Телевидение
<<  По ом 1 класс зачем нам телефон телевизор OTT, IPTV или DVB какой путь получения контента выбирает зритель  >>
Институт автоматики и электрометрии со ран
Институт автоматики и электрометрии со ран
Обработка мультиспектральных спутниковых изображений высокого
Обработка мультиспектральных спутниковых изображений высокого
Обработка мультиспектральных спутниковых данных
Обработка мультиспектральных спутниковых данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Картинки из презентации «Типы растительности 6 класс» к уроку информатики на тему «Телевидение»

Автор: bs. Чтобы познакомиться с картинкой полного размера, нажмите на её эскиз. Чтобы можно было использовать все картинки для урока информатики, скачайте бесплатно презентацию «Типы растительности 6 класс.ppt» со всеми картинками в zip-архиве размером 4783 КБ.

Типы растительности 6 класс

содержание презентации «Типы растительности 6 класс.ppt»
Сл Текст Сл Текст
1Институт автоматики и электрометрии со 16Результат классификации методом ML. 16.
ран. Обработка гиперспектральных 17Классификация гиперспектральных
спутниковых изображений при исследовании изображений. Эффективность выделения
природных и антропогенных объектов О.И. кукурузы на тестовом изображении (при
Потатуркин, С.М. Борзов. ИАиЭ СО РАН, слиянии подклассов). Prod. Accuracy =. +.
г.Новосибирск. User Accuracy =. +. SID. SVM. ML. MahDist.
2Обработка мультиспектральных Prod. Accuracy (точность производителя).
спутниковых изображений высокого 9.45. 22.2. 36.0. 60.8. User accuracy
пространственного разрешения. Спектральные (точность пользователя). 46.0. 64.6. 61.1.
признаки. Нормализованный вегетационный 61.2. Время обработки. 20 мин. 2 часа. 22
индекс. Коротковолновый вегетационный мин. 22 мин. Точность при обучении по
индекс. Нормализованный водный индекс. фрагменту (%). Классифицировано как
Обобщённый индекс теней ? Обобщённый кукуруза. Кукуруза. - Верные решения -
индекс оголённых почв ? Индекс стресса. пропуск цели - ложная тревога. Результат
Покрытия дорог, крыши, открытые почвы ? выделения кукурузы методом ML – верно
Где ? ? значения 1 ? 3 главных компонент. выделенные пиксели – невыделенные пиксели.
2. 17.
3Обработка мультиспектральных 18Классификация гиперспектральных
спутниковых данных. Определение главных изображений. Эффективность классификации
компонент. Вычисление главных компонент фрагмента от количества ГС признаков.
сводится к поиску ортогональных проекций в метод SVM метод MahDist Различные способы
пространстве спектральных признаков с сокращения количества признаков:
наибольшим среднеквадратичным расстоянием Прореживание – выбор ГС признаков через
между точками (путем определения заданный интервал, PCA – выбор заданного
собственных значений ковариационной количества главных компонент, MNF –
матрицы исходных данных). Выборочная нормализация шума в спектральных каналах и
дисперсия данных вдоль первой координаты выбор заданного количества главных
максимальна (первая главная компонента компонент. Убывание информативности MNF
PC1); Выборочная дисперсия данных вдоль компонент фрагмента (1, 4, 8, 10
каждой следующей координаты максимальна компоненты). 18.
при условии ортогональности предыдущим 19Классификация гиперспектральных
координатам (вторая главная компонента PC2 изображений. Эффективность выделения
и т.п.). Первая главная компонента PC1. кукурузы на тестовом изображении (от
Вторая главная компонента PC2. 3. количества ГС признаков ). Сокращение
4Формирование гиперспектральных данных. количества признаков на основе MNF
Y. X. 4. позволяет повысить эффективность процедуры
5Формирование гиперспектральных данных. на 10%, снизив ее трудоемкость на два
Гиперспектральные (ГС) данные. 5. порядка. а б Точность выделения кукурузы
6Формирование гиперспектральных данных. от количества ГС признаков, выбранных: а –
Срезы гиперкуба ГС данных. Срез по ?. прореживанием, б - методом MNF. SVM. SVM.
Монохромное изображение. 6. SVM. MahDist. MahDist. MahDist. ML. ML.
7Формирование гиперспектральных данных. ML. Количество каналов. 5. 10. 200. 5. 10.
Влияние на регистрируемые данные 200. 5. 10. 200. Prod. Accuracy. 45.0.
атмосферы. Основные вклады в излучение, 69.6. 47.8. 14.0. 31.6. 60.8. 69.0. 71.7.
регистрируемое приемником: 1 – освещение 36.0. User Accuracy. 60.8. 66.8. 72.3.
сцены прямым солнечным излучением, 2 – 60.1. 60.0. 61.2. 55.4. 60.1. 61.1. Время
освещение сцены рассеянным излучением, 3 – обработки. 8 мин. 10 мин. 2 ч. 6 сек. 12
освещение сцены отраженным излучением, 4 – сек. 34 мин. 6 сек. 12 сек. 34 мин. 19.
излучение, отраженное от объектов сцены, 5 20Классификация гиперспектральных
– рассеянное излучение от объектов вне изображений. Эффективность классификации
поля зрения, 6 – рассеянное в атмосфере тестового изображения (от количества ГС
солнечное излучение. 7. признаков). Метод MahDist наиболее
8Спектральные характеристики различных устойчив к изменению соотношения (основан
объектов. Влияние атмосферы на спектр на усредненной по классам ковариационной
регистрируемого излучения. О2. Н2о. При матрице). а б Точность классификации от
увеличении дальности: - рост интенсивности количества признаков, выбранных методом
в синей области (рассеяние в атмосфере). - MNF: а – по 12 классам (исключены из
снижение интенсивности в ИК области рассмотрения 4 малые региона в обучающих
(поглощение кислорода и воды). Спектры данных), б – по 8 классам (выполнено
отраженного излучения. RGB композит ГС слияние трех подклассов кукурузы и трех –
изображения (спектры отражения выделенных сои). 20.
зон однотипной растительности). 8. 21Классификация гиперспектральных
Нормированные спектры отражения на разной изображений. Тестовое изображение
дальности. городской застройки. Национальная аллея,
9Спектральные характеристики различных Вашингтон. Размер изображения 307х1208,
объектов. Спектральный отклик 191 канал в диапазоне 0.4-2.4 мкм. Спектры
растительности. - Соотношение пигментов. - отражения различных поверхностей по
Модернизированный NDVI. Влияние пигментов обучающим данным. 21.
листа: 1 – отсутствие пигментов, 2 – 22Классификация гиперспектральных
антоцианины (макс. поглощения 0.5 - изображений. Карта классов фрагмента
0.55мкм), 3 – хлорофилл (0.45,0.65 мкм), 4 изображения городской застройки (с
– антоцианины и хлорофилл. 9. визуальным контролем). Вода. Вода, газон,
10Спектральные характеристики различных дорога, крыши, тень, лес, дорожка.
объектов. Определение положения красной Rgb-композит исходного изображения (каналы
границы поглощения. а б Нормированные 20,40,60). Результат классификации ML по 5
спектры отражения растительности в PCA каналам (принято в качестве наземных
различном состоянии на одной дальности (а) данных). 22.
и результаты их дифференциальной обработки 23Классификация гиперспектральных
по длине волны (б). REP – red edge изображений. Классификация изображения
position – красная граница поглощения городской застройки. Классификация MinDist
хлорофилла, определяется линейной по всем каналам (70.5%). Классификация SVM
экстраполяцией 1-й производной по всем каналам (84.0%). Классификация ML
спектральной кривой (через точки 680 нм, по 40 PCA каналам (81.9%). 23.
700 нм и 725 нм, 760 нм). 10. 24Классификация гиперспектральных
11Классификация гиперспектральных изображений. Эффективность классификации
изображений. Тестовое изображение тестового изображения городской застройки
природной зоны. Проект AVIRIS, полигон (от количества ГС признаков).
Индиан Пайс, штат Индиана, США, 12.06.92, Классификация на основе MNF признаков
размер 614х2677 пикселей, разрешение 20 малоэффективна из-за некорректной оценки
м/пикс, 220 каналов в диапазоне 0.4-2.5 шума каналов (в изображении с большим
мкм, выполнено разбиение на 16 классов, в количеством перепадов яркости). Выбор
т.ч. 14 различных типов растительности. более 5-10 признаков нецелесообразен.
Обучающая выборка. Классы: кукуруза ( Классификация SVM. Классификация MinDist.
no-till, min-till, clear), соя ( no-till, 24. Классификация ML.
min-till, clear), люцерна, пшеница, овес, 25Спектрально-пространственная
покос, трава/пастбище, скошенное пастбище, классификация гиперспектральных
трава/деревья, лес, стоянка транспорта, изображений. Включение пространственных
бетон/асфальт. Фрагмент тестового признаков в процесс классификации ГС
изображения (145х145 пк). Разбиение на 16 изображений. Базовый метод ECHO
классов по наземным данным. Тестовое (Extraction and Classification of
изображение. 11. Homogeneous Objects) реализуется в 2
12Классификация гиперспектральных этапа: - сцена сегментируется по ГС
изображений. Спектральная различимость признакам на статистически однородные
кукурузы и сои. Спектры отражения кукурузы области, рассчитываются средние (по
и сои по обучающим данным (усреднение по пикселям) спектры сегментов и данные
пикселям соответствующих классов). ?? ?? классифицируются путем сравнения с
Кукуруза. Соя. Межклассовый разброс эталонными спектрами. Развитие метода ECHO
параметров незначителен. ?? ?? Кукуруза и привело к возникновению
соя (нормировка на “soy_no”). Существенный объектно-ориентированных методов
внутриклассовый разброс параметров. 12. спектрально-пространственной классификации
13Классификация гиперспектральных изображений. Гиперспектральное
изображений. Методы классификации изображение. Попиксельная спектральная
изображений, учитывающие расстояние до классификация. Выделение однородных
центра распределения эталонного класса. сегментов наращиванием. Выбор маркеров.
SAM (spectral angle mapper) – метод Выбор класса голосованием. Уточненная
спектрального угла. Mindist – метод карта классов. Один из методов
минимального расстояния. SID (Spectral спектрально-пространственной
Information Divergence) – метод классификации. 25.
непосредственного сравнения спектров 26Выводы. Гиперспектральные изображения
(путем расчета дивергенции позволяют реализовать анализ тонкой
Кульбака-Лейблера). 13. структуры спектров пикселей и их
14Классификация гиперспектральных классификацию, однако, это требует
изображений. Методы классификации корректной калибровки ГС данных. Повышение
изображений, учитывающие распределение эффективности классификации
пикселей эталонного класса. Методы MahDist гиперспектральных изображений основано на
и ML требуют, чтобы при обучении возможности формирования принципиально
количество пикселей каждого эталонного новых спектральных признаков, например,
класса существенно превышало число определения (с высокой точностью)
спектральных каналов. ML - классификация положения красной границы полосы
по максимальному правдоподобию. SVM поглощения, которая характеризует
(support vector machine) – метод опорных различные состояния растительности.
векторов. MahDist - классификация по Наилучшая эффективность классификации
расстоянию Махаланобиса (предполагает типов растительности достигается при
равенство распределений). 14. применении методов, учитывающих
15Классификация гиперспектральных распределения классов в пространстве
изображений. Классификация обучающих признаков, что требует, однако,
данных. MinDist – метод минимального значительного объема данных для обучения.
расстояния, SAM – метод спектрального При этом метод Махаланобиса наиболее
угла, SID – метод сравнения спектральных устойчив к изменению отношения количества
кривых (дивергенция), SVM – метод опорных пикселей обучающей выборки к количеству
векторов, MahDist – метод по расстоянию спектральных каналов. При обработке ГС
Махаланобиса, ML – метод максимального изображений целесообразно использовать
правдоподобия. Точность классификации (% небольшое количество признаков (5-10),
верно классифицированных пикселей выделенных методом главных компонент. Его
фрагмента). Фрагмент тестового применение позволило повысить
изображения. Разбиение по наземным данным. эффективность классификации растительности
MinDist. SAM. SID. SVM. MahDist. ML. на 10%, снизив трудоемкость на два
MinDist. SAM. SID. SVM. MahDist. ML. порядка. Совместная обработка
Точность, %. 37.9. 43.0. 51.0. 85.7. 79.2. гиперспектральных и пространственных
99.9. Время обработки. 3 сек. 2 сек. 10 признаков представляется перспективной,
сек. 6 мин. 15 сек. 15 сек. 15. что обусловлено включением дополнительной
16Классификация гиперспектральных информации о коррелированности
изображений. Классификация тестового близкорасположенных пикселей. При этом
изображения. Кукуруза ( no-till, min-till, эффективность классификации ГС данных на
clear), соя ( no-till, min-till, clear), конечном этапе в значительной степени
люцерна, пшеница, овес, покос, зависит от качества предварительной
трава/пастбище, скошенное пастбище, сегментации изображений. 26.
трава/деревья, лес, стоянка транспорта, 27Спасибо за внимание! Институт
бетон/асфальт. Разбиение фрагмента автоматики и электрометрии со ран.
(обучающей выборки) по наземным данным.
Типы растительности 6 класс.ppt
http://900igr.net/kartinka/informatika/tipy-rastitelnosti-6-klass-221747.html
cсылка на страницу

Типы растительности 6 класс

другие презентации на тему «Типы растительности 6 класс»

«Отношение объектов» - Мост через пролив длиннее моста через ущелье. Мост через ущелье короче моста через пролив. Отношение - определённая связь двух и более объектов. Родители присматривают за ребёнком. Гепард является хищником. Отношения объектов. Колизей находится в Риме. Имя отношения обозначает характер связи между объектами.

«Спутниковое телевидение VIVA» - Discovery Science. Спутниковое телевидение «VIVA» сегодня: Discovery Civilisation пробуждает историю к жизни. Фильмовые. Познавательные. Бибигон. Развлекательные. В 2008 г. появятся новые телеканалы: Круглосуточный канал группы Discovery, посвященный истории и достижениям цивилизаций. Discovery Civilisation.

«Классы объектов C» - F или f G или g N или п X или х. System Object. Обработка параметров строки. Вывод значений с фиксированной точностью Общий (general) формат. Память для структурных типов выделяется из стека. Разрядность всех встроенных типов фиксирована и постоянна. WnteLine(“'Arg: {0}", args[x]): } Console. Объявление Main().

«Компьютерная графика» - Виды компьютерной графики отличаются принципами формирования изображения. Фрактальная графика. Компьютерная графика. Пиксел – наименьший элемент растрового изображения. Растр M x N (графическая сетка). Форматы файлов растровой графики. Области применения графики. 3D графика. Основным элементом растрового изображения является точка.

«Спутниковые антенны» - X можно найти используя теорему Пифагора. Расстояние до препятствия можно найти по карте, используя масштаб. -Направление антенны (азимут). В 1977 году был принят Международный план спутникового ТВ вещания. Расчет угла места. Начали использовать многолучевые антенны для быстрого перенацеливания на телеспутники.

«Изображение» - Сжатие изображений. Далее, проверить соседние области на однородность и слить, где возможно. Упражнения. Кодирование в двоичные значения опустить. Структуры баз данных для изображений. Затем восстановить (раскодировать) изображение. Примерная архитектура базы данных для изображений. Представление изображений.

Телевидение

27 презентаций о телевидении
Урок

Информатика

130 тем
Картинки
900igr.net > Презентации по информатике > Телевидение > Типы растительности 6 класс