CLASSIFICATION METHOD The intent of

CLASSIFICATION METHOD
The intent of the classification process was to categorize all pixels in a digital image into one of several land cover classes or themes. This categorized data can then be used to produce thematic maps of the land cover present in an image. Normally, multispectral data are used to perform the classification and indeed, the spectral pattern present within the data for each pixel was used as the numerical basis for categorization. With the help of already known (mapped) sample area the range of values for input membership functions of FIS can be determined which was used in constructing rules. After pre-processing of the image like removing noise and contouring the area under investigation, FIS (fuzzy inference system) with the names of each input variable (red (r)), green (g), and blue (b)) and those of output variable (q) was created using rules. Mamdani‟s fuzzy inference method is the most commonly used fuzzy methodology and it expects the output membership functions to be fuzzy sets. After the aggregation process, there is a fuzzy set for each output variable that needs defuzification. Sugeno -type system can be used to model any inference system in which the output membership functions are either linear or constant. Here Mamdani type inference system was used. Figure 5 shows a Mamdani fuzzy inference system. It shows a simple diagram with the names of the input red (r), green (g) and blue (b). In each of the input we defined 5 membership functions (mf) because we wanted to classify the image into 5 different land classes (mf1 (water body), mf2 (clouds), mf3 (forest), mf4 (pasture), mf5 (urban)). Here we use the Gaussian/trapezoid/triangular curve for each membership function to study the effects on result. Mfl represents membership function for water body in red input variable. Again we define mf1, mf2, mf3, mf4 and mf5 in each of the other two bands for land classes. The range here lies from 0-255 for each membership function as true colour image was used. The range will vary according to image obtained from respective satellite. Based on the descriptions of the input (red, green and blue) and output variable (5 for each land class) the rules were constructed in the rule editor. Rules are defined as: IF (red is mf1) and (green is mf2) and (blue is mf3) then class (output) is mf4 (here mf1,mf2,mf3,mf4 are used asan example). The inputs were connected with AND function. By using IF-THEN rules and changing the order and type of various membership functions, we obtained different result having different accuracy.

ผลลัพธ์ (ไทย) 1:

วิธีการจัดประเภท The intent of the classification process was to categorize all pixels in a digital image into one of several land cover classes or themes. This categorized data can then be used to produce thematic maps of the land cover present in an image. Normally, multispectral data are used to perform the classification and indeed, the spectral pattern present within the data for each pixel was used as the numerical basis for categorization. With the help of already known (mapped) sample area the range of values for input membership functions of FIS can be determined which was used in constructing rules. After pre-processing of the image like removing noise and contouring the area under investigation, FIS (fuzzy inference system) with the names of each input variable (red (r)), green (g), and blue (b)) and those of output variable (q) was created using rules. Mamdani‟s fuzzy inference method is the most commonly used fuzzy methodology and it expects the output membership functions to be fuzzy sets. After the aggregation process, there is a fuzzy set for each output variable that needs defuzification. Sugeno -type system can be used to model any inference system in which the output membership functions are either linear or constant. Here Mamdani type inference system was used. Figure 5 shows a Mamdani fuzzy inference system. It shows a simple diagram with the names of the input red (r), green (g) and blue (b). In each of the input we defined 5 membership functions (mf) because we wanted to classify the image into 5 different land classes (mf1 (water body), mf2 (clouds), mf3 (forest), mf4 (pasture), mf5 (urban)). Here we use the Gaussian/trapezoid/triangular curve for each membership function to study the effects on result. Mfl represents membership function for water body in red input variable. Again we define mf1, mf2, mf3, mf4 and mf5 in each of the other two bands for land classes. The range here lies from 0-255 for each membership function as true colour image was used. The range will vary according to image obtained from respective satellite. Based on the descriptions of the input (red, green and blue) and output variable (5 for each land class) the rules were constructed in the rule editor. Rules are defined as: IF (red is mf1) and (green is mf2) and (blue is mf3) then class (output) is mf4 (here mf1,mf2,mf3,mf4 are used asan example). The inputs were connected with AND function. By using IF-THEN rules and changing the order and type of various membership functions, we obtained different result having different accuracy.

ผลลัพธ์ (ไทย) 2:

การจำแนกประเภทวิธี
เจตนาของกระบวนการการจัดหมวดหมู่คือการจัดหมวดหมู่พิกเซลทั้งหมดในภาพดิจิตอลเป็นหนึ่งในที่ดินหลายชั้นเรียนปกหรือรูปแบบ ข้อมูลการจัดหมวดหมู่นี้จากนั้นจะสามารถใช้ในการผลิตแผนที่ต่าง ๆ ในปัจจุบันปกคลุมดินในภาพ โดยปกติข้อมูล multispectral จะใช้ในการดำเนินการจัดหมวดหมู่และแน่นอนในปัจจุบันรูปแบบสเปกตรัมภายในข้อมูลสำหรับแต่ละพิกเซลถูกนำมาใช้เป็นพื้นฐานตัวเลขสำหรับการจัดหมวดหมู่ ด้วยความช่วยเหลือของที่รู้จักกันแล้ว (แมป) พื้นที่ตัวอย่างช่วงของค่าสำหรับฟังก์ชั่นการป้อนข้อมูลการเป็นสมาชิกของสถาบันการเงินสามารถกำหนดซึ่งถูกนำมาใช้ในการสร้างกฎระเบียบ หลังจากที่ก่อนการประมวลผลของภาพเช่นลบเสียงรบกวนและ contouring พื้นที่ภายใต้การตรวจสอบสถาบันการเงิน (ระบบอนุมานฟัซซี) ที่มีชื่อของแต่ละตัวแปร (สีแดง (R)), สีเขียว (G) และสีฟ้า (ข)) และผู้ที่ ของตัวแปรผลผลิต (Q) ที่ถูกสร้างขึ้นโดยใช้กฎ Mamdani "ของวิธีการอนุมานฟัซซีเป็นส่วนใหญ่ที่ใช้กันทั่วไปวิธีการเลือนและคาดว่าฟังก์ชั่นสมาชิกออกไปเป็นชุดเลือน หลังจากขั้นตอนการรวมตัวมีชุดเลือนสำหรับการส่งออกแต่ละตัวแปรที่ต้องการ defuzification ระบบ Sugeno ชนิดสามารถนำมาใช้ในการจำลองระบบการอนุมานใด ๆ ที่ฟังก์ชั่นในการเป็นสมาชิกที่ส่งออกมีทั้งเส้นหรือคงที่ นี่คือระบบการอนุมานชนิด Mamdani ถูกนำมาใช้ รูปที่ 5 แสดง Mamdani ระบบอนุมานฟัซซี มันแสดงให้เห็นแผนภาพที่เรียบง่ายกับชื่อของสีแดงอินพุท (R), สีเขียว (G) และสีฟ้า (ข) ในแต่ละการป้อนข้อมูลที่เรากำหนดไว้ 5 ฟังก์ชั่นสมาชิก (MF) เพราะเราต้องการที่จะจัดภาพเป็น 5 ชั้นเรียนที่ดินที่แตกต่างกัน (MF1 (ร่างกายน้ำ) MF2 (เมฆ), MF3 (ป่า) MF4 (ทุ่งหญ้า) MF5 (เมือง )) ที่นี่เราใช้ Gaussian / สี่เหลี่ยมคางหมู / โค้งสามเหลี่ยมสำหรับการทำงานของสมาชิกแต่ละคนในการศึกษาผลกระทบต่อผล Mfl แสดงถึงฟังก์ชั่นสมาชิกสำหรับร่างกายน้ำในตัวแปรสีแดง อีกครั้งที่เรากำหนด MF1, MF2, MF3, MF4 และ MF5 ในแต่ละอื่น ๆ สองวงสำหรับการเรียนที่ดิน ช่วงที่นี่อยู่ 0-255 สำหรับการทำงานของสมาชิกแต่ละคนเป็นภาพสีจริงถูกนำมาใช้ ช่วงจะแตกต่างกันไปตามภาพที่ได้จากดาวเทียมที่เกี่ยวข้อง ขึ้นอยู่กับรายละเอียดของการป้อน (สีแดง, สีเขียวและสีน้ำเงิน) และตัวแปรเอาท์พุท (5 สำหรับแต่ละชั้นที่ดิน) กฎถูกสร้างขึ้นในการแก้ไขกฎ กฎระเบียบที่กำหนดไว้เช่น IF (สีแดงเป็น MF1) และ (สีเขียวเป็น MF2) และ (สีฟ้าเป็น MF3) แล้วชั้น (output) เป็น MF4 (นี่ MF1, MF2, MF3, MF4 จะใช้ตัวอย่างเช่น Asan) ปัจจัยการผลิตที่ได้รับการเชื่อมต่อกับฟังก์ชั่นและ โดยการใช้ IF-THEN กฎระเบียบและการเปลี่ยนแปลงการสั่งซื้อและประเภทของฟังก์ชั่นสมาชิกต่างๆที่เราได้รับผลที่แตกต่างกันมีความถูกต้องที่แตกต่างกัน

ผลลัพธ์ (ไทย) 3:

การจำแนกวิธี
เจตนาของกระบวนการจำแนกเป็นประเภททุกพิกเซลในภาพดิจิตอลเป็นหนึ่งในหลายชั้นปกคลุมดินหรือรูปแบบ . นี้แบ่งข้อมูลจากนั้นจะสามารถใช้เพื่อสร้างแผนที่เฉพาะเรื่องของที่ดินที่ครอบคลุมอยู่ในรูป โดยปกติจะใช้เพื่อแสดงข้อมูลหลายประเภท และแน่นอนสเปกตรัมแบบปัจจุบันภายในข้อมูลสำหรับแต่ละพิกเซลจะถูกใช้เป็นพื้นฐานการผล . ด้วยความช่วยเหลือของรู้จักกันอยู่แล้ว ( แมป ) บริเวณช่วงของค่าสำหรับการเข้าเป็นสมาชิกของคณะสามารถกำหนดฟังก์ชั่นที่ใช้ในการสร้างกฎ หลังจากการประมวลผลของภาพเช่นการลบเสียงรบกวนและกรอพื้นที่ภายใต้การสอบสวน6 ( ระบบอนุมานฟัซซี ) กับชื่อของตัวแปรแต่ละท่าน ( สีแดง ( R ) , สีเขียว ( G ) และสีน้ำเงิน ( B ) และตัวแปรผล ( Q ) ที่ถูกสร้างขึ้นโดยใช้กฎ แมมดานิฟัซซี่‟วิธีอนุมาน คือ มักใช้วิธีการฟัซซี่และคาดว่าสมาชิกออกฟังก์ชันเป็นชุดแบบฟัซซี่ หลังจากที่กระบวนการการรวมตัว ,มีแบบชุดสำหรับแต่ละ output ตัวแปรที่ต้องการ defuzification . sugeno - ประเภทระบบสามารถใช้รุ่นใดอนุมาน System ซึ่งผลผลิตสมาชิกฟังก์ชันทั้งเส้นหรือคงที่ ที่นี่แมมดานิการอนุมานชนิดระบบที่ใช้ รูปที่ 5 แสดงแมมดานิฟัซซีเชิงระบบ แสดงแผนภาพอย่างง่ายด้วยชื่อของ Input สีแดง ( R ) , สีเขียว ( G ) และสีน้ำเงิน ( B )ในแต่ละครั้งของการป้อนข้อมูลที่เรากำหนด 5 ฟังก์ชันสมาชิก ( MF ) เพราะเราต้องการแยกภาพออกเป็น 5 คลาส ที่ดินที่แตกต่างกัน ( mf1 ( แหล่งน้ำ ) mf2 ( เมฆ ) , mf3 ( ป่า ) , mf4 ( หญ้า ) , mf5 ( เมือง ) ที่นี่เราใช้ Gaussian / บขส. / สามเหลี่ยมโค้งสำหรับฟังก์ชันสมาชิกแต่ละคนเพื่อศึกษาผลกระทบต่อผล ภาษาต่างประเทศ หมายถึงสมาชิกฟังก์ชันสำหรับแหล่งน้ำในตัวแปรนำเข้าสีแดงอีกครั้งที่เรากำหนด mf1 mf2 mf3 , , , และ mf4 mf5 ในแต่ละอื่น ๆสองวงเรียนที่ดิน ช่วงนี่อยู่จาก 0-255 สำหรับแต่ละสมาชิกฟังก์ชันเป็นจริงภาพสีใช้ ช่วงจะแตกต่างกันตามภาพที่ได้จากดาวเทียมนั้นๆ ตามคำอธิบายของการป้อนข้อมูล ( สีแดงสีเขียวและสีฟ้า ) และตัวแปรผล ( 5 สำหรับที่ดินแต่ละคลาส ) กฎถูกสร้างขึ้นในช่วงการปกครองบรรณาธิการ กฎถูกกำหนดเป็น : ถ้า ( สีแดงคือ mf1 ) และ ( สีเขียวเป็น mf2 ) และ ( สีฟ้า mf3 ) แล้วชั้น ( ผลผลิต ) คือ mf4 ( ที่นี่ mf1 mf2 mf3 mf4 , , , จะใช้ตัวอย่าง Asan ) กระผม เกี่ยวข้องกับ และ ฟังก์ชัน โดยใช้กติกาและเงื่อนไขการสั่งและชนิดของฟังก์ชันความเป็นสมาชิกต่าง ๆเราได้รับที่แตกต่างกันผลมีความแม่นยำที่แตกต่างกัน