Journal de télédétection et SIG

Abstrait

Identification des données temporelles pour les classificateurs souples FCM et PCM

Ranjana Sharma, PK Garg, RKDwivedi, Mohan Vishal Gupta

En général, les classificateurs multispectraux fournissent une suite complète d'options pour la classification d'images à l'aide d'approches supervisées, non supervisées ou floues. Le traitement d'image se divise en 10 catégories : restauration d'image, amélioration d'image, transformation d'image, développement de signature d'image, classificateurs durs et classificateurs souples pour l'image, durcisseurs et analyse hyperspectrale de l'image et évaluation de la précision du résultat. Les classificateurs durs sont couramment utilisés dans la classification d'images, où un pixel a une valeur d'appartenance de 0 ou 1, il est donc considéré comme un pixel pur. La nature du pixel dans le classificateur souple est mixte. Le pixel des classificateurs souples appartient à plusieurs classes. Grâce à la théorie de l'ensemble flou, nous pouvons résoudre le problème de l'appartenance multiple des pixels d'une image. Les plages de valeurs d'appartenance dans l'ensemble flou sont 0 et 1, où la valeur entre 0 et 1 définit la proportion d'occurrence d'informations dans un pixel. Ce concept a été utilisé dans de nombreuses applications, telles que l'analyse du signal du capteur, la minimisation de l'incertitude. Dans cette étude, des classificateurs flous souples et des classificateurs hybrides flous à base d'entropie, un clustering de bruit basé sur l'entropie ont été utilisés pour apprendre le résultat de la méthode de précision (entropie) sur la sortie des classificateurs pour des ensembles de données multispectrales au niveau du pixel. Mais toute classification est considérée comme incomplète sans évaluation de sa précision. Diverses sociétés commerciales ont introduit une variété d'outils de traitement d'images qui offrent un module associé à la saisie, à la visualisation, aux améliorations, aux transformations, à la classification, à l'évaluation de la précision et à la sortie des données, couplé à d'autres modules basés sur le SIG. Certains des principaux logiciels SIG qui ont un module de traitement d'images bien défini sont ERDAS Imagine, IDRISI, ENVI et ER Mapper, mais l'évaluation de la précision n'est pas prise en charge par ces logiciels pour l'évaluation de la sortie classifiée souple. Ainsi, un outil a été développé pour gérer ces problèmes dans cette étude. Cet outil se concentre principalement sur l'algorithme de classification souple. Il a été nommé Fuzzy Based Image classifier Tool (FBICET) qui intègre l'entropie. L'image satellite a été classée avec succès avec une bonne précision à l'aide du FBICET.