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 algorithm
applied to the contextual feature can be defined as:

ผลลัพธ์ (ไทย) 1:

dqi คือ เพื่อนบ้านที่ใกล้ที่สุดระยะห่าง min คือ ระยะห่างต่ำสุดและข้าม Euclidian ระยะห่างระหว่างแบบสอบถามเซล q and aเซลซีคลาสเปกตรัมเฉพาะซี ซึ่งเป็นเซตย่อยของรูปภาพทั้งหมดในขั้นตอนที่ 4 เวกเตอร์ลักษณะบริบทประเภทใช้เทคนิคระบบคลัสเตอร์ที่กลุ่มพิกเซลคล้ายกับบริบทเวกเตอร์คุณลักษณะการสร้างคลาใหม่ที่ขึ้นอยู่กับบริบทข้อมูล ประเภทนี้สามารถเป็นแบบมีผู้สอน หรือ unsupervisedมีการจัดประเภทกระบวนการระบุจำนวนคลัสเตอร์โดยใช้พื้นที่การฝึกศูนย์ ตัวอย่างพื้นฐานคือ บริเวณป่าที่ถูกทำเครื่องหมายเป็นพื้นที่ฝึกอบรมในป่าระดับและเมืองที่มีการทำเครื่องหมายเป็นเมือง ตามเวกเตอร์ลักษณะบริบทครอบคลุมพื้นที่ฝึกอบรม ค่าเฉลี่ยการคลัสเตอร์ศูนย์เสมอ เวกเตอร์ลักษณะบริบททั้งหมดแล้วเมื่อเทียบกับศูนย์หมายถึงคลัสเตอร์ และได้รับมอบหมายศูนย์ใกล้ที่สุด ตัวอย่างของประเภท unsupervisedวิธีการวิเคราะห์คลัสเตอร์ K ค่าเฉลี่ยเคลื่อนที่ผู้ใช้กำหนดหมายเลขของคลัสเตอร์ (K) ในแต่ละคลัสเตอร์ หมายถึงการเวกเตอร์อยู่ภายในช่องว่างมิติสร้างขึ้นโดยเวกเตอร์ลักษณะบริบท ขนาดมีระยะห่างแต่ละชั้นสเปกตรัมแต่ละ ดังนั้น ถ้ามีชั้น 10แล้วมีขนาด 10 และแต่ละพิกเซลมีตำแหน่งในการพื้นที่ 10 มิติ ขั้นตอนวิธีการระบบคลัสเตอร์ K หมายถึงเคลื่อนไหวใช้แบบตามบริบทคุณลักษณะที่สามารถกำหนดเป็น:

ผลลัพธ์ (ไทย) 2:

DQI คือระยะทางที่ใกล้ที่สุดของเพื่อนบ้าน, นาทีคือระยะทางที่น้อยที่สุด
และ dist คือระยะทางที่ Euclidian ระหว่างพิกเซลแบบสอบถาม Q และ
พิกเซล Xi ที่อยู่ในประเภทคลาสสเปกตรัมเฉพาะ Si, ซึ่งเป็นส่วนหนึ่ง
ของภาพทั้งหมด.
ในขั้นตอนที่ 4 เวกเตอร์คุณลักษณะบริบทจัดประเภทโดยใช้
เทคนิคการจัดกลุ่มว่ากลุ่มพิกเซลกับบริบทที่คล้ายกัน
พาหะคุณลักษณะการสร้างคลาสใหม่ที่จะขึ้นอยู่กับบริบท
ข้อมูล การจัดหมวดหมู่นี้อย่างใดอย่างหนึ่งสามารถได้รับการดูแลใกล้ชิดหรือ.
การจัดหมวดหมู่ภายใต้การควบคุมการระบุจำนวนของ
ศูนย์คลัสเตอร์โดยใช้พื้นที่การฝึกอบรม ตัวอย่างพื้นฐานคือพื้นที่
ป่าที่ได้รับการทำเครื่องหมายเป็นพื้นที่สำหรับการฝึกอบรมชั้นป่า
และเขตเมืองที่ได้รับการทำเครื่องหมายเป็นเมือง ขึ้นอยู่กับ
เวกเตอร์คุณลักษณะบริบทปกคลุมด้วยพื้นที่การฝึกอบรม, ค่าเฉลี่ย
กลุ่มศูนย์มีการคำนวณ ทั้งหมดเวกเตอร์คุณลักษณะบริบท
อยู่แล้วเมื่อเทียบกับศูนย์คลัสเตอร์ค่าเฉลี่ยและได้รับมอบหมายให้
ศูนย์ที่ใกล้เคียงที่สุด ตัวอย่างของการจัดหมวดหมู่ใกล้ชิดเป็น
วิธีการทั่วไปในการเคลื่อนย้ายการวิเคราะห์กลุ่ม K-เฉลี่ยที่
ผู้ใช้ตัดสินใจจำนวนของกลุ่ม (K) สำหรับแต่ละกลุ่ม, ค่าเฉลี่ย
เวกเตอร์ตั้งอยู่ภายในพื้นที่หลายมิติที่สร้างขึ้นโดย
คุณลักษณะเวกเตอร์บริบท มิติเป็นระยะทางที่
ไปเรียนสเปกตรัมของแต่ละคน ดังนั้นถ้ามีสิบชั้นเรียน
นั้นมีสิบมิติและแต่ละพิกเซลมีตำแหน่งใน
พื้นที่สิบมิติ ขั้นตอนวิธีการย้ายการจัดกลุ่ม K-ค่าเฉลี่ย
การใช้คุณลักษณะบริบทสามารถกำหนดเป็น:

ผลลัพธ์ (ไทย) 3:

dqi คือระยะทางเพื่อนบ้านที่ใกล้ที่สุด มิน คือ ระยะทางขั้นต่ำ
และ Dist เป็น euclidian ระยะห่างระหว่างพิกเซลและแบบสอบถาม Q
เซลซีเป็นของศรีชั้นสเปกตรัมที่เฉพาะเจาะจง ซึ่งเป็นส่วนหนึ่งของภาพทั้งหมด
.
ในขั้นที่ 4 เวกเตอร์คุณลักษณะตามบริบทจะแบ่งโดยใช้เทคนิคการจัดกลุ่ม
กลุ่มพิกเซลใกล้เคียงกับบริบท
คุณลักษณะเวกเตอร์การสร้างคลาสใหม่ที่อยู่บนพื้นฐานของข้อมูลบริบท

ประเภทนี้สามารถถูกควบคุมหรือ unsupervised
ดูแลการใช้ระบุหมายเลขของ
กลุ่มศูนย์ใช้พื้นที่ฝึก ตัวอย่างง่ายๆ คือพื้นที่ป่าที่ได้รับเครื่องหมาย
ด้านพื้นที่สำหรับห้องป่า
และพื้นที่เมืองที่ถูกระบุว่าเป็นเมือง ขึ้นอยู่กับ
คุณลักษณะเวกเตอร์ครอบคลุมบริบทพื้นที่การฝึกอบรม , หมายถึง
กลุ่มศูนย์บริการจะถูกคำนวณ ทั้งหมดของบริบทคุณลักษณะเวกเตอร์
แล้วเทียบกับค่าเฉลี่ยกลุ่มศูนย์และได้รับมอบหมาย
ศูนย์ที่ใกล้ที่สุด ตัวอย่างของการจัดหมวดหมู่ unsupervised เป็นวิธีการทั่วไปของการย้าย

k-mean การวิเคราะห์กลุ่มที่ผู้ใช้จะตัดสินใจจำนวนกลุ่ม ( K ) สำหรับแต่ละคลัสเตอร์ หมายถึง
ตั้งอยู่ภายในพื้นที่เวกเตอร์มิติ สร้างโดย
เวกเตอร์คุณลักษณะตามบริบท มิติระยะทาง
ในแต่ละคน การสอน ดังนั้น หากมีชั้นเรียน 10
แล้วมีขนาดสิบและแต่ละพิกเซลมีตำแหน่งใน
ช่องว่างมิติ 10 ย้าย k-mean การจัดกลุ่มขั้นตอนวิธี
ใช้กับคุณลักษณะตามบริบทที่สามารถกำหนดเป็น :