คล้ายกัน (ที่ทับซ้อนกัน) สามารถพบได้ในช่องสีเขียวสำหรับการเพาะปลูกที่ 1, 2 การเพาะปลูกและการเรียนในเขตเมือง เพราะนี่คือลักษณะที่คล้ายกันในการตอบสนองสเปกตรัม (สะท้อน) ของชั้นเรียนเหล่านี้ในช่วงความยาวคลื่น 0.5-0.59 ไมโครเมตร โชคดีที่พวกเขาสามารถทำให้เกิดการแยกที่ดีขึ้นของความแตกต่างใหญ่ในอีกสองช่องทางโดยเฉพาะอย่างยิ่งใน NIR ที่พืชพรรณมีบทบาทสำคัญ.
ค่าสีเทาในช่องภาพได้รับอิทธิพลอย่างมากจากการปรากฏตัวของเมฆเนื่องจากพวกเขาเป็นนิด ๆ หน่อย ๆ ' เปลี่ยน '(เบา) เมื่อเทียบกับความชัดเจนไม่ใช่พื้นที่ที่มีเมฆ.
การสร้างฟังก์ชั่นสมาชิกสำหรับตัวแปรที่ส่งออกจะทำในลักษณะที่คล้ายกัน ตั้งแต่นี้เป็นข้อสรุป Sugeno ชนิด (แม่นยำศูนย์สั่ง Sugeno) ประเภทของตัวแปรคงที่เอาท์พุทเหมาะกับที่ดีที่สุดในชุดที่กำหนดของเอาท์พุท (เรียนที่ดิน) เมื่อตัวแปรที่ได้รับการตั้งชื่อและฟังก์ชั่นสมาชิกมีรูปร่างที่เหมาะสมและชื่อทุกอย่างพร้อมสำหรับการเขียนลงกฎ.
จากคำอธิบายของการป้อนข้อมูล (สีเขียว, สีแดงและช่อง NIR) และตัวแปรเอาท์พุท (น้ำเมือง crop1, crop2 พืชพันธุ์) งบกฎจะถูกสร้างขึ้นในตัวแก้ไขกฎ.
กฎสำหรับขั้นตอนการจัดหมวดหมู่ภาพในรูปแบบ verbose มีดังนี้
ณ จุดนี้ระบบอนุมานฟัซซีได้ถูกกำหนดไว้อย่างสมบูรณ์ในการที่ตัวแปรที่เป็นสมาชิกและฟังก์ชั่น กฎระเบียบที่จำเป็นในการคำนวณการเรียนอยู่ในสถานที่.
จำแนกจะดำเนินการโดย Matlab ของ M-ไฟล์ ภาพที่เกิดจะแสดงให้เห็นในรูปที่ 5

ผลลัพธ์ (ไทย) 3:

มันสามารถเห็นได้ตามรูป เหมือนกันค่า ( ซ้อน ) สามารถพบได้ในช่องสีเขียวของพืชพืช 1 , 2 และเขตเมืองชั้น เนื่องจากมีลักษณะที่คล้ายคลึงกันในการตอบสนองสเปกตรัม ( สะท้อน ) ของบทเรียนเหล่านี้ในช่วงความยาวคลื่น 0.5 – 0.59 µเมตร โชคดีที่พวกเขาสามารถแยกสาเหตุของความแตกต่างที่ใหญ่ขึ้นในอีกสองช่องโดยเฉพาะอย่างยิ่งใน NIR ที่ครอบคลุมพืช มีบทบาทสำคัญ
ค่าสีเทาในช่องภาพเป็นอิทธิพลอย่างมากโดยการแสดงตนของเมฆ , ตั้งแต่พวกเขาเป็นบิตน้อย ' เปลี่ยน ' ( เบา ) เปรียบเทียบกับชัดเจน ไม่ขุ่นมัว พื้นที่
สร้างของสมาชิกฟังก์ชันสำหรับการแสดงผลตัวแปรจะกระทำในลักษณะที่คล้ายกัน ตั้งแต่นี้เป็น sugeno ประเภทการอนุมาน ( แน่นอนศูนย์เพื่อ sugeno ) ประเภทคงที่ของตัวแปรออกพอดีกับที่ดีที่สุดเพื่อให้ชุดของผล ( เรียนที่ดิน ) เมื่อตัวแปรที่ได้รับการตั้งชื่อและสมาชิกหน้าที่มีชื่อและรูปร่างที่เหมาะสม ทุกอย่างพร้อมสำหรับเขียนกฎ
ตามคำอธิบายของการป้อนข้อมูล ( สีเขียว สีแดง และค่าสถานี ) และตัวแปรผล ( น้ำ , เมือง , crop1 crop2 , พืช )กฎข้อสามารถสร้างกฎการแก้ไข
กฎสำหรับภาพขั้นตอนในการจำแนกรูปแบบมีดังนี้
ณจุดนี้ระบบอนุมานฟัซซีถูกทั้งหมดที่กำหนดในตัวแปร , ฟังก์ชั่นการเป็นสมาชิกและกฎที่จำเป็น คำนวณ เรียนอยู่ในสถานที่
การจำแนกจะดําเนินการโดยของ MATLAB m-file .ภาพที่เกิดจะแสดงในรูปที่ 5