Dvojkrokový genetický algoritmus založený na súbore na klasifikáciu krajinnej pokrývky

Abstraktné—Presné mapy využívania pôdy a krajinnej pokrývky (LULC) sú účinnými nástrojmi, ktoré pomáhajú dosiahnuť zdravé mestské plánovanie a presné poľnohospodárstvo. Ako inteligentná optimalizačná technológia sa genetický algoritmus (GA) v posledných rokoch úspešne aplikoval na rôzne úlohy klasifikácie obrázkov. Jednoduché GA však čelia výzvam, ako sú zložité výpočty, slabá odolnosť voči šumu a pomalá konvergencia. Tento výskum navrhuje dvojstupňový súborový protokol pre klasifikáciu LULC pomocou modelu GA založeného na priestorových odtieňoch šedej. Prvý súborový rámec používa fuzzy c-prostriedky na klasifikáciu pixelov na tie, ktoré sa ťažko zhlukujú a tie, ktoré sa dajú ľahko zhlukovať, čo pomáha zmenšiť priestor na vyhľadávanie pre evolučné výpočty. Rámec druhého súboru využíva susedné okná ako heuristické informácie na adaptívnu úpravu objektívnej funkcie a pravdepodobnosti mutácie GA, čo prináša cenné výhody pre diskrimináciu a rozhodovanie GA. V tejto štúdii sa na overenie účinnosti navrhovanej metódy využívajú tri výskumné oblasti v Dangyangu v Číne. Experimenty ukazujú, že navrhovaná metóda dokáže efektívne zachovať detaily obrazu, obmedziť šum a dosiahnuť rýchlu konvergenciu algoritmov. V porovnaní s referenčnými metódami je najlepšia celková presnosť dosiahnutá navrhovaným algoritmom 88,72 %. Indexové pojmy – Genetický algoritmus (GA), využitie krajiny a krajinná pokrývka (LULC), susedské okno, klasifikácia snímok diaľkového snímania, dvojkrokový súbor.

cistanche tubulosa - zlepšenie imunitného systému

I. ÚVOD

L AND use and land cover (LULC) hrá zásadnú úlohu v rôznych aspektoch, vrátane ekosystému a urbanistického plánovania, Rukopis dostal 18. apríla 2022; revidované 2. septembra 2022; prijaté 16. novembra 2022. Dátum zverejnenia 30. novembra 2022; dátum aktuálnej verzie 15. december 2022. Táto práca bola čiastočne podporovaná Národnou nadáciou pre prírodné vedy Číny v rámci grantu 62201438, grantu 61772397 a grantu 12005159, čiastočne prostredníctvom špeciálneho kľúča pre inovácie v oblasti lesnej vedy a technológie Shaanxi v rámci grantu SXLK{{ 13}}, čiastočne Programom základného výskumu prírodných vied v Shaanxi v rámci grantu 2021JC-23 a čiastočne Projektom vedeckej technológie a rozvoja Yulin Science and Technology Bureau v rámci grantu CXY-2020-094. (Yang Cao a Wei Feng prispeli k tejto práci rovnakým dielom.) (Zodpovedajúci autori: Wei Feng; a Yinghui Quan.) Yang Cao, Wei Feng, Yinghui Quan, Yijia Song a Aifeng Ren sú z oddelenia pre vedu a technológiu diaľkového snímania , School of Electronic Engineering, Xidian University, Xi'an 710071, Čína (e-mail: ycao6@stu.xidian.edu.cn; wfeng@xidian.edu.cn; yhquan@mail.xidian.edu.cn; yijia_son@ 163.com; afren@mail.xidian.edu.cn). Wenxing Bao pôsobí na School of Computer Science and Engineering, North Minzu University, Yinchuan 750021, Čína (e-mail: baowenxing@nun.edu.cn). Gabriel Dauphin pracuje v Laboratóriu spracovania a prenosu informácií, Institut Galilée, Univerzita Paris XIII, 93430 Villetaneuse, Francúzsko (e-mail: gabriel.dauphin@univ-paris13.fr). Mengdao Xing pracuje na Akadémii pokročilého interdisciplinárneho výskumu, Univerzita Xidian, Xi'an 710071, Čína (e-mail: xmd@xidian.edu.cn). Digital Object Identifier 10.1109/JSTARS.2022.3225665 a sociálna ekonomika, ktoré majú zásadný význam v systéme Zeme [1], [2], [3], [4]. Terénne štúdie, opierajúce sa o manuálnu interpretáciu, sú časovo a pracovne náročné spôsoby, ktoré nedokážu časovo klasifikovať stav využitia územia [5], [6], [7]. Naopak, nedávny pokrok v satelitnej technológii poskytuje vynikajúci potenciál pre presné rozlíšenie medzi rôznymi charakteristikami krajiny a rýchle vytváranie máp LULC rozsiahleho územia [8], [9], [10]. Klasifikácia snímok diaľkového snímania je zhruba rozdelená na kontrolované a nekontrolované prístupy [11], [12], [13], [14]. Vynikajúci výkon kontrolovaných klasifikátorov podstatne závisí od vysoko nákladných označených údajov, ktoré je ťažké získať [15]. Klasifikátory bez dozoru získavajú distribúciu údajov rozdelením obrazu do skupín pixelov s podobnými charakteristikami, ako sú K-means [16], ISODATA [17] a fuzzy c-means (FCM) [18], ktoré boli úspešne použité v Klasifikačná doména LULC. Napríklad Dang a kol. [19] navrhli klastrovanie viacerých jadier kolaboratívnych FCM s technikou váženej granulácie super-pixelov, ktorá dokáže zredukovať uvažované objekty klasifikácie krajinnej pokrývky z veľkého počtu pixelov na iba niekoľko stoviek superpixelov uvažovaných objektov. Paradis uvoľnil predpoklad homogénneho rozptylu v štandardnom algoritme k-means a predstavil novú metódu klasifikácie krajinnej pokrývky nazývanú pravdepodobnostné k-means (P-Kmeans) [20], táto metóda funguje dobre na šumových multispektrálnych údajoch a má podstatné zlepšenie v celková presnosť (OA) v porovnaní s jednoduchými k-priemermi. Bohužiaľ, predpovede týchto klasifikátorov zohľadňujú iba spektrálne vlastnosti a ignorujú ich priestorovú koreláciu, čo vedie k nízkej robustnosti. Zistilo sa, že spoločná priestorovo-spektrálna reprezentácia znakov zlepšuje odolnosť proti šumu algoritmov a znižuje chyby klasifikácie v mnohých existujúcich klasifikačných modeloch [21], najmä v algoritmoch fuzzy klastrovania [22], [23], [24]. FLICM [25] využíva merania podobnosti fuzzy priestoru a odtieňov sivej na zlepšenie zachovania detailov obrazu a zároveň zabezpečenie necitlivosti na šum. Zhang a kol. [26] vylepšili konvenčný algoritmus FCM pomocou adaptívnych váhových faktorov pre efekty susedných pixelov na základe nového modelu priestorovej príťažlivosti pixelov. Lei a kol. [27] navrhli jednoduchšie a výrazne rýchlejšie FRFCM zavedením operácie morfologickej rekonštrukcie a lokálneho filtrovania členstva. Wang a kol. [28] prezentovali FCM_SICM s adaptívnym obmedzením priestorovej intenzity a prepojením členstva, čím sa znižuje časová zložitosť objektívnej funkcie z O(n4). Vylepšené algoritmy FCM však stále predstavujú výzvy, pokiaľ ide o zníženie rušenia hluku.

Výhody cistanche tubulosa-posilnenie imunitného systému

Ukázalo sa, že problém klasifikácie krajiny možno rozložiť na viacero úloh binárnej klasifikácie [29]. Nájdenie optimálnej klasifikácie sa preto považuje za problém kombinatorickej optimalizácie. Počas posledného desaťročia došlo k pozoruhodnému prelomu vo výskume klasifikácie využívania krajiny na základe evolučných výpočtov [30], [31]. Napríklad Yang a kol. prezentovali techniku ​​založenú na optimalizácii roja častíc (PSO) a navrhli funkciu kritéria na identifikáciu krajinnej pokrývky [32]. Sarkar a spol. [33] použili maximálnu Rènyiho entropiu (MRE) na vyvinutie prístupu pre klasifikáciu krajinnej pokrývky bez dozoru založenú na diferenciálnom vývoji (DE), ktorá funguje dobre na dvoch široko používaných hyperspektrálnych obrazových údajoch. Genetické algoritmy (GA), efektívne globálne optimalizačné algoritmy, napodobňujú biologické genetické mechanizmy v procese prirodzeného výberu na určenie globálne optimálneho riešenia [34], [35], [36], [37]. Štandardné GA vyžaduje operáciu binárneho kódovania na reprezentáciu kandidátskeho riešenia vo forme reťazca [38], [39], [40]. V každej iterácii operátor kríženia náhodne vyberie dve kandidátske riešenia (tj rodičov) a vymení časť ich informácií, aby vytvoril nové riešenia (tj potomstvo), čo zvyšuje schopnosť populácie skúmať [41]. Podobne ako génová mutácia v prírode, aj operátor mutácie sa aplikuje na GA, aby zmenil časť informácií v riešeniach potomkov a zvýšil lokálnu vyhľadávateľnosť [42]. Operátor výberu vyberá kandidátske riešenia na základe zdatnosti každého člena populácie – rezervuje lepšie potomstvo a eliminuje zlé potomstvo. Tento mechanizmus zase zvyšuje rovnováhu medzi využívaním a prieskumom [43]. Pomocou vyššie uvedených genetických operátorov sa títo jedinci kombinujú, aby vytvorili novú generáciu kandidátskych skupín riešení, a proces sa opakuje, kým nie je splnený určitý index konvergencie. GA získava a zhromažďuje poznatky o smere hľadania počas procesu hľadania, a tak automaticky riadi smer hľadania, aby sa vytvorilo optimálne riešenie [44], ktoré sa úspešne aplikovalo na klasifikáciu snímok diaľkového prieskumu Zeme a dosiahlo dobré výsledky. V posledných rokoch sa objavilo mnoho vylepšených GA [45]. Stále však existujú nevyriešené problémy. 1) Rozsiahle výpočty. Konvergencia GA sa zhoršuje, keď sa súbor údajov zväčší. 2) Slabý protišumový výkon jednoduchého GA so zameraním na spektrálne prvky je zvyčajne citlivý na šum v obraze. 3) Predčasná konvergencia. GA má obmedzené možnosti vyhľadávania pre nový priestor a je náchylné spadnúť do lokálneho optima. Keďže údaje z diaľkového snímania sú charakterizované heterogenitou, zameriavame sa na súborové klasifikátory, ktoré zdôrazňujú komplementaritu medzi rôznymi klasifikačnými znakmi [46], [47], [48]. Kritickou myšlienkou stratégie súboru je miešať a kombinovať predpovede z rôznych klasifikačných pravidiel [49], [50]. V štúdii [51] sa navrhuje vysoko presný model klasifikácie súboru, ktorý poskytuje viacero nezávislých klasifikačných máp podľa rôznych deskriptorov prvkov. Štúdia [52] naznačuje, že súborový rámec pozostávajúci z dvojkrokového hlasovacieho mechanizmu môže do určitej miery potlačiť šum pôvodných obrazových údajov a spresniť klasifikáciu morského ľadu.

výhody doplnku cistanche-zvýšenie imunity

Kliknite sem pre zobrazenie produktov Cistanche Enhance Immunity

【Požiadať o viac】 E-mail:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

V tomto článku je navrhnutý vylepšený model GA (TE-nGA) založený na stratégii dvojstupňového súboru na klasifikáciu multispektrálnych obrázkov krajinnej pokrývky. Pre nedostatky GA je naším riešením použiť stratégiu súboru a priestorové okná nad klasickým GA na zlepšenie protišumového výkonu, presnosti klasifikácie a rýchlosti konvergencie. Hlavné príspevky tohto článku sú nasledovné. 1) Algoritmus FCM sa používa na klasifikáciu pixelov na tie, ktoré sa ťažko zhlukujú a tie, ktoré sa dajú ľahko zhlukovať, čo znižuje výpočtovú zložitosť. 2) Priestorové GA založené na odtieňoch šedej sa navrhuje zvážením okna priestorového susedstva pri vytváraní heuristických parametrov, aby sa zabránilo predčasnej konvergencii a citlivosti na šum. 3) Nový dvojkrokový súborový rámec s viacpásmovým klasifikačným mechanizmom sa používa na zníženie nestability riešenia a klasifikačných chýb.

II. NAVRHOVANÁ METÓDA KLASIFIKÁCIE

Vývojový diagram navrhovaného algoritmu je znázornený na obr. 1. Algoritmus pozostáva hlavne z nasledujúcich troch krokov: odšumovanie obrazu, hľadanie pixelov, ktoré je ťažké zhlukovať pomocou stratégie hlasovania, a reklasifikácia pomocou vylepšeného GA na základe súboru modelu a spektrálno-priestorového fúzie. Všimnite si, že druhý a tretí krok sú kritickými časťami navrhovaného algoritmu. Navrhovaná metóda je načrtnutá v algoritme 1.

A. Odšumovanie obrazu

Aby sa predišlo obrazovým artefaktom spôsobeným šumom obrazového snímača, ktorý ovplyvňuje kvalitu scény, algoritmus pozostáva najskôr z použitia blokovej zhody a 3-D filtrovania, existujúceho populárneho a efektívneho algoritmu odšumovania [53]. Charakteristiky tohto filtrovania sa vyberajú na základe týchto všeobecných informácií, ide o kompromis medzi znížením zostávajúceho šumu v rektifikovanom obraze a zachovaním zmien intenzity medzi susednými pixelmi patriacimi do rôznych zhlukov. Ukázalo sa, že tento algoritmus prekonáva iné filtrovacie algoritmy pri zlepšovaní kvality obrazu.

B. Prvá fáza zostavy – Hľadanie pixelov je náročné na zoskupenie

Bloková schéma na ľavej strane obr. 1 ukazuje multispektrálny obraz s D vlnovými dĺžkami, z ktorého možno extrahovať D-špecifické obrazy s veľkosťou H × W, označené ako I1, I2,..., ID. Prvým krokom je rozdelenie pixelov medzi tie, ktoré sa ťažko zhlukujú a tie, ktoré sa dajú ľahko zhlukovať, pričom aspoň pre jeden spektrálny obrázok je ich príslušnosť veľmi pravdepodobná. Preto sa zhlukovanie FCM aplikuje samostatne na každý spektrálny obrázok na klasifikáciu pixelov do N kategórií, kde N je vopred nastavené vizuálnou interpretáciou. Vytvára pre každý pixel, každú vlnovú dĺžku a každé členstvo v klastri.

Obr. 1. Vývojový diagram klasifikácie LULC založený na navrhovanej metóde.

kde Id(i, j) je intenzita pixelu (i, j) na d-tej vlnovej dĺžke, un d (i, j) je príslušnosť k n-tému zhluku pixelu (i, j) na d-tej vlnovej dĺžke, 1 Menšie alebo rovné d Menšie alebo rovné D, 1 Menšie alebo rovné n Menšie alebo rovné N. Pre d-tú vlnovú dĺžku je každý pixel označený štítkom kategórie cd(i, j), ako

na základe členstva sú pixely klasifikované ako ľahko zoskupiteľné Ke a ťažko zoskupiteľné Kd. Použitá prahová hodnota τ je parameter, ktorý zabezpečuje, že pixel (i, j) ∈ Ke, ktorý sa považuje za ľahko zhlukovateľný, má vysoký stupeň príslušnosti k príslušnému centru klastra. (N + 1)-tý klaster obsahuje pixely, ktoré sa ťažko zhlukujú a označujú sa ako Kd. Prístupy založené na hlasovaní môžu vyriešiť konflikty medzi rôznymi rozhodnutiami generovanými viacerými klasifikačnými pravidlami. V súlade s tým sú výsledky klasifikácie každej vlnovej dĺžky získané FCM integrované do mapy súboru C na základe väčšinového hlasovacieho princípu. Označenie pixla v C sa premapuje na zodpovedajúcu polohu filtrovaného multispektrálneho obrazu a získajú sa konečné reklasifikačné mapy označené ako I1, I2, . . ., ID, ako je snímka zobrazená v strede obr. 1. Po použití algoritmu FCM na preklasifikovanie pixelov na jednoduché a ťažko zhlukovateľné je teda otázka analýzy celého pôvodného obrázku prevedená na klasifikáciu zložité pixely.

C. Druhá etapa súboru-VylepšenýGA zohľadňujúce susedné pixely

Na pravej strane vývojového diagramu sú v rámci s názvom "The Second Round Ensemble" zobrazené dve úlohy: GA klasifikácia založená na spektrálnom-priestorovom spoločnom faktore a rozhodovací súbor pre viacpásmovú klasifikáciu. Keďže problém klasifikácie LULC je rozložený do viacerých úloh binárnej klasifikácie, mali by sme sa zaoberať sériovými podproblémami pre každú vlnovú dĺžku: či pixel (i, j) ∈ Kd patrí do x-tej kategórie. 1 Menšie alebo rovné x Menšie alebo rovné N. Nakoniec sa výsledky rozhodovania všetkých N binárnych klasifikačných máp skombinujú, aby sa získala klasifikačná mapa obsahujúca N typov krajinnej pokrývky. Pre každý problém binárnej klasifikácie sa vylepšené GA založené na spektrálnom priestore aplikuje na pixely označené ako (N + 1)-tá trieda, aby sa ďalej optimalizovali nejednoznačné označenia kategórií, znázornené v prerušovanom rámčeku na obr. interpretácia tohto vylepšeného GA na báze spektrálneho priestoru je nasledovná. 1) Dvojrozmerné kódovanie binárnych chromozómov: Pre ID obrázku možno z N klasifikačných úloh extrahovať N binárnych máp. Dvojrozmerné binárne kódovanie sa používa na udržanie priestorových štrukturálnych vlastností vyvinutých jedincov (jeden jednotlivec predstavuje jedno potenciálne rozhodnutie). Veľkosť kódovacej matice je rovnaká ako na obrázku s vlnovou dĺžkou, teda H × W. Na odhadnutie, či pixel (i, j) ∈ Kd patrí do x-tej kategórie, 1 Menšie alebo rovné x Menšie alebo rovné N, napr. každú vlnovú dĺžku zakódujeme pixely (i, j) ∈ Ke v triede x zoskupenej FCM ako 1 a nekategóriu x ako 0, kde sa ďalej nevykonáva žiadna operácia optimalizácie vývoja. Tieto body (i, j) ∈ Kd sú náhodne zakódované ako 0 alebo 1. Evolučná optimalizácia implementovaná v Kd preskúma všetky možné riešenia. 2) Funkcia fitness na základe okna susedstva: Funkcia fitness je najdôležitejším ukazovateľom na hodnotenie kvality jednotlivcov v populácii, čo súvisí s výberom jednotlivcov a vykonávaním genetických operátorov. Susedné pixely sú vo vysokej korelácii z hľadiska odtieňov sivej a textúry. V dôsledku toho sú doplnkové informácie o spektrách a priestore prijaté na vývoj zloženej fitness funkcie, ktorá poskytuje nový nápad na zlepšenie odolnosti proti šumu algoritmu. Pre n-tu zhlukovaciu úlohu na d-tej vlnovej dĺžke predpokladajme, že počet jedincov v populácii je P, CIp,n,d je dráha jedincov, 1 Menšie alebo rovné p Menšie alebo rovné P, 1 Menšie alebo rovné až n Menšie alebo rovné N, 1 Menšie alebo rovné d Menšie alebo rovné D. Fitness funkcia CIp,n,d je Fitness=1 OF, OF sa vypočíta podľa vzorca (3)

kde r ∈ {{{0}}, 1}, Rr označuje pixely zakódované ako 0 alebo 1 a ich kvantitatívne štatistiky sú reprezentované ako Nr. Stred r-tého klastra vr sa vypočíta ako priemer pixelov všetkých bodov patriacich do Rr. I d(i, j) je intenzita pixelu (i, j) na d-tej vlnovej dĺžke po aplikácii algoritmu zhlukovania FCM. Vo funkcii okolia Wr(i, j) sa predpokladá, že okná okolia sú štvorcové a ich dĺžka strany s sú nepárne celé čísla. N(i, j, s) predstavuje s × s susedné okno na indexovanom mieste (i, j). Nt(i, j, s) predstavuje intenzitu t-tého pixelu v okolí N(i, j, s). Stupeň členstva t-tého pixelu v N(i, j, s) patriaci do r-tého klastra sa označuje ako utr(i, j, s). lt(i, j, s) predstavuje priestorovú vzdialenosť medzi t-tým susedným pixelom a stredovým bodom (i, j). L je váha priestorovej vzdialenosti medzi stredovým bodom a jeho susednými pixelmi. 3) Operátor mutácie využívajúci informácie o susedstve: Nové generácie sa opakovane generujú prostredníctvom individuálneho výberu, jednotného kríženia a genetickej mutácie, ako je znázornené v prerušovanom rámčeku na obr. 1. Väčšina GA využíva globálnu pravdepodobnosť mutácie na implementáciu modifikácie označenia pre náhodné vybraných pixelov s rovnakou pravdepodobnosťou, čo neviditeľne spomaľuje rýchlosť konvergencie GA. Ako kritický technický operátor sa vytvorí vylepšená pravdepodobnosť heuristických mutácií v kombinácii s informáciami o susedstve, aby sa automaticky vypočítala vhodná pravdepodobnosť mutácie pre každý gén. Nasledujúce vzorce definujú túto novú pravdepodobnosť mutácie:

pre stredový pixel (i, j) uht(i, j, s) označuje stupeň členstva susedného bodu Nt(i, j, s) prislúchajúceho klastrovaciemu stredu vh, h ∈ {{{0} }, 1}. V dôsledku toho je pravdepodobnosť adaptívnej mutácie Pm(i, j) jednotlivých CIp,n,d vyjadrená vzorcom 8, kde P0 je základná pravdepodobnosť mutácie, tiež globálna pravdepodobnosť mutácie v klasickej GA; σ, exponent S, znamená váhu vplyvu susedskej informácie na pravdepodobnosť mutácie centrálneho pixelu. CIp,n,d(i,j) je binárne kódovanie jednotlivca cesty pre n-tú úlohu zhlukovania pri d-tej vlnovej dĺžke. lt(i, j, s) označuje priestorovú vzdialenosť medzi stredovým pixelom (i, j) a t-tým pixelom v N(i, j, s). Označenie Nt(i, j, s) je označené ako Ct, ak je u1t väčšie ako u0t, potom Ct=1; inak Ct=0. Vzhľadom na rôzne susedné okná, keď s=3, možno vypočítať, že S ∈ [0, 4+2√2]; keď s=5, S ∈ [0, 6+3√2+1.6 √5]. Prostredníctvom vyššie uvedeného mechanizmu môžu body (i, j) ∈ Kd adaptívne získať vhodné pravdepodobnosti mutácií na základe kategórie susedných pixelov. Keď je odhadovaná značka CIp,n,d(i,j) v súlade s väčšinou kategórií okolitých pixelov, je potrebná malá pravdepodobnosť mutácie na udržanie pôvodnej regionálnej homogenity. V opačnom prípade sa pravdepodobnosť mutácie zvýši, takže CIp,n,d(i, j) má tendenciu k väčšine kategórií v okolí N(i, j, s). Pomocou vyššie uvedených genetických operátorov sa opakovane generujú nové potomstvo. Jednotlivec s najvyššou zdatnosťou sa dostane na výstup, keď nie je splnená podmienka iterácie, ako je znázornené v krokoch 10–16 algoritmu 1. Všimnite si neobvyklé klasifikačné pravidlo tejto navrhovanej metódy z hľadiska klasifikácie LULC. Navrhovaný spektrálny priestorový GA vykonáva iba binárnu klasifikáciu na každom obrázku vlnovej dĺžky. Keď sa teda rozlišuje všetkých N typov využitia pôdy a N binárnych obrazov, výsledky klasifikácie sa zlúčia do kompletnej klasifikačnej mapy. Zjednodušene povedané, pixel(i, j) patrí do kategórie, ktorá ho v binárnej klasifikačnej mape označuje ako 1. Keď dve alebo viac binárnych máp označí pixel ako 1, pixel je klasifikovaný ako pixel s vyššou hodnotou fitness, ako je znázornené na obrázku 2 a v kroku 19 algoritmu 1.

Algoritmus 1: Postup navrhovaného modelu dvojstupňového súboru.

Obr. 2. Kombinácia štyroch máp výsledkov binárnej klasifikácie.

Nakoniec sa druhý súborový model aplikuje na klasifikačné mapy D s cieľom zlúčiť klasifikačné mapy zo všetkých vlnových dĺžok do konečnej mapy LULC. Pravidlá súboru sú nasledovné: predpokladajme, že existujú nk klasifikačné mapy klasifikujúce pixel (i, j) ako k-tú triedu a konečnú kategóriu CI(i, j)=k, ak nk > nx, kde x ∈ {1, 2,..., N}, x=k, N i{4}} ni=D. Všimnite si, že v integračnom rámci vždy selektívne odstraňujeme klasifikáciu výsledky v pásme NIR, pretože výsledky jeho klasifikácie sú často neuveriteľné.

III. EXPERIMENTÁLNE VÝSLEDKY

A. Úvod do údajov

Na overenie presnosti a účinnosti navrhovaného algoritmu sa používajú tri súbory údajov snímok diaľkového prieskumu, ktoré získal satelit Peking 2. Peking-2 je civilná komerčná konštelácia satelitov diaľkového snímania (DMC3) pozostávajúca z troch satelitov s vysokým rozlíšením. Bola spustená 11. júla 2015 z Indie a doručená na 651 km slnečno-synchrónne. Konštelačný systém v Pekingu-2 poskytuje približne 24 km široké panchromatické snímky s rozlíšením 0,8 m a modré, zelené, červené a blízke infračervené multispektrálne snímky na obežnej dráhe s rozlíšením 3,2 m, ktoré môžu poskytnúť satelitné údaje a priestorové informačné produkty na diaľku. s globálnym pokrytím a vynikajúcim priestorovým a časovým rozlíšením, schopným prehodnotiť akékoľvek miesto na zemeguli na jeden alebo dva dni. Experimentálne snímky boli získané v roku 2018. Testovacím miestom sú tri rôzne časti mesta Dangyang, provincia Hubei, Čína. V tomto článku sa berú do úvahy iba multispektrálne obrázky. Na týchto obrazových dátach sme vykonali atmosférickú korekciu prostredníctvom ENVI (5.3). Atmosférický model je subarktická zima a model aerosólu je vidiecky. Okrem toho, aerosólové vyhľadávanie, ktoré sme vybrali, je 2-pásmo (KT). Ostatné parametre boli predvolene nastavené. Všetky obrázky sú vopred spracované spoločnou registráciou. Okrem toho nám bola poskytnutá už označená klasifikácia všetkých obrázkov v štyroch alebo piatich triedach. Toto je založené na vyčerpávajúcej vizuálnej kontrole pozorovaním pôvodného obrazu a zaznamenanom na georeferencovanej mape ako základná pravda.

cistanche tubulosa - zlepšenie imunitného systému

B. Konfigurácia parametrov

V tomto experimente je prah τ FCM 0,8, veľkosť populácie je nastavená na 40, pravdepodobnosť kríženia Pc=0,8, pravdepodobnosť základnej mutácie P0=0,001 , exponent σ je 2, veľkosť okna okolia s je nastavená na 3 pixely s cieľom zachovať detaily obrazu a zároveň optimalizovať čas spracovania počítača a smer konvergencie. Na overenie účinnosti navrhovanej metódy je potrebných deväť existujúcich prístupov klasifikácie krajinnej pokrývky vrátane FCM, ENFCM [22], FGFCM [23], FLICM [25], ADFLICM [26], FRFCM [27], FCM{{14} }SICM [28], MRE-DE [33] a P-Kmeans [20]. Nastavenia parametrov sú identické s pôvodnou literatúrou, tu nie sú zopakované. Okrem toho má jednoduchý GA rovnaký parameter veľkosť populácie H a pravdepodobnosť kríženia Pc ako algoritmus navrhovaný v tomto článku, pravdepodobnosť mutácie Pm=0.01, ale bez informácií o susedstve môže čitateľ pochopiť, že veľkosť okna susedstva je 1. Najmä nGA zachováva genetický operátor pomocou susedských informácií, ale vymaže operáciu súboru existujúcu v TE-nGA.

C. Výsledky klasifikácie

Obr. 3–5 znázorňujú výsledky klasifikácie LULC vo farebných mapách zodpovedajúcich rôznym modelom pri testovaní na každom súbore údajov. Keďže tri snímky z diaľkového snímania obsahujú rôzne typy využitia krajiny, farebné znázornenie klasifikačnej tabuľky nie je jednotné. Podľa týchto výsledkov klasifikácie sú pre tri obrázky farebné mapy získané navrhovanou metódou jasnejšie a hladšie. Tabuľka I ukazuje časy (čas trvania) a OA dosiahnuté 12 modelmi a pri testovaní vo výskumných oblastiach na porovnanie výkonnosti klasifikácie s rôznymi metódami. Najlepšie experimentálne výsledky sú zobrazené tučným písmom. Možno konštatovať, že navrhovaná metóda poskytla najlepšie celkové výsledky s najvyššou OA 88,72 % a relatívne malým počtom chybných pixelov. Pre oblasť 3 sa pri použití susedných okien presnosť klasifikácie LULC zvýši o 28,35 %; Ešte dôležitejšie je, že TE-nGA dokáže skrátiť výpočtový čas na 9257,56 s v porovnaní s jednoduchým GA. Je to preto, že operátor heuristických mutácií TE-nGA môže adaptívne riadiť smer vyhľadávania, aby sa urýchlila konvergencia algoritmu, čo dokazuje, že navrhovaná metóda je vhodnejšia pre praktické scenáre. Okrem toho je nGA ekvivalentom operácie odstraňovania súboru TE-nGA, takže čitateľ môže pochopiť, že TE-nGA beží iba na jednopásmovom (band1) obrázku. Pre oblasť 3, keď sa zavedú rámce súboru, presnosť klasifikácie sa ďalej zlepší o 0,72 %, čo dokazuje efektívnosť stratégie súboru.

D. Analýza parametrov

Jednou zo zásad navrhovanej metódy je považovať informácie o priestorovom susedstve za heuristickú informáciu na adaptívnu úpravu objektívnej funkcie a pravdepodobnosti mutácie, čím sa zlepší odolnosť voči hluku a presnosť klasifikácie, ako aj rýchlosť konvergencie. Neznamená to však, že čím väčšia je veľkosť okna, tým lepší je efekt klasifikácie. Pokiaľ ide o tabuľku II, zvýšený výkon sa pozoruje pri zvažovaní informácií o priestorovom susedstve, keď sa veľkosť okna zväčšuje až na príslušný prah a potom sa zmenšuje. Všetko je preto, že vzorky ďalej od centrálneho pixelu len málo prispievajú k rozdeleniu podľa kategórií centrálneho pixelu a dokonca zhoršujú nesprávnu klasifikáciu. Vzhľadom na existujúce rozdiely v jase a textúre objektov na rôznych geografických miestach sa zdá, že optimálna veľkosť okna je 5 × 5 pre oblasť 1 a oblasť 2, ale 3 × 3 pre oblasť 3. Tento výsledok je možné pozorovať tučným písmom v tabuľke II, čo predstavuje najlepšiu presnosť a najrýchlejší čas konvergencie. Ďalej sme zistili, že pravdepodobnosť základnej mutácie P0 a exponent σ sú tiež životne dôležité faktory ovplyvňujúce výkonnosť klasifikácie. V našej štúdii sa na overenie interpretácie a klasifikácie LULC používajú rôzne P0 a σ. Obr. 6 zobrazuje variačné krivky OA ako P{{1{11}}}} a σ nárast. Ukázalo sa, že pre pevné σ, keď P0 rastie, celková presnosť klasifikácie sa najprv zvyšuje a potom znižuje. Tento výsledok sa očakáva, pretože malé P0 spôsobí, že vyhľadávanie sa obmedzí na pôvodný evolučný smer, a teda spadne do lokálneho optima; naopak, veľké P0 naruší dobrý evolučný vzorec a odchýli výsledky od optimálneho riešenia. Na druhej strane, ako sa σ zvyšuje, vplyv informácie o susedstve je výraznejší a najlepšia základná hodnota pravdepodobnosti sa postupne mení z vysokej na nízku. Vhodné váhy okolia sú vhodnejšie na získanie najlepších výsledkov klasifikácie. V našej výskumnej oblasti je najlepším exponentom σ ∈ {2, 3} a najvhodnejším rozsahom P0 je [10−5, 10−2].

Obr. 3. Výsledky klasifikácie oblasti 1. Obr. (a) Základná pravda. (b) FCM. c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. (l) nGA. (m) TE-nGA.

TABUĽKA I VÝSLEDKY HODNOTENIA ÔSMICH RÔZNYCH METÓD KLASIFIKÁCIE V TROCH ŠTUDIJNÝCH OBLASTIACH

Obr. 4. Výsledky klasifikácie oblasti 2. Obr. (a) Základná pravda. (b) FCM. c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. (l) nGA. (m) TE-nGA.

Obr. 5. Výsledky klasifikácie oblasti 3. Obr. (a) Základná pravda. (b) FCM. c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. i) nGA. (m) TE-nGA.

TABUĽKA II VÝSLEDKY HODNOTENIA NAVRHOVANEJ TE-NGA POUŽITÍM OKIEN RÔZNE VEĽKOSTI V TROCH ŠTUDIJNÝCH OBLASTIACH

Obr. 6. Analýza pravdepodobnosti základnej mutácie P0 a exponentu σ v pravdepodobnosti heuristickej mutácie.

IV. ZÁVER

Hlavným prínosom tejto štúdie je navrhnutie kvalitnej dvojstupňovej stratégie súboru a spektrálno-priestorového GA pre klasifikáciu LULC multispektrálnych snímok. Prvý súborový model vykonáva FCM na viacpásmových obrázkoch, čím sa úloha klasifikácie diaľkovo snímaných obrázkov znižuje na určovanie kategórie pixelov, ktoré je ťažké zoskupiť. Spracovanie druhého súboru zahŕňa dve úlohy. Po prvé, vylepšené GA kombinujúce spektrálne a priestorové informácie bolo vytvorené s cieľom ponúknuť inovatívne riešenia hádaniek, ako je pomalá konvergencia a slabý šum. Presne toto zlepšenie ťaží z nových fitness funkcií a pravdepodobnosti mutácie pomocou vhodného susedského okna. Potom sa prijme model súboru na integráciu výsledkov klasifikácie odvodených z viacerých pásových obrázkov, čo sa používa na zníženie rizika nesprávnej klasifikácie. Výsledky dokazujú, že navrhovaný TE-nGA má výhodnejší klasifikačný výkon a rýchlejšiu konvergenciu ako jednoduchý GA. V budúcnosti očakávame rozšírenie aplikácie navrhovanej techniky na ďalšie oblasti, ako je klasifikácia plodín, detekcia cieľov a klasifikácia hyperspektrálnych snímok.

Výhody cistanche tubulosa-posilnenie imunitného systému

LITERATÚRA

[1] T. Hermosilla, MA Wulder, JC White a NC Coops, "Klasifikácia krajinnej pokrývky v ére veľkých a otvorených údajov: Optimalizácia lokalizovanej implementácie a výberu tréningových údajov na zlepšenie výsledkov mapovania," Remote Sens. Environ., zv. . 268, 2022, čl. č. 112780.

[2] P. Helber, B. Bischke, A. Dengel a D. Borth, „EuroSAT: Nový súbor údajov a benchmark hlbokého učenia pre klasifikáciu využívania pôdy a krajinnej pokrývky“, IEEE J. Sel. Appl. Earth Observ. Remote Sens., zv. 12, č. 7, s. 2217–2226, júl 2019.

[3] C. Li, G. Xian, Q. Zhou a BW Pengra, "Nová metóda automatického fenologického učenia (APL) trénovania výberu vzoriek s použitím viacerých súborov údajov pre mapovanie krajinnej pokrývky v časovom rade", Remote Sens. Environ. , zv. 266, 2021, čl. č. 112670.

[4] S. Ji, D. Wang a M. Luo, "Generatívne prispôsobenie celopriestorovej domény založenej na adversariálnej sieti pre klasifikáciu krajinnej pokrývky z viaczdrojových obrazov diaľkového snímania", IEEE Trans. Geosci. Remote Sens., zv. 59, č. 5, s. 3816–3828, máj 2021.

[5] Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang a M. Xing, "Nová metóda obrazovej fúzie multispektrálnych a SAR obrazov pre klasifikáciu krajinnej pokrývky", Remote Sens. , zv. 12, č. 22, 2020, čl. č. 3801.

[6] B. Iqbal a M. Ali, "Odhad časopriestorovej teploty vzduchu zo satelitného lst v polosuchom až suchom prostredí v povodí Peshawar, severozápadný Pakistan," Adv. Space Res., zv. 70, č. 4, s. 961 – 975, 2022.

[7] H.-c. Shih, DA Stow, JR Weeks a LL Coulter, "Určenie typu a počiatočného času zmeny krajinnej pokrývky a využívania pôdy v južnej Ghane na základe diskrétnej analýzy časových radov hustých snímok Landsat," IEEE J. Sel. Appl. Earth Observ. Remote Sens., zv. 9, č. 5, s. 2064–2073, máj 2016.

[8] A. Jamil a B. Bayram, "Ťažba druhov stromov a klasifikácia využívania/pokrytie pôdy z digitálnych ortofotomáp s vysokým rozlíšením," IEEE J. Sel. Appl. Earth Observ. Remote Sens., zv. 11, č. 1, s. 89–94, január 2018.

[9] Z. Xue, P. Du a L. Feng, "Klasifikácia krajinnej pokrývky riadená fenológiou a analýza trendov na základe dlhodobých sérií snímok diaľkového snímania", IEEE J. Sel. Appl. Earth Observ. Remote Sens., zv. 7, č. 4, s. 1142–1156, apríl 2014.

[10] Q. Zhu a kol., "Detekcia zmien využívania krajiny/krajiny na základe siamského globálneho vzdelávacieho rámca pre snímky diaľkového snímania s vysokým priestorovým rozlíšením," ISPRS J. Photogrammetry Remote Sens., zv. 184, s. 63 – 78, 2022.

[11] W. Feng, G. Dauphin, W. Huang, Y. Quan a W. Liao, "Nová iteračná technika podvzorkovania na základe okrajov v modifikovaných náhodných lesoch na klasifikáciu", Knowl.-Based Syst., zv. 182, 2019, čl. č. 104845.

[12] W. Feng a kol., "Dynamický syntetický menšinový presamplovací postup založený na rotačnom lese na klasifikáciu nevyvážených hyperspektrálnych údajov," IEEE J. Sel. Appl. Earth Observ. Remote Sens., zv. 12, č. 7, s. 2159–2169, júl 2019.

[13] Y. Sun, L. Mou, Y. Wang, S. Montazeri a XX Zhu, „Vyhľadávanie veľkých výšok budov zo snímok s jednou SAR na základe regresných sietí bounding box“, ISPRS J. Photogrammetry Remote Sens., zv. 184, s. 79 – 95, 2022.

[14] R. Yang, X. Xu, Z. Xu, H. Dong, R. Gui a F. Pu, "Analýza dynamickej fraktálnej textúry pre klasifikáciu krajinnej pokrývky PolSAR", IEEE Trans. Geosci. Remote Sens., zv. 57, č. 8, s. 5991–6002, august 2019

[15] S. Saha, F. Bovolo a L. Bruzzone, "Detekcia zmien v obrazoch VHR SAR prostredníctvom hlbokého prekódovania bez dozoru", IEEE Trans. Geosci. Remote Sens., zv. 59, č. 3, s. 1917–1929, marec 2021.

[16] MK Islam, MS Ali, MS Miah, MM Rahman, MS Alam a MA Hossain, "Detekcia mozgového nádoru v MR obraze pomocou superpixelov, analýza hlavných komponentov a algoritmus zhlukovania k-priemerov založený na šablóne," Mach. Učte sa. Appl., zv. 5, 2021, čl. č. 100044.

[17] Q. Wang, Q. Li, H. Liu, Y. Wang a J. Zhu, "Vylepšený algoritmus ISODATA pre klasifikáciu hyperspektrálnych obrázkov," v Proc. 7th Int. Congr. Proces obrazového signálu., 2014, s. 660–664.

[18] S. Ghaffarian a S. Ghaffarian, "Automatické histogramové fuzzy cmeans clustering for remote sensing imagery," ISPRS J. Photogrammetry Remote Sens., zv. 97, s. 46–57, 2014.

[19] TH Dang, DS Mai a LT Ngo, "Algoritmus fuzzy zhlukovania viacerých jadier s váženými superpixelmi na klasifikáciu satelitných snímok krajiny," Eng. Appl. Artif. Intell., zv. 85, s. 85–98, 2019.

[20] E. Paradis, "Pravdepodobnostná klasifikácia bez dozoru pre rozsiahlu analýzu spektrálnych zobrazovacích údajov", Int. J. Appl. Earth Observation Geoinformation, roč. 107, 2022, čl. č. 102675.

[21] X. Hu, X. Wang, Y. Zhong a L. Zhang, „S3aNet: Sieť pozornosti v spektrálnom priestore pre komplexnú presnú klasifikáciu plodín na základe snímok UAVborne H2,“ ISPRS J. Photogrammetry Remote Sens., zv. 183, s. 147 – 163, 2022.

[22] L. Szilagyi, Z. Benyo, S. Szilagyi a H. Adam, "Segmentácia obrazu pána mozgu pomocou vylepšeného fuzzy c-means algoritmu", v Proc. 25. výročie. Int. Conf. IEEE Ing. Med. Biol. Soc., 2003, roč. 1, s. 724–726.

[23] W. Cai, S. Chen a D. Zhang, "Rýchle a robustné fuzzy c-means klastrovacie algoritmy zahŕňajúce lokálne informácie pre segmentáciu obrazu," Pattern Recognit., zv. 40, č. 3, s. 825–838, 2007.

[24] Y. Zhang, X. Bai, R. Fan a Z. Wang, "Deviation-sparse fuzzy c-means with sused information constraint," IEEE Trans. Fuzzy Syst., zv. 27, č. 1, s. 185–199, január 2019.

[25] S. Krinidis a V. Chatzis, "Robustný fuzzy lokálny informačný C-means clustering algorithm", IEEE Trans. Image Process., zv. 19, č. 5, s. 1328–1337, máj 2010.

[26] H. Zhang, Q. Wang, W. Shi a M. Hao, "Nový adaptívny fuzzy lokálny informačný C - znamená klastrovací algoritmus pre klasifikáciu snímok z diaľkového snímania", IEEE Trans. Geosci. Remote Sens., zv. 55, č. 9, s. 5057–5068, september 2017.

[27] T. Lei, X. Jia, Y. Zhang, L. He, H. Meng a AK Nandi, "Výrazne rýchly a robustný fuzzy C-means klastrovací algoritmus založený na morfologickej rekonštrukcii a filtrovaní členstva," IEEE Trans. Fuzzy Syst., zv. 26, č. 5, s. 3027–3041, október 2018.

[28] Q. Wang, X. Wang, C. Fang a W. Yang, "Robustný fuzzy C-znamená klastrovací algoritmus s adaptívnym priestorovým obmedzením a obmedzením intenzity a prepojením členstva pre segmentáciu obrazu šumu," Appl. Soft Comput., zv. 92, 2020, čl. č. 106318.

[29] G. Yiqiang, W. Yanbin, J. Zhengshan, W. Jun a Z. Luyan, "Klasifikácia obrazu z diaľkového snímania pomocou genetického algoritmu chaosu pri monitorovaní zmien využívania pôdy," Math. Výpočet. Model., zv. 51, č. 11, s. 1408–1416, 2010.

[30] M. Iqbal, B. Xue, H. Al-Sahaf a M. Zhang, "Opätovné použitie extrahovaných znalostí v genetickom programovaní pre klasifikáciu obrázkov medzi doménami", IEEE Trans. Evol. Comp., zv. 21, č. 4, s. 569–587, august 2017.

[31] R. Hamad, "Analýza rozrastania miest v okrese Soran, iracký Kurdistan založená na diaľkovom snímaní a GIS", SN Appl. Sci., zv. 2, č. 1, s. 1–9, 2019.

[32] H. Yang, Q. Du a G. Chen, "Znižovanie hyperspektrálnej dimenzie založené na optimalizácii roja častíc pre klasifikáciu mestskej pokrývky," IEEE J. Sel. Appl. Earth Observ. Remote Sens., zv. 5, č. 2, s. 544–554, apríl 2012.

[33] S. Sarkar, S. Das a SS Chaudhuri, "Segmentácia hyperspektrálneho obrazu pomocou viacúrovňového prahovania založeného na Rényiho entropii s pomocou diferenciálnej evolúcie", Expert Syst. Appl., zv. 50, s. 120–129, 2016.

[34] S. Sen Gupta, S. Hossain a K.-D. Kim, "Obraz podobný HDR z fúzie pseudoexpozičných obrázkov: Prístup genetického algoritmu," IEEE Trans. Spotreba. Electron., zv. 67, č. 2, s. 119–128, máj 2021.

[35] C. Peng, X. Wu, W. Yuan, X. Zhang, Y. Zhang a Y. Li, „MGRFE: Eliminácia viacvrstvových rekurzívnych funkcií na základe vloženého genetického algoritmu na klasifikáciu rakoviny“, IEEE/ACM Trans . Výpočet. Biol. Bioinf., zv. 18, č. 2, s. 621–632, marec/apríl. 2021.

[36] HH Zhang, ZS Xue, XY Liu, P. Li, L. Jiang a GM Shi, „Optimalizácia vysokorýchlostného kanála pre integritu signálu s hlbokým genetickým algoritmom“, IEEE Trans. Electromagn. Compat., zv. 64, č. 4, s. 1270 – 1274, august 2022.

[37] Z. Huang, W. Wu, H. Liu, W. Zhang a J. Hu, "Identifikácia dynamických zmien na vodnej hladine pomocou sentinelových{1}} údajov založených na genetickom algoritme a technikách strojového učenia", Remote Sens., zv. 13, č. 18, 2021, čl. č. 3745.

[38] F. Ye, C. Doerr, H. Wang a T. Bäck, "Automatická konfigurácia genetických algoritmov ladením pre výkon kedykoľvek", IEEE Trans. Evol. Comp., zv. 26, č. 6, s. 1526–1538, december 2022.

[39] MG Souza, EE Vallejo a K. Estrada, "Detecting klastrovaných nezávislých asociácií zriedkavých variantov pomocou genetických algoritmov," IEEE/ACM Trans. Výpočet. Biol. Bioinf., zv. 18, č. 3, s. 932–939, máj/jún. 2021.

[40] T. Dutta, S. Dey, S. Bhattacharyya, S. Mukhopadhyay a P. Chakrabarti, "Hyperspektrálne viacúrovňové prahovanie obrazu pomocou genetického algoritmu qutrit", Expert Syst. Appl., zv. 181, 2021, čl. č. 115107.

[41] Y.-R. Chen, J.-W. Chen, S.-C. Hsieh a P.-N. Ni, "Aplikácia technológie diaľkového snímania na interpretáciu využívania pôdy na zosuvy pôdy vyvolané dažďom na základe genetických algoritmov a umelých neurónových sietí," IEEE J. Sel. Appl. Earth Observ. Remote Sens., zv. 2, č. 2, s. 87–95, jún 2009.

[42] D. Corus a PS Oliveto, "Štandardné ustálené genetické algoritmy môžu stúpať do kopca rýchlejšie ako iba mutácie evolučné algoritmy," IEEE Trans. Evol. Comp., zv. 22, č. 5, s. 720–732, október 2018.

[43] TL Cerqueira, FC Bertoni a MG Pires, "Inštancia genetického výberu pre optimalizáciu systémov založených na fuzzy pravidlách na klasifikáciu názorov", IEEE Latin Amer. Trans., zv. 18, č. 7, s. 1215–1221, júl 2020.

[44] JE Batista, AIR Cabral, MJP Vasconcelos, L. Vanneschi a S. Silva, "Zlepšenie klasifikácie krajinnej pokrývky pomocou genetického programovania na konštrukciu prvkov," Remote Sens., zv. 13, č. 9, 2021, čl. č. 1623.

[45] A. Mohammadi, H. Asadi, S. Mohamed, K. Nelson a S. Nahavandi, "Multiobjektívne a interaktívne genetické algoritmy pre ladenie hmotnosti modelu prediktívneho riadiaceho algoritmu navádzania pohybu", IEEE Trans. Cybern., zv. 49, č. 9, s. 3471–3481, september 2019.

[46] A. Khoder a F. Dornaika, "Ensemble learning through feature selection and multiple transformed subsets: Application to imageklasification," Appl. Mäkký. Comp., zv. 113, 2021, čl. č. 108006.

[47] W. Feng, W. Huang a W. Bao, "Nevyvážená hyperspektrálna klasifikácia obrazu s adaptívnou súborovou metódou založenou na SMOTE a rotácii lesa s diferencovanými vzorkovacími rýchlosťami", IEEE Geosci. Remote Sens. Lett., zv. 16, č. 12, s. 1879–1883, december 2019.

[48] ​​W. Feng a kol., "Polokontrolovaný les rotácie založený na teórii okrajov súboru pre klasifikáciu hyperspektrálneho obrazu s obmedzenými trénovacími údajmi," Inf. Sci., zv. 575, s. 611 – 638, 2021.

[49] Z. Zhu, Z. Wang, D. Li, Y. Zhu a W. Du, "Učenie geometrických štruktúrnych súborov pre nevyvážené problémy," IEEE Trans. Cybern., zv. 50, č. 4, s. 1617–1629, apríl 2020.

[50] Q. Sun a Z. Ge, "Hlboké učenie pre priemyselnú predikciu KPI: Keď sa učenie súboru stretne s údajmi pod dohľadom", IEEE Trans. Ind. Informat., zv. 17, č. 1, s. 260 – 269, január 2021.

[51] X. Gu, C. Zhang, Q. Shen, J. Han, PP Angelov a PM Atkinson, "Sebatréningový hierarchický prototypový súborový rámec pre klasifikáciu scén diaľkového snímania", Inf. Fusion, zv. 80, s. 179 – 204, 2022.

[52] B. Wang, L. Xia, D. Song, Z. Li a N. Wang, „Metóda učenia súboru založená na stratégii dvojkolového váženia na klasifikáciu morského ľadu sentinelových-1 snímok, " Remote Sens., zv. 13, č. 19, 2021, čl. č. 3945.

[53] K. Dabov, A. Foi, V. Katkovnik a K. Egiazarian, "Image denoising by sparse 3-D transform-domain collaborative filtering," IEEE Trans. Image Process., zv. 16, č. 8, s. 2080–2095, august 2007.