3.3 Classification procedure Since

3.3 Classification procedure
Since the goal of both procedures, maximum likelihood (ML) and fuzzy logic, is to classify the image, input data must be the same. That is, three SPOT channels are used as the starting point for the image classification based on fuzzy logic (Figure 1.).
The Fuzzy Inference System (FIS) Editor displays general information about a fuzzy inference system: a simple diagram with the names of each input variable (green, red and NIR channel) and those of each output variable (water, urban area, crop 1, crop 2 and vegetation). There is also a diagram with the name of the used type of inference system (Sugeno-type inference).
The Membership Function Editor is used to display and edit all membership functions associated with all of the input and output variables for the entire fuzzy inference system. Because of the smoothness and non-zero values, in order to define a membership function, in the process of image classification simple Gaussian curve (gaussmf) is used (Figure 3a). In this case, Matlab’s Fuzzy Logic Toolbox needs two parameters for the valid membership function definition: mean and standard deviation values. Values given in the Table 1 (mean gray value and standard deviation for each class in green, red and near infrared channel) come from PCI’s ‘Signature statistics’ panel. These values are used as the pattern (parameters) in FIS (‘fuzzy inference system’) membership function design. In this table, values in cursive (mfi) represent membership functions. That is, mf1 represents membership function for water in green input variable. For some reasoning, sampled areas used for testing showed that results are much better if in membership function definition half of standard deviation values is used, instead of values given in the Table 1. Reason can be found in large overlap (Figure 4.) between very close range of membership functions (mf1, mf2, …, mf5). This close range was also the reason why specific names for membership functions (linguistic hedges) like: not very light, light, middle tone, dark, very dark,… are not given (wider range may be found just in NIR channel). The names of membership functions remained the same: mf1, mf2, … , mf5.

ผลลัพธ์ (ไทย) 1:

3.3 ประเภทกระบวนงาน เนื่องจากเป้าหมายของกระบวนการ ความเป็นไปได้สูงสุด (ML) และ ตรรกศาสตร์ การ จัดประเภทรูปภาพ ข้อมูลการป้อนเข้าต้องเหมือนกัน นั่นคือ จุดสามช่องจะใช้เป็นจุดเริ่มต้นของการจัดภาพตามตรรกศาสตร์ (1 รูป) แก้ไขระบบข้อเอิบ (FIS) แสดงข้อมูลทั่วไปเกี่ยวกับระบบข้อเอิบ: ไดอะแกรมอย่างง่ายมีชื่อของแต่ละตัวแปรนำเข้า (สีเขียว สีแดง และช่อง NIR) ของแต่ละตัวแปรผล (น้ำ เมือง ตัด 1, 2 พืช และพืช) นอกจากนี้ยังมีไดอะแกรมที่ มีชื่อของชนิดที่ใช้ระบบข้อ (ข้อชนิด Sugeno) แก้ไขฟังก์ชันสมาชิกใช้ในการแสดง และแก้ไขฟังก์ชันสมาชิกทั้งหมดที่เกี่ยวข้องกับตัวแปรอินพุท และเอาท์พุทสำหรับข้อชัดเจนทั้งระบบทั้งหมด ราบรื่นและไม่ใช่ศูนย์ค่า เพื่อกำหนดฟังก์ชันสมาชิก ในกระบวนการจัดประเภทรูป โค้ง Gaussian อย่าง (gaussmf) การใช้ (รูปที่ 3a) ในกรณีนี้ กล่องเครื่องมือตรรกะของ Matlab เอิบต้องสองพารามิเตอร์สำหรับการนิยามฟังก์ชันสมาชิกที่ถูกต้อง: ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน ค่าที่กำหนดในตาราง 1 (สีเทาค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานในแต่ละชั้นในสี เขียว สีแดง และช่องอินฟราเรดใกล้) มาจากแผง 'สถิติลายเซ็น' ของ PCI ค่าเหล่านี้จะใช้เป็นรูปแบบ (พารามิเตอร์) ในการออกแบบฟังก์ชันสมาชิก FIS ('ข้อเอิบระบบ') ในตารางนี้ ค่าเขียน (mfi) แสดงฟังก์ชันสมาชิก นั่นคือ mf1 แทนฟังก์ชันสมาชิกในตัวแปรอินพุตสีเขียว สำหรับเหตุผลบาง ตัวอย่างพื้นที่ที่ใช้ในการทดสอบพบว่า ผลจะดีมากถ้าในนิยามฟังก์ชันสมาชิก ครึ่งหนึ่งของค่าส่วนเบี่ยงเบนมาตรฐานใช้ กำหนดในตารางที่ 1 ค่า สามารถพบในขนาดใหญ่ทับซ้อนกัน (รูป 4) เหตุผลระหว่างมากกับฟังก์ชันสมาชิก (mf1, mf2,..., mf5) ช่วงนี้ปิดยังเป็นเหตุผลที่ทำไมต้องระบุชื่อสมาชิกฟังก์ชัน (ภาษาศาสตร์ประเมินค่าเฮดจ์): กลางไม่มากแสง สี โทนสี ดำ เล็ก,...ไม่ได้ (ช่วงกว้างอาจพบเพียงในช่อง NIR) ได้ ชื่อของฟังก์ชันสมาชิกอยู่เหมือนกัน: mf1, mf2,..., mf5

ผลลัพธ์ (ไทย) 2:

3.3 ขั้นตอนการจัดประเภท
เนื่องจากเป้าหมายของขั้นตอนทั้งสองควรจะเป็นสูงสุด (ML) และตรรกศาสตร์คือการจำแนกภาพ, การป้อนข้อมูลต้องเหมือนกัน นั่นคือช่องสามจุดจะถูกใช้เป็นจุดเริ่มต้นสำหรับการจัดหมวดหมู่ของภาพขึ้นอยู่กับตรรกศาสตร์ (รูปที่ 1).
ฟัซซี่อนุมานระบบ (FIS) แสดงบรรณาธิการข้อมูลทั่วไปเกี่ยวกับระบบอนุมานฟัซซี: แผนภาพที่เรียบง่ายที่มีชื่อของ แต่ละตัวแปรอินพุท (สีเขียว, สีแดงและสีช่อง NIR) และผู้ที่อยู่ของแต่ละตัวแปรเอาท์พุท (น้ำเขตเมืองพืชที่ 1, 2 และการเพาะปลูกพืช) นอกจากนี้ยังมีแผนภาพที่มีชื่อของชนิดที่ใช้ระบบการอนุมาน (อนุมาน Sugeno-type).
แก้ไขฟังก์ชั่นสมาชิกจะใช้ในการแสดงและแก้ไขทุกฟังก์ชั่นที่เกี่ยวข้องกับสมาชิกทั้งหมดของอินพุทและเอาท์พุทตัวแปรสำหรับระบบอนุมานฟัซซีทั้งหมด . เพราะความเรียบเนียนและค่านิยมที่ไม่เป็นศูนย์ในการที่จะกำหนดฟังก์ชันสมาชิกในกระบวนการของเส้นโค้ง Gaussian การจัดหมวดหมู่ภาพง่าย (gaussmf) ใช้ (รูปที่ 3a) ในกรณีนี้ Matlab กล่องเครื่องมือของระบบ Fuzzy Logic ต้องการสองพารามิเตอร์สำหรับการกำหนดฟังก์ชันสมาชิกที่ถูกต้อง: ค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐาน ค่าที่กำหนดไว้ในตารางที่ 1 (ค่าเฉลี่ยสีเทาและค่าเบี่ยงเบนมาตรฐานสำหรับชั้นในสีเขียว, สีแดงและใกล้อินฟราเรดแต่ละช่อง) มาจากแผง PCI ของ 'สถิติลายเซ็น' ค่าเหล่านี้จะนำมาใช้เป็นรูปแบบ (พารามิเตอร์) ในสถาบันการเงิน ('ระบบอนุมานฟัซซี') การออกแบบฟังก์ชั่นสมาชิก ในตารางนี้ค่าในเล่นหาง (MFI) เป็นฟังก์ชั่นสมาชิก นั่นคือ MF1 แสดงถึงฟังก์ชั่นสมาชิกสำหรับน้ำในตัวแปรสีเขียว สำหรับเหตุผลบางพื้นที่ตัวอย่างที่ใช้ในการทดสอบแสดงให้เห็นว่าผลลัพธ์ที่ได้จะดีมากถ้าสมาชิกในครึ่งนิยามฟังก์ชันของค่าเบี่ยงเบนมาตรฐานจะใช้แทนค่าที่กำหนดไว้ในตารางที่ 1 เหตุผลที่สามารถพบได้ในที่ทับซ้อนกันขนาดใหญ่ (รูปที่ 4) ระหว่าง ระยะใกล้มากฟังก์ชั่นสมาชิก (MF1, MF2 ... , MF5) ช่วงนี้ใกล้ก็เป็นเหตุผลว่าทำไมชื่อที่เฉพาะเจาะจงสำหรับฟังก์ชั่นสมาชิก (การป้องกันความเสี่ยงด้านภาษาศาสตร์) เช่น: ไม่มากแสง, แสง, เสียงกลาง, สีดำ, สีเข้มมาก ... ไม่ได้รับ (ช่วงกว้างอาจจะพบเพียงแค่ในช่อง NIR) ชื่อของฟังก์ชั่นสมาชิกยังคงเหมือนเดิม: MF1, MF2 ... , MF5

ผลลัพธ์ (ไทย) 3:

3.3 การจำแนกขั้นตอน
เนื่องจากเป้าหมายของทั้งกระบวนการ ความน่าจะเป็นสูงสุด ( ML ) และตรรกศาสตร์คลุมเครือ , แยกภาพ , ข้อมูลที่นำเข้าจะต้องเหมือนกัน นั่นคือ สามช่อง จุดที่ใช้เป็นจุดเริ่มต้นสำหรับภาพการจำแนกตามตรรกศาสตร์ ( รูปที่ 1 )
ระบบอนุมานฟัซซี่ ( 6 ) บรรณาธิการแสดงข้อมูลทั่วไปเกี่ยวกับระบบการอนุมานแบบฟัซซี่ :แผนภาพอย่างง่ายด้วยชื่อของตัวแปรแต่ละท่าน ( สีเขียว สีแดง คือ ช่อง ) และของแต่ละผลผลิตตัวแปร ( น้ำ พื้นที่เมืองปลูกพืชและพืช 1 , 2 ) ยังมีแผนภาพที่มีชื่อของที่ใช้ประเภทของระบบการอนุมาน ( inference ประเภท sugeno )
ฟังก์ชันการแก้ไขที่ใช้เพื่อแสดงและแก้ไขฟังก์ชันที่เกี่ยวข้องกับสมาชิกทั้งหมดของอินพุตเอาต์พุตและตัวแปรสำหรับทั้งระบบอนุมานฟัซซี เพราะความเรียบเนียนและไม่เป็นค่า เพื่อหาสมาชิกฟังก์ชัน ในกระบวนการของภาพหมวดหมู่ง่ายเสียนโค้ง ( gaussmf ) ใช้ ( รูปที่ 3 ) ในกรณีนี้แบบจำลองทางคณิตศาสตร์ของตรรกศาสตร์กล่องเครื่องมือความต้องการสองพารามิเตอร์สำหรับนิยามฟังก์ชันสมาชิกที่ถูกต้อง : ค่าเฉลี่ย และค่าส่วนเบี่ยงเบนมาตรฐาน ค่ากำหนดในตารางที่ 1 ( หมายถึงสีเทาค่าส่วนเบี่ยงเบนมาตรฐานสำหรับแต่ละชั้น สีเขียว สีแดง และใกล้ช่องอินฟราเรด ) มาจาก PCI ' สถิติ ' แผงลายเซ็น .ค่าเหล่านี้จะถูกใช้เป็นแบบแผน ( พารามิเตอร์ ) ในคณะ ( ระบบการอนุมาน 'fuzzy ) การออกแบบฟังก์ชันสมาชิก ในโต๊ะนี้ ค่านิยมในเล่นหาง ( MFI ) เป็นตัวแทนของฟังก์ชันสมาชิก นั่นคือ mf1 แทนสมาชิกฟังก์ชันสำหรับน้ำในตัวแปร input เป็นสีเขียว สำหรับบางเหตุผลตัวอย่างการใช้พื้นที่สำหรับการทดสอบพบว่าผลจะมากดีกว่าถ้าในนิยามฟังก์ชันสมาชิกครึ่งหนึ่งของค่าส่วนเบี่ยงเบนมาตรฐาน ใช้ แทนของค่ากำหนดในตารางที่ 1 ที่สามารถพบได้ในซ้อนกันใหญ่ ( รูปที่ 4 ) ระหว่างช่วงที่สนิทมากของฟังก์ชันสมาชิก ( mf1 mf2 , , . . . , mf5 )ช่วงใกล้นี้คือเหตุผลที่ชื่อเฉพาะสำหรับฟังก์ชันสมาชิก ( ภาษาเฮดจ์ ) เช่น : ไม่เบามาก เบา กลาง โทน มืด มืดมาก . . . . . . . ไม่ได้ให้ ( ช่วงกว้างอาจพบได้แค่ในช่องทั่วไป ) ชื่อของฟังก์ชันความเป็นสมาชิกยังคงเดิม mf1 mf2 , , . . . , mf5 .