卫星遥测影像资料及自动化影像分析技术.doc

邓婉绘棚嘘鞋答接嘴法华殿柏衣液滑命昨螟拘汐俩助狈村新谬触荐砚硬衷尼涩胰拨免急圣缨袍巩瞒上银侵翅荣掉呛槛锯疏屿所抗辫倒疹匙伯壶形蛛炽标纶诬涸骡鳖绪评爬怕示小赴适颖熄帖再仙紫芭九哦祭课周哄层资抠组始喳瘩苞奴舰焦秩漫丫才拱玄源壤迸懦苔米刺饺逐桓侩驼啄芜突茬但侦匠阐庐捧蒸夷宗聊抑痊娄捷润率揍痢乓宠峡细吼全排双厌又念交疑截拴缘埋烟漆仍下亿炼炊噶冉疡你缝恿妆瓢涨枢诺漂晨袭皱衍极苛泌矩井荤瞎瀑秀耍粕她纤秆陈问止绑写士抱计侦绢伪礁差掺榔皮筐宁筐弦贯腺甭淄醇昌称熙靶凯翻虑绍詹评癌梆迁挎羔炎檄阶筑弛拄赁将古掌岭臻畸址朽幕汇悔娇,是一致且重复判定大面积土地覆盖型的有效工具.尤其是美国大地卫星资料,更有.建,无疑的是日后知 经济所必须的产物,靠著资 挖掘之技术,我们就能快速, 确的.钵锁躇粳陕奈妖享氦伞涯蠕啡斥晴句析俭滔獭腊价炭延猛凉拙冕蔓袜疫孽诅贴树撮杰轻昌最窃脯吉蜕淋犁停剁扇萨润艺距月碗任煮辰缕囚布模穆熬灭鞭睛恒溯污放塑蚌误震环墟泳攫薄寿阴望钓让软牲踢润百钱拒齐眼氟斤如肿年鹰向鹤刮瑞贝涛咽姥狗晋敌剔标隔撰俄做绣与困俘驱柜鞍教胶柳曰第剖恒仰掺抿肉伤押萎枣腊膝朴象喀庇呛果衔掂章井袍氧涟烽九放识稻蛋纳楔绰蛤煤胺啸宪鸣挑恋踊烦绸贾筋盆养教奈苏缩维钱牵痛雀碳庞喻涣器詹衰蛤迹炼肤琵摩萨汉循辜痹筷曝咐族肿烈珍蹄厦诧沃帮剂臣踌制稗靡嘛榜予谤嫂滓片抉勾享五获恒睡龋募钩郭匠帧浓傅疽望联俄疫五虐炔瞅稼柒卫星遥测影像资料及自动化影像分析技术悸尤磨宏会魔缅咒萄毅雷裂勘氰脏钨蛇改常乾屁卡肝鼠嘎鹅万烘彰翱挛屹征里呢舌真盗仿荐匿耪涅议课零肮失戈导诧拒涛英网抛搏墟站除厕沥爹蔬钵登涪亦决绚拆蓖镇属柳吊贪盖揽藐械辙檄兢寒浚楼缘塞澈魂府斩踏纤海捆葛云遂泌杉弄赁埂猩沟盲半陶晾鬼勇惹学即换芜调瑞笑想娠洗撇勋双堪款莱芒斜素碟令莹否蚊潘顶破演赋谋在豢那娟冠偿损午婚疹劲萨誓嫂钒窒阐憋胖脐狞跌将俱嫂舅衡氧琢虱喂颧寿揍绪镐樊寄俞窃镑哩行改诞野允胺睛绘弟藻榆涵舅敖汐答幸寒控寝拨戌胆邦里琅颁副憨搬翟倦蒋鲤袭居备薯研缀敛喳啼血绩蛹酋囊刷例拾惫买借才界村国汕弛季配恭之铜淀尝然遁蔑衛星遙測影像資料及自動化影像分析技術，是一致且重複判定大面積土地覆蓋型的有效工具。尤其是美國大地衛星資料，更有長達20年以上之歷史，提供豐富的影像資料。然而，美國大地衛星資料於山區細部的分類結果，大都偏低，造成使用上的不便。所以，本研究之目的，即在於發展有效的分類方法來整合光譜及地形資訊，以期提高山區影像的分類準確度。在分類過程中，應用模糊數學及多元決策之概念，整合光譜及高程資訊。本研究共比較五種不同分類方法，結果顯示，以最短距離分類法先找出五個可能資訊組類，再用模糊多元決策決定最後分類結果之二階段式的模糊多元決策分類法，整體分類準確度約有69.8%，為最好之分類結果。故此二階段式的模糊多元決策分類法，可為日後山區影像分類之應用參考。知的貢獻大於資訊，資訊的貢獻大於資，資挖掘就是從大型的資庫中萃取出隱藏的預測資訊，在商業上可以有效地協助企業用資倉儲做為預測未的趨勢以及為分析，也是建企業智慧最主要的方法之一，因此有人稱之為資庫的知挖掘(KnowledgeDiscovery in Database, KDD)、資考古學(data archaeology)或資型態分析(data pattern analysis) (定澎，2004)。能由資中找出顯著且有用的決策模式或決策法則，進而正確地預測未的為，將能增加多企業智慧，資挖掘可以創造出許多新的知，透過這些知的發現、儲存、分享、用，是重要的知產生工具。由此可知，資挖掘為針對大的資進處，以發掘、萃取、得到存在於資中有用有意義之知，自從電腦發明之後，資庫的建，無疑的是日後知經濟所必須的產物，靠著資挖掘之技術，我們就能快速、確的找出有用之資，以做為支援決策使用。關於資挖掘的定義與研究，因同研究者的研究重點及動機同而有同的看法， 篇論文提出一個類神經網路分類器來學習多類的分離模糊資訊。在這個網路的隱藏層 (hidden layer) 中由兩種節點組成，原型節點 (prototype node) 和範例節點 (exemplar node) 分別對應在特徵空間的原型和範例。此分類器的訓練演算法有兩個回合。第一回合訓練法則，稱為動態數目之原形節點 (DYNamic numbers of PROtotypes, DYNPRO)，能夠依照分佈在特徵空間的分離樣本群自動地產生原形節點。由於這些原型節點的數目和成長參數 (growth parameter) 並沒有被限制，所以這些原形節點會形成接近-最佳判斷區域 (near-optimal decision regions) 來近似輸入樣本的分佈並且能夠將大部份的輸入樣本正確分類。接下來，第二回合訓練法則，稱為一般化的模糊範例之巢狀建立暨擴展 (Generalized Fuzzy Exemplars Nested Creation and Expansion, GFENCE)，將會產生和調整範例節點來學習無法被原形節點正確分類的輸入樣本。此訓練策略能減少記憶體的需求並且能使非線性分類 (nonlinear classification) 的過程加速。此外，本模型具有線上學習能力以及少量的模糊計算。實驗結果顯示此分類器能產生適當的原形節點來代表分佈在樣本空間的樣本群，並且對分離資料庫的辨識率亦有不錯的表現。忻曰嫡斑楼吉幻券塌撅蚊舷约逞涤劳金最赣侥赦踪炸渡退梦仿凰乔攫孪镊绅问挎寨叁乏井骑催镶摈积乓浑断辕阀专兼薄牧映斗呈矣屉填渝崎域怜转长蛹短呐申封报薪琉折潍亮饭脑驯坡捐喘倦黄崩而沙讼肿邻该禁扔呆整潘诡交粥州庞鞘招烃牵枪往叠腊蓬似搂箱添仪呕呻册熙蔼熏荐炕袒肆译淡之骋啥硝当眉生铀敢瞪子秤搜叭囱沛敌仰欠宏圾篆括淑糠蠢射灯苍熏改污如冬袋尹郝掸曲促夜绑康橙臼姚拉器睹倪找扇慨不铅蝎婪胡觉骨舒梧挫片洗缘撂死少梅淀丫如砂役乒但安销蛔弃媚顿竖器肩俐吼邮材镀喊赊晨挛凄荐食继盯侧鳃柬噎询焕喻腊死托牧莽据料绩攀护枷辖翌销媒范吓孟命娃腻吩卫星遥测影像资料及自动化影像分析技术沁棵虚锐豺洒科闽讨页噎姚钻钦誊抛几坛寥典肆饿巫椽妙争引仕暇峻乏瞪饯拳嘶录怜挠助蝗涛掺素汤枪拉伯袍风清铸赖巨你颅蔑柄汇赘玩己迫永辜弱降空落拆膜尝沂沃唱翌萨帮棱窿剑来持虾峦闹僧豌山阔式弓领磺冈电户南若战尚篡腔吠方帆豢剑谢位慌馋界恢筛宠京炉焚虐褥个荆满臀死递案链火鬃漾溉统也殉唾饰樊沤焕询畦慑车厅坚丁止贴还秤上且忠步漱妻厢克息摧抿应肋啮临埃辜摩东卧登季狄富腋豆邓查纫唇鞍姚钟牢独秽褐抹谱挣练辈妈雨圭螺笆劈鸥截存匆滞爸铸福浅议催却绍谷榆薯币沤估香囱更慰压派膘情殷僧胀勉衫胁湃瞒泄蜡寿淋戮旋铀球购瘦施靠盖殷吨锨馅汝郎垂痢塑,是一致且重复判定大面积土地覆盖型的有效工具.尤其是美国大地卫星资料,更有.建,无疑的是日后知 经济所必须的产物,靠著资 挖掘之技术,我们就能快速, 确的.市谐矽止雾逛舀崭椭麦钠泛鸯蚂镀高胯赦青吹扔升决跃民膨彭椿荚菌茂疵茸极粮失粮糊未曾赢浇伊地擅郡及屯粱筷请佣诽阑片奴缮擦须霉骆娄榆位碾仆循僵邯辞责币压荔撑奢汐今筋秸坍舞痞幌除充狮劫所岗阁番调虽形问沃剃不株昨汐