4.2.2.2. Nearest neighbor classifie

4.2.2.2. Nearest neighbor classifier. To classify image objects using
the nearest neighbor classifier, we need to define the feature space
(e.g., original bands, transformed bands, and indices), define training
samples (objects), classify, review the outputs, and optimize the
classification. The nearest neighbor classification procedure uses a set
of samples that represent different classes in order to assign class
values to segmented objects. The procedure therefore consists of two
steps: (a) teach the system by giving it certain image objects as
samples, and (b) classify image objects due to their nearest sample
neighbors in their feature spaces (Definiens, 2008). The nearest
neighbor option is also a non-parametric rule and is therefore
independent of a normal distribution. The nearest neighbor approach
allows unlimited applicability of the classification system to other
areas, requiring only the additional selection or modification of new
objects (training samples) until a satisfactory result is obtained (Ivits
& Koch, 2002). Application of the nearest neighbor method is also
advantageous when using spectrally similar classes that are not well
separated using a few features or just one feature (Definiens, 2008).
The nearest neighbor approach in eCognition can be applied to any
classes at a scale level using original, composite, transformed, or

ผลลัพธ์ (ไทย) 1:

4.2.2.2. ใกล้บ้านลักษณนาม ในการจัดประเภทภาพวัตถุโดยใช้ลักษณนามเพื่อนบ้านที่ใกล้ที่สุด เราต้องกำหนดพื้นที่คุณลักษณะ(เช่น เดิมวง วงดนตรีรับการเปลี่ยนแปลง และดัชนี), กำหนดการอบรมตัวอย่าง (วัตถุ), จัดประเภท ตรวจผล และเพิ่มประสิทธิภาพการการจัดประเภท ขั้นตอนการจัดประเภทเพื่อนบ้านที่ใกล้ที่สุดใช้ชุดตัวอย่างที่แสดงถึงการเรียนแตกต่างกันเพื่อกำหนดระดับค่าแบ่งวัตถุ กระบวนการจึงประกอบด้วยสองขั้นตอน: (a) สอนระบบ โดยให้วัตถุภาพบางเป็นมันตัวอย่าง และ (b) จัดประเภทวัตถุภาพเนื่องจากตัวอย่างของพวกเขาที่ใกล้ที่สุดเพื่อนบ้านในพื้นที่ของพวกเขาคุณลักษณะ (Definiens, 2008) ให้เลือกเพื่อนบ้านก็มีไม่ใช่พาราเมตริก นั้นจึงอิสระของการแจกแจงปกติ วิธีการเพื่อนบ้านที่ใกล้ที่สุดช่วยให้ไม่จำกัดยอมรับระบบการจัดประเภทอื่น ๆพื้นที่ ต้องการเลือกเพิ่มเติมหรือปรับเปลี่ยนใหม่วัตถุ (ตัวอย่างการฝึกอบรม) จนเป็นผลที่น่าพอใจจะได้รับ (Ivitsและสาขา 2002) ประยุกต์ใช้วิธีการเพื่อนบ้านที่ใกล้ที่สุดก็ประโยชน์เมื่อใช้เรียนคล้ายกระจกชนิดที่ไม่ดีแยกใช้บางคุณสมบัติหรือคุณลักษณะเดียว (Definiens, 2008)สามารถใช้วิธีเพื่อนบ้านที่ใกล้ที่สุดใน eCognition ใดชั้นเรียนที่ระดับระดับการใช้ต้นฉบับ คอมโพสิต เปลี่ยน หรือ

ผลลัพธ์ (ไทย) 2:

4.2.2.2 ลักษณนามเพื่อนบ้านที่ใกล้ที่สุด การจำแนกวัตถุภาพโดยใช้
ลักษณนามเพื่อนบ้านที่ใกล้ที่สุดเราจำเป็นต้องกำหนดพื้นที่คุณลักษณะ
(เช่นวงดนตรีที่เดิมวงดนตรีที่เปลี่ยนและดัชนี) กำหนดฝึกอบรม
ตัวอย่าง (วัตถุ) จำแนกตรวจสอบผลและเพิ่มประสิทธิภาพการ
จัดหมวดหมู่ ขั้นตอนการจัดหมวดหมู่ของเพื่อนบ้านที่ใกล้ที่สุดใช้ชุด
ของกลุ่มตัวอย่างที่เป็นตัวแทนของการเรียนแตกต่างกันเพื่อกำหนดระดับ
ค่าไปยังวัตถุที่แบ่งกลุ่ม ขั้นตอนจึงประกอบด้วยสอง
ขั้นตอน (ก) สอนระบบโดยให้มันวัตถุภาพบางภาพเป็น
ตัวอย่างและ (ข) การจำแนกวัตถุภาพเนื่องจากตัวอย่างที่ใกล้ที่สุด
เพื่อนบ้านในพื้นที่คุณลักษณะของพวกเขา (Definiens 2008) ที่ใกล้ที่สุด
ตัวเลือกเพื่อนบ้านยังเป็นกฎที่ไม่ใช่คณิตศาสตร์และดังนั้นจึงเป็น
อิสระจากการแจกแจงแบบปกติ วิธีเพื่อนบ้านที่ใกล้ที่สุด
จะช่วยให้การบังคับใช้ที่ไม่ จำกัด ของระบบการจัดหมวดหมู่อื่น ๆ
พื้นที่ต้องใช้เพียงตัวเลือกเพิ่มเติมหรือเปลี่ยนแปลงใหม่
วัตถุ (ตัวอย่างการฝึกอบรม) จนกว่าผลที่น่าพอใจจะได้รับ (Ivits
แอนด์คอ, 2002) การประยุกต์ใช้วิธีเพื่อนบ้านที่ใกล้ที่สุดนอกจากนี้ยังมี
ข้อได้เปรียบเมื่อใช้การเรียนคล้ายผีที่ไม่ดี
แยกออกจากกันโดยใช้คุณสมบัติไม่กี่หรือเพียงหนึ่งคุณลักษณะ (Definiens, 2008).
วิธีเพื่อนบ้านที่ใกล้ที่สุดใน eCognition สามารถนำไปใช้ใด ๆ ที่
เรียนในระดับขนาดโดยใช้ เดิมคอมโพสิตเปลี่ยนหรือ

ผลลัพธ์ (ไทย) 3:

4.2.2.2 . เพื่อนบ้านที่ใกล้ที่สุดลักษณนาม จัดกลุ่มวัตถุภาพโดยใช้เพื่อนบ้านที่ใกล้ที่สุดแบบ เราต้องกำหนดคุณลักษณะเนื้อที่( เช่น วงเดิมเปลี่ยนวง และดัชนี ) กำหนดฝึกอบรมตัวอย่าง ( วัตถุ ) , แยกประเภท , ตรวจสอบผลและเพิ่มประสิทธิภาพการจำแนกประเภท มีเพื่อนบ้านที่ใกล้ที่สุดหมวดหมู่ขั้นตอนที่ใช้ชุดตัวอย่างที่เป็นตัวแทนของชั้นเรียนที่แตกต่างกันในการกำหนดชั้นค่านิยมการแบ่งวัตถุ กระบวนการจึงประกอบด้วยสองขั้นตอน : ( 1 ) สอนระบบ โดยให้วัตถุภาพบางอย่างตัวอย่าง และ ( ข ) จำแนกวัตถุรูปจากตัวอย่างของพวกเขาที่ใกล้ที่สุดเพื่อนบ้านที่เป็นคุณลักษณะของการส่งมอบ , 2008 ) ที่ใกล้ที่สุดเพื่อนบ้านเลือกยังไม่ใช้พารามิเตอร์และดังนั้นจึงเป็นกฎอิสระของการกระจายปกติ วิธีการเพื่อนบ้านที่ใกล้ที่สุดช่วยให้ไม่ จำกัด ของการใช้ระบบการจำแนกประเภทอื่น ๆพื้นที่ โดยเฉพาะการเพิ่มหรือปรับเปลี่ยนใหม่วัตถุ ( ตัวอย่างการฝึกอบรม ) จนกว่าจะได้ผลการแข่งขันที่น่าพอใจ ( ivits& Koch , 2002 ) การประยุกต์ใช้วิธีการเพื่อนบ้านที่ใกล้ที่สุดคือยังการใช้ประโยชน์เมื่อที่คล้ายกันที่ไม่ได้ดีมากกว่ คลาสแยกใช้ไม่กี่คุณสมบัติหรือคุณลักษณะ ( ส่งมอบ , 2008 )เพื่อนบ้านที่ใกล้ที่สุดในการ ecognition สามารถใช้กับใด ๆเรียนในระดับระดับโดยใช้ต้นฉบับ , คอมโพสิต , เปลี่ยน , หรือ