Sorting coal and gangue is important in raw coal production; accurately identifying coal and gangue is a prerequisite for effectively separating coal and gangue. The method of extracting coal and gangue using image grayscale information can effectively identify coal and gangue, but the recognition rate of the sorting process based on image grayscale information needs to substantially higher than that which is needed to meet production requirements. A sorting method of coal and gangue using object surface grayscale-gloss characteristics is proposed to improve the recognition rate of coal and gangue. Using different comparative experiments, bituminous coal from the Huainan area was used as the experimental object. It was found that the number of pixel points corresponding to the highest level grey value of the grayscale moment and illumination component of the coal and gangue images were combined into a total discriminant value and used as input for the best classification of coal and gangue using the GWO-SVM classification model. The recognition rate could reach up to 98.14%. This method sorts coal and gangue by combining surface greyness and glossiness features, optimizes the traditional greyness-based recognition method, improves the recognition rate, makes the model generalizable, enriches the research on coal and gangue recognition, and has theoretical and practical significance in enterprise production operations.
PL
Sortowanie węgla i skały płonnej jest ważne w produkcji węgla surowego; dokładna identyfikacja węgla i skały płonnej jest warunkiem wstępnym skutecznego oddzielenia tych surowców. Metoda rozdzielenia węgla i skały płonnej przy użyciu informacji w skali szarości obrazu może skutecznie identyfikować węgiel i skałę płonną, ale stopień rozpoznawania procesu sortowania w oparciu o te informacje być znacznie wyższy niż wymagany do spełnienia wymagań produkcyjnych. W artykule zaproponowano metodę sortowania węgla i skały płonnej wykorzystującą charakterystykę połysku i skali szarości powierzchni obiektu w celu poprawy szybkości rozpoznawania węgla i skały płonnej. W badaniach wykorzystano próbki węgla kamiennego z obszaru Huainan. Stwierdzono, że liczbę punktów pikseli odpowiadającą najwyższemu poziomowi szarości momentu w skali szarości i składowej oświetlenia obrazów węgla i skały płonnej połączono w całkowitą wartość dyskryminującą i wykorzystano jako dane wejściowe dla najlepszej klasyfikacji węgla i skały płonnej przy użyciu modelu klasyfikacji GWO-SVM. Wskaźnik rozpoznawalności może osiągnąć nawet 98,14%. Ta metoda sortowania węgla i skały płonnej poprzez połączenie cech szarości i połysku powierzchni, optymalizuje tradycyjną metodę rozpoznawania w oparciu o szarość, poprawia współczynnik rozpoznawania, umożliwia uogólnienie modelu, wzbogaca badania nad rozpoznawaniem węgla i skały płonnej, ma znaczenie teoretyczne i praktyczne w operacjach produkcyjnych przedsiębiorstwa.
The remote sensing technique is crucial for creating maps showing land use and land cover from a procedure known as image classification. For the process of image classification to be successful, many aspects must be taken into consideration; one of these factors is the availability of high-quality Landsat images. This study aims to classify and map the studied area’s land use and cover using remote sensing and geographic information system techniques. This study is divided into two parts: part one focuses on classifying land use and land cover, while part two evaluates how accurate the classification is. Several classification methods are compared for their efficacy in this study. Some image classification methods have shown promising results when used to remote sensing data. An efficient classifier is necessary for extracting data from remote-sensing images. The maximum likelihood classification was the most effective classifier in our study. In this study, the Maximum Likelihood classification accuracy has achieved an overall accuracy of 91% and an overall kappa accuracy of 86.83%. This study provides essential data for planners and decision-makers to design sustainable environments.
The article discusses the monitoring of horizontal displacements of the channel of Dniester, the second largest river in Ukraine, based on topographic maps, satellite images, as well as geological, soil and quaternary sediment maps. Data processing has been carried out using the geographic information system ArcGIS. The monitoring over a 140-year period (1874–2015) has been performed at the river’s transition from a mountainous to plain terrain on the 67 km section of the river. During this period, maximum displacements in the study area were 590–620 m. The research examines water protection zones needed for channel displacements. The article describes the monitoring methodology and analyses changes over a period of 18 years (2000–2018). The analysis includes the anthropogenic influence on the channel in the monitoring area. Results of the research may be useful for construction and cadastral works related to the channel in the area concerned, as well as for water management.
From a management perspective, water quality is determined by the desired end use. Water intended for leisure, drinking water, and the habitat of aquatic organisms requires higher levels of purity. In contrast, the quality standards of water used for hydraulic energy production are much less important. The main objective of this work is focused on the development of an evaluation system dealing with supervised classification of the physicochemical quality of the water surface in the Moulouya River through the use of artificial intelligence. A graphical interface under Matlab 2015 is presented. The latter makes it possible to create a classification model based on artificial neural networks of the multilayer perceptron type (ANN-MLP). Several configurations were tested during this study. The configuration [9 8 3] retained gives a coefficient of determination close to the unit with a minimum error value during the test phase. This study highlights the capacity of the classification model based on artificial neural networks of the multilayer perceptron type (ANN-MLP) proposed for the supervised classification of the different water quality classes, determined by the calculation of the system for assessing the quality of surface water (SEQ-water) at the level of the Moulouya River catchment area, with an overall classification rate equal to 98.5% and a classification rate during the test phase equal to 100%.
Land cover mapping of marshland areas from satellite images data is not a simple process, due to the similarity of the spectral characteristics of the land cover. This leads to challenges being encountered with some land covers classes, especially in wetlands classes. In this study, satellite images from the Sentinel 2B by ESA (European Space Agency) were used to classify the land cover of Al Hawizeh marsh/Iraq Iran border. Three classification methods were used aimed at comparing their accuracy, using multispectral satellite images with a spatial resolution of 10 m. The classification process was performed using three different algorithms, namely: Maximum Likelihood Classification (MLC), Artificial Neural Networks (ANN), and Support Vector Machine (SVM). The classification algorithms were carried out using ENVI 5.1 software to detect six land cover classes: deep water marsh, shallow water marsh, marsh vegetation (aquatic vegetation), urban area (built up area), agriculture area, and barren soil. The results showed that the MLC method applied to Sentinel 2B images provides a higher overall accuracy and the kappa coefficient compared to the ANN and SVM methods. Overall accuracy values for MLC, ANN, and SVM methods were 85.32%, 70.64%, and 77.01% respectively.
The aim of the paper was to classify data from aerial laser scanning and CIR digital images, which were orientated, connected and aligned by the Agisoft Photoscan software. Then, in order to distinguish the ground a point cloud was generated. This was to create a correct terrain mesh and, in consequence, an orthophotomap. The next stage is to develop a new point cloud using ArcGIS. The land cover from the images was combined with the ground mapped by LiDAR. New heights were calculated relative to the ground surface height 0. The point cloud was converted into a raster form, providing a normalized Digital Surface Model (nDSM). It was the first element of the output composition, which also consisted of the NIR and RED channels, acquired from the cloud point generated in Agisoft. The colour composition obtained in such way was subjected to four object-oriented and pixel-oriented classification methods: I – ISO Cluster, II – Maximum Likelihood, III – Random Trees, IV – Support Vector Machine. Object grouping is possible due to information stored in the display content. This technique is prompted by human ability of image interpretation. It draws attention to more variables, so effects similar to human perception of reality are possible to achieve. The unsupervised method is based on a process of automatic search for image fragments, which allows assigning them to individual categories by a statistical analysis algorithm. In turn, supervised method uses “training datasets”, which are used to “teach” the program assigning individual or grouped pixels to classes [Benz UC et al., 2004]. The area studied for land development was the Lutowiska municipality, in the Podkarpackie Voivodeship, Bieszczady County. As a result of the classification, 11 classes of terrain features were distinguished: class 0 – road infrastructure, class 1 – roads, class 2 – buildings, class 3 – waters, class 4 – meadows, class 5 – arable lands, class 6 – pastures, class 7 – high vegetation, class 8 – medium vegetation, class 9 – low vegetation, class 10 – quarry. The area of research covers an area of about 28 km2. Aerial images were made in 2015. Field vision and photopoint measurement was carried out in May 2018.
PL
Celem opracowania jest klasyfikacja danych na podstawie lotniczego skaningu laserowego oraz zdjęć cyfrowych CIR. Do opracowania posłużyło oprogramowanie Agisoft Photoscan, w którym dokonano zorientowania, połączenia i wyrównania zdjęć. Następnie wygenerowano z nich chmurę punktów, z której wydzielono grunt. Miało to na celu poprawne utworzenie siatki terenu, a w konsekwencji ortofotomapy. Kolejny etap pracy to utworzenie nowej chmury punktów przy wykorzystaniu programu ArcGIS. Pokrycie terenu ze zdjęć połączono z gruntem z LiDAR. Obliczono nowe wysokości względem powierzchni terenu, któremu nadano wysokość 0. Dokonano konwersji chmury punktów do postaci rastrowej, uzyskując Znormalizowany Numeryczny Model Pokrycia Terenu. Był to pierwszy element kompozycji wyjściowej, która składała się także z kanału NIR oraz RED, pozyskanych z chmury wygenerowanej w Agisoft. Otrzymaną w ten sposób kompozycję barwną poddano czterem metodom klasyfikacji obiektowej i pikselowej: I- ISO Cluster, II- Maximum Likelihood, III- Random Trees, IV- Support Vector Machine. Grupowanie obiektowe jest możliwe dzięki informacji zapisanej w treści zobrazowania. Technika ta wykorzystuje podejście zainspirowane zdolnością interpretacji obrazu przez człowieka. Zwraca uwagę na więcej zmiennych, dzięki czemu można uzyskać efekty zbliżone do postrzegania rzeczywistości przez ludzi. Metoda Unsupervised bazuje na procesie automatycznego wyszukiwania fragmentów obrazu i przyporządkowania ich do poszczególnych kategorii za pomocą algorytmu wykorzystującego analizę statystyczną. Z kolei Supervised wykorzystuje „pola treningowe”, za pomocą których „uczy” program, do której klasy przyporządkować pojedyncze, czy też zgrupowane piksele [Benz U. C. i in., 2004]. Obszarem poddanym analizie jest gmina Lutowiska, w województwie podkarpackim, powiecie bieszczadzkim, na której dokonano analizy zagospodarowania terenu. W wyniku klasyfikacji wyodrębniono 11 klas form terenu: klasa 0- infrastruktura drogowa, klasa 1- drogi, klasa 2- budynki, klasa 3- woda, klasa 4- łąki, klasa 5- grunty orne, klasa 6- pastwiska, klasa 7- roślinność wysoka, klasa 8- średnia roślinność, klasa 9- roślinność niska, klasa 10- kamieniołom. Obszar opracowania stanowi powierzchnię ok. 28 km2. Zobrazowania lotnicze zostały wykonane w 2015r. Wizję terenową oraz pomiar fotopunktów przeprowadzono w maju 2018r.
Land use/land cover (LULC) maps are important datasets in various environmental projects. Our aim was to demonstrate how GEOBIA framework can be used for integrating different data sources and classification methods in context of LULC mapping.We presented multi-stage semi-automated GEOBIA classification workflow created for LULC mapping of Tuszyma Forestry Management area based on multi-source, multi-temporal and multi-resolution input data, such as 4 bands- aerial orthophoto, LiDAR-derived nDSM, Sentinel-2 multispectral satellite images and ancillary vector data. Various classification methods were applied, i.e. rule-based and Random Forest supervised classification. This approach allowed us to focus on classification of each class ‘individually’ by taking advantage from all useful information from various input data, expert knowledge, and advanced machine-learning tools. In the first step, twelve classes were assigned in two-steps rule-based classification approach either vector-based, ortho- and vector-based or orthoand Lidar-based. Then, supervised classification was performed with use of Random Forest algorithm. Three agriculture-related LULC classes with vegetation alternating conditions were assigned based on aerial orthophoto and Sentinel-2 information. For classification of 15 LULC classes we obtained 81.3% overall accuracy and kappa coefficient of 0.78. The visual evaluation and class coverage comparison showed that the generated LULC layer differs from the existing land cover maps especially in relative cover of agriculture-related classes. Generally, the created map can be considered as superior to the existing data in terms of the level of details and correspondence to actual environmental and vegetation conditions that can be observed in RS images.
Poniższa praca weryfikuje kompletność danych zawartych w ogólnopolskiej Bazie Azbestowej przy użyciu technik teledetekcyjnych z wybranej części gminy miejskiej Pruszków. Podjęto próbę inwentaryzacji cementowo-azbestowych pokryć dachowych przy użyciu wysokorozdzielczych zobrazowań multispektralnych wykonanych przez sensory satelity WorldView 2. We wstępie przedstawiono krótką charakterystykę materiału, jakim jest azbest oraz opisano „Program Oczyszczania Kraju z Azbestu na lata 2009-2032”. Następnie zaprezentowano źródła danych użytych do przeprowadzonych analiz. W części praktycznej opisano metody przygotowania danych, a także proces przeprowadzenia klasyfikacji nadzorowanej, której wynikiem było wykrycie cementowo-azbestowych dachów. Pomimo, że wysokorozdzielcze i multikanałowe zobrazowania nie zawierają wartości odbić dla najodpowiedniejszych do wykrycia azbestu długości fal, otrzymane wyniki można uznać za satysfakcjonujące (np. do celów weryfikacji dokładności inwentaryzacji pokryć azbestowych dla jednostek samorządu terytorialnego). Wyniki przeprowadzonej inwentaryzacji zostały porównane z krajową Bazą Azbestu dla jednej z dzielnic Pruszkowa - Żbikowa. Otrzymano znaczące rozbieżności pomiędzy obiema inwentaryzacjami.
EN
This study verifies the completeness of data contained in the national Asbestos Database, using remote sensing techniques in a selected area of Pruszków. The attempt was made to prepare an inventory of asbestos-cement roofs using the multi-spectral satellite imagery obtained from the high-resolution WorldView 2 satellite. In the introduction, a brief characteristic of the asbestos was presented and the National Asbestos Purification Program for 2009-2032 was described. Then, the sources of data used in the research were presented. The practical part presents the method of data preparation, and then, describes the process of conducting the supervised classification, which resulted in the detection of cement-asbestos roofing. Although the high-resolution and multi-channel WorldView-2 satellite does not record the best wavelength for the detection of asbestos covers, it led results that are satisfactory, e.g. for the purpose of monitoring the accuracy of inventory results carried out for the needs of local governments. The results of the conducted inventory were compared with the nationwide Asbestos Database for the Pruszków district - Żbików. There were significant discrepancies in the number of asbestos covered roofs that were inventoried.
9
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
The paper provides a comparison of three variants of algorithms for automatic assessment of some xamination tasks involving sketching a function graph based on image processing. Three types of functions have been considered: linear, quadratic, and trigonometric. The assumption adopted in the design of the algorithm is to map the way the examiner assesses the solutions and to achieve the evaluation quality close to the one obtained in manual evaluation. In particular, the algorithm should not reject a partly correct solution and also extract the correct solution from other lines, deletions and corrections made by a student. Essential subproblems to solve in our scheme concern image segmentation, object identification and automatic understanding. We consider several techniques based on Hough Transform, least square fitting and nearest neighbor based classification. The most reliable solution is an algorithm combining least square fitting and Hough Transform.
Based on the study of literature relating to the classification of forests using high resolution space images established that the main problem of classification is the separateness classes and close to the spectral brightness classes can not be identified with high accuracy. Classification using maximum likelihood algorithm, which generally gives better results compared with algorithms of spectral distance or Mahalanobis distance, does not lead to the definition of areas with a high probability. Therefore, the article examines approach of classification of forests using post-processing. Experimental studies were carried using an satellite image of the forested area of Precarpathian region obtained from QuickBird-2 (June 2010). Data collected during field research were used as Verification data to determine areas of different objects. The controlled classification has been performed using the method of the maximum likelihood, size of signatures for 8 classes were selected from 100 to 400 points. For these classes was calculated matrix of separation of classes, and was found a significant correlation between next classes: young conifer plantings and pine and mixed forest, and deciduous young plantings and deciduous forest. Post-processing significantly improves the reliability of determination of area, which consists in the assign to all pixel of the selected neighbourhood brightness of most points, although there is a dependency of reliability of determination of area from the size of the area. Accuracy of determination of areas are from 92 to 99%.
11
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
In this study, we considered the problem of controlling a prosthetic hand with noisy electromyography (EMG) and mechanomyography (MMG) signals. Several dimensionality reduction methods were analyzed to assess their efficiency at classifying these signals, which were registered during the performance of grasping movements with various objects. Using the cross-validation technique, we compared various dimensionality reduction methods, such as principal components analysis, nonnegative matrix factorization, and some tensor decomposition models. The experimental results demonstrated that the high-est classification accuracy (exceeding 95% for all subjects when classifying 11 grasping movements) and lowest computational complexity were obtained when higher-order singular value decomposition was applied to a multi-way array of multi-channel spectrograms, where the temporal EMG/MMG signals from all channels were concatenated.
This paper addresses the problem of classification of user sessions in an online store into two classes: buying sessions (during which a purchase confirmation occurs) and browsing sessions. As interactions connected with a purchase confirmation are typically completed at the end of user sessions, some information describing active sessions may be observed and used to assess the probability of making a purchase. The authors formulate the problem of predicting buying sessions in a Web store as a supervised classification problem where there are two target classes, connected with the fact of finalizing a purchase transaction in session or not, and a feature vector containing some variables describing user sessions. The presented approach uses the k-Nearest Neighbors (k-NN) classification. Based on historical data obtained from online bookstore log files a k-NN classifier was built and its efficiency was verified for different neighborhood sizes. A 11-NN classifier was the most effective both in terms of buying session predictions and overall predictions, achieving sensitivity of 87.5% and accuracy of 99.85%.
This study analyzes the evaluation of land cover supervised classification quality. Authors put forward the hypothesis that the overall accuracy of image classification depends on its division into parts of the same area. The dependence is described by the logarithmic curve – Т = 4.3004·ln(x) + 72.697, because the determination coefficient is maximum (R2 = 0.9678). The research area was the Yuntolovo reserve, the protected area near St. Petersburg (Russia). In order to increase the overall accuracy of the land cover automatic classification based on aerial images, a new methodology of data preprocessing was introduced. The proposed method of estimating the overall classification accuracy of land cover protected areas increases on average by 10% by dividing the source aerial image into no more than 10 equal parts. With further partitioning of the image into parts of the same area, the overall accuracy is slightly increased. Pixel-based image analysis of supervised classification and error matrix were evaluated using ILWIS 3.31 software and in our own software in .NET environment.
PL
W pracy dokonano analizy sposobów oceny jakości klasyfikacji pokrycia terenu na danych obrazowych. Autorzy wysunęli hipotezę, że ogólna dokładność klasy- fikacji obrazu zależy od jego podziału w procesie klasyfikacji na podobszary. Zależność tę opisano krzywą logarytmiczną Т = 4,3004⋅ln(x) + 72,697, dla której uzyskano najwyższy współczynnik determinacji (R2 = 0,9678). Badania prowadzono dla rezerwatu Yuntolovo, chronionego obszaru w pobliżu Sankt Petersburga (Rosja). W celu zwiększenia ogólnej dokładności automatycznej klasyfikacji pokrycia terenu na podstawie zdjęć lotniczych autorzy zaproponowali nową metodologię wstępnego przetwarzania danych. Proponowana metoda, polegająca na podziale obrazu klasyfikowanego na nie więcej niż dziesięć równych części, poprawia ogólną dokładność klasyfikacji pokrycia obszarów lądowych średnio o 10%. Podział na większą liczbę części nie zwiększa już znacząco jakości klasyfikacji, a dodatkowo wprowadza niejednoznaczności spowodowane zmniejszaniem próby uczącej. Klasyfikację obrazów i analizę dokładności prowadzono z wykorzystaniem pakietu ILWIS 3.31 oraz autorskiego oprogramowania stworzonego w środowisku NET.
14
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
In the paper is presented the application of supervised classification to determine the technical conditions of masonry structures. The supervised classification of the registered intensity of laser beam reflection and images from a digital camera are tested to detect dampness, salt stamps and vegetation cover on the surface of the retaining wall of levees. The analyses are referred to two clouds of points obtained with the use of two types of laser scanners which are using different wavelengths. In both cases, the intensity of reflections improved the results of supervised classification.
PL
W artykule przetestowano możliwości wykorzystania klasyfikacji nadzorowanej w ocenie stanu technicznego konstrukcji murowej. Przeprowadzono analizy wykorzystujące zdjęcia wykonywane przez skaner oraz rejestrowaną intensywność odbicia promienia laserowego do wykrywania zawilgoceń, wykwitów solnych oraz pokrycia roślinnego fragmentu muru oporowego wałów przeciwpowodziowych. Opracowywane chmury punktów pochodziły z dwóch typów skanerów laserowych pracujących na różnych długościach fali. W obydwu przypadkach wykorzystanie intensywności odbicia promienia laserowego w klasyfikacji nadzorowanej obrazów spowodowało nieznaczne polepszenie wykrywania ww. zjawisk na powierzchni muru.
Environmental changes are amongst the most important research subjects in geography. The changes may be natural, but also may be caused by human activity. Land cover is a significant component of the changing environment. Monitoring of its changes involves usage of satellite techniques. Landsat mission provides comparable data since forty years, very useful in land cover studies. Utilization of satellite techniques in such researches is developing quickly. This paper is an example of methods that enable quick and quite accurate assessment of range and spatial distribution of land cover changes. Practical application of image difference, principal component analysis and supervised classification to detect land cover changes is presented. Methods are applied to study area containing different land cover classes. Accuracy of methods was tested and compared. Combining methods presented in earlier researches, five new methods were developed: image difference, image difference with classification, classification, principal component analysis, principal component analysis with classification. Methods were applied to three different input datasets: pairs of images with different level of preprocessing. First dataset was a pair of georeferenced Landsat Thematic Mapper images. The second dataset was the same pair of images, atmospherically corrected using dark object subtraction method. Normalization of one image to the other provided the third dataset. Accuracy assessment was executed. Results were obtained from confusion matrices. Overall accuracy of methods was high, from 77% to 91%. Supervised classification was the most accurate method. Combining fully automatic methods with supervised classification has increased overall accuracy of automatic change detection, however not significantly. Studies on combining change detection methods should be continued. Future studies should concentrate on the automation of change detection process.
We show that the Monte Carlo feature selection algorithm for supervised classification proposed, by Dramiński et al. (2008), is not biased towards features with many categories (levels or values). While the algorithm, later extended to include the functionality of discovering interdependencies between features, is surprisingly simple and has been successfully used on many biological data and transactional data of commercial origin, and it has never revealed any bias of the type mentioned, the alleged property of its unbiasedness required a closer scrutiny which is thus provided here. Admittedly, the algorithm does reveal some bias coming from another source, but it is negligible. Hence our final claim is that the algorithm is practically unbiased and the results it provides can be considered fully reliable.
17
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
W pracy przedstawiono podstawy teoretyczne klasyfikatora maszyny wektorów podpierających oraz uzyskane przy jego zastosowaniu wyniki klasyfikacji obrazów wielospektralnych pozyskanych z 21 kanałowego systemu wielospektralnego obrazowania endoskopowego. Uzyskana rozróżnialność obszarów zmienionych chorobowo jest w ocenie lekarzy diagnostów wyższa niż w przypadku systemu Xillix Onco LIFE.
EN
The paper presents the theoretical basis and results obtained with use of the support vector machine classifier on multispectral image classification gained with 21-channel system for endoscopic multispectral imaging. Obtained distinguishability of pathological changes areas is higher than in the case of Xillix Onco LIFE system in the medical diagnosticians opinion.
Klasyfikacja tekstów jest szybko rozwijającą się dziedziną, korzystającą zarówno z metod sztucznej inteligencji, jak i metod wyszukiwania i udostępniania informacji (IR). W obecnym czasie, duża liczba praktycznych zastosowań tego zagadnienia wiąże się np. z sortowaniem tekstów naukowych, technicznych, medycznych, patentowych, wypełnianiem hierarchicznych katalogów sieciowych, selektywnym udostępniałem dokumentów, filtracją spamu. Zagadnienie kategoryzacji tekstów, ze względu na dużą liczbę atrybutów opisujących dokumenty, duży rozmiar zbioru uczącego, a także zależności pomiędzy atrybutami, jest wyzwaniem dla współczesnych metod badawczych. W pracy przedstawiono algorytm klasyfikacji tekstu, bazujący na metodzie centroidów oraz drzewie decyzyjnym. Zaprezentowano rozbudowane badania proponowanego algorytmu.
EN
Text classification is a growing area of research at the intersection of information retrieval (IR) and machine learning. The goal of text classification systems is to attach automatically labels to previously unseen electronic documents. These labels may indicate topics discussed in the document, the relevance of the document for a given user, the mailbox or newsgroup into which the document should be filed. Text categorization presents unique challenges due to the large number of attributes present in the data set, large number of training samples, and attribute dependencies. In this paper we present a supervised classification algorithm based on centroids method and decision trees. This paper presents comprehensive computational experiments examining the efficiency of proposed classification algorithms.
W badaniach wykorzystane zostały wieloczasowe zdjęcia satelitarne z lat 1979, 2000 i 2007 dla obszaru Słowińskiego Parku Narodowego charakteryzującego się dużą dynamiką zmian krajobrazu. Bazując na wynikach klasyfikacji nadzorowanej dla trzech roczników zdjęć satelitarnych obszaru Parku przeprowadzono badanie zmian pokrycia terenu i określono wielkość oraz kierunek przekształceń dla poszczególnych klas. Na podstawie map pokrycia terenu wykonano analizę korelacji krzyżowej w programie IDRISI. Wykonano również ilościową analizę zmian powierzchni poszczególnych klas pokrycia terenu w danym przedziale czasowym. Obliczone wielkości (pikselowe) zmian w zakresie poszczególnych form pokrycia dla obszarów w granicach Parku pozwoliły na utworzenie map przedstawiających tereny, które w okresie 1979÷2000 oraz 1979÷2007 uległy przekształceniu oraz map terenów „stałych”. W ramach badań przeprowadzona została ilościowa i jakościowa analiza stopnia i kierunku przekształceń poszczególnych elementów krajobrazu Parku w badanych okresach. W rezultacie określono procentowy poziom zmian dla danych form pokrycia terenu SPN z uwzględnieniem przejścia jednej kategorii w inną. Prace finansowane w ramach badań statutowych AGH nr 11.11.150.949.
EN
The research employed multitemporal satellite photos from 1979, 2000, and 2007 of the area of the Słowiński National Park, which is marked by its high dynamics of landscape changes. Based on the results of a supervised classification concerning three annual volumes of satellite images of the Park area, a research of the area coverage changes has been conducted, and the size of changes and direction of transformations for particular classes were determined. Using land cover maps, an analysis of cross correlation in IDRISI software was conducted, as well as a quantitative analysis of surface area changes of particular land coverage classes in certain time intervals. The calculated (pixel) volumes of changes in particular land coverage forms for the areas within the Park limits made it possible to create maps showing those areas, which in 1979÷2000 and in 1979÷2007 were subjected to transformations, as well as maps of "constant" areas. The scope of the research included a quantitative and qualitative analysis of the degree and direction of transformations of particular Park landscape elements in the examined time periods. As a result, percentage level of the changes for the area coverage forms of the Park were determined, allowing for transformations of one category into another.
Informacja bezpośrednia i pośrednia dotycząca powierzchni terenu i jego pokrycia zawarta w danych skaningu laserowego może być wykorzystana do klasyfikacji form pokrycia terenu. W artykule podjęto próbę oceny przydatności tego typu danych jako źródła informacji uzupełniających wektor cech, zbudowany na podstawie obrazów lotniczych, w procesie klasyfikacji pokrycia terenu. Wykorzystano dane skanowania laserowego pozyskane za pomocą systemu ScaLARS. Przeprowadzono szereg eksperymentów numerycznych polegających na klasyfikacji fragmentu obszaru doliny rzeki Widawy za pomocą różnych algorytmów klasyfikacji oraz przy różnych kombinacjach wektora cech branych pod uwagę. W testach wykorzystano jednokierunkowe sztuczne sieci neuronowe, metodę największej wiarygodności, oraz metodę k-najbliższych sąsiadów. Porównano jakość klasyfikacji opartej o następujące cechy: wartości kanałów RGB, parametry charakteryzujące teksturę, informacje o wysokości form pokrycia terenu estymowane na podstawie numerycznego modelu terenu oraz numerycznego modelu pokrycia terenu, model charakteryzujący rozrzut wartości wysokości danych skaningu zarejestrowanych na jednostce powierzchni oraz intensywność promienia laserowego. Ilościowa ocenę dokładności oparto o macierz niezgodności, obliczana na podstawie porównania otrzymanego wyniku klasyfikacji dla wektora testowego do wzorca wykonanego manualnie metoda digitalizacji. Najlepsze wyniki klasyfikacji otrzymano za pomocą klasyfikatora neuronowego. Stwierdzono ponadto, że zastąpienie modelu numerycznego pokrycia terenu wariancja wysokości surowych danych lotniczego skaningu laserowego daje poprawne rezultaty klasyfikacji przy znacznej redukcji obliczeń.
EN
The direct and indirect information about terrain surface and land use contained in laser scanning data sets allow to provide the automatic classification of land cover. An attempt of using scanning data as a supplementary source for such classification based on aerial photos was performed in this article. A continuous-wave (CW) ScaLARS laser system was used to receive scanning data. Numerous experiments consisting in the classification of a part of Widawa River valley were carried out in order to find the best combination of data set and classification method. Three classification methods were used: multilayer neural networks, maximum likelihood classifier and k-nearest neighbour method. The classification was made and evaluated using: aerial images (RGB model), texture features, differential model of height of land cover, based on digital surface model (DSM), and digital terrain model (DTM), model of height dispersion represented by variance of measured points height in a regular grid and intensity image. In order to quantify the quality of the results, a confusion matrix was created for each testing pattern based on manual digitalized reference data. The best results are obtained by artificial neural network classifier. The use of variance of height, instead of differential model, gives satisfactory results, and the obtaining of this feature is easy and fast in comparison to DTM and DSM building process.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.