Tehnici neuronale pentru analiza imaginilor [616552]

Universitatea “Politehnica” din București
Facultatea de Electronică, Telecomunicații și Tehnologia Informației

Tehnici neuronale pentru analiza imaginilor
satelitare multispectrale de observa ție terestră

Proiect de diplomă

prezentat ca cerință p arțială pentru obținerea titlului de
Inginer în domeniul Electronică și Telecomunicații
programul de studii de licență Electronică aplicată

Conducător științific Absolvent: [anonimizat]. Victor -Emil NEAGOE George Marius Statie

2016

3
Universitatea “Politehnica” din București
Facultatea de Electronică, Telecomunicații și Tehnologia Informației
Departamentul Electronică Aplicată și Ingineria Informației

Aprobat Director de Departament:

Prof. D r. Ing. Sever Pașca

TEMA PROIECTULUI DE DIPLOMĂ
a student: [anonimizat], grupa 443B

1. Titlul temei: Tehnici neuronale pentru analiza imaginilor satelitare multispectrale de
observație terestră

2. Contribuția practică, originală a student: [anonimizat]:

 Proiectarea și implementarea software a următorilor algoritmi pentru recunoașterea
pixelilor multispectrali :

-Multi Layer Perceptron (MLP)

-Radial Basis Function Network (RBF)

-Nearest Neighbor (NN)
 Se va utiliza o bază de date Landsat TM
 Se vor testa comparativ algoritmii menționați și se vor evalua următoarele
performanțe:
-Scorul de clasificare corectă
-Matricea de confuzie

3. Realizarea practică/ proiectul rămân atât în proprietatea UPB cât și a st udentului

4. Proprietatea intelectuală asupra proiectului aparține atât UPB cât și a student: [anonimizat]

5. Locul de desfășurare a activității: UPB

6. Data eliberării temei: 2.12.2015

CONDUCĂTOR LUCRARE: STUDENT: [anonimizat]. Victor -Emil NEAGOE Statie Ge orge Marius

4

6

7
Cuprins

Lista figurilor ………………………….. ………………………….. ………………………….. ………………………….. ……… 9
Lista acronimelor ………………………….. ………………………….. ………………………….. ………………………….. 13
1.1 Prezentarea domeniului lucrării de diplomă ………………………….. ………………………….. ………. 15
1.2 Scopul lucrării de licență ………………………….. ………………………….. ………………………….. ………. 17
1.3 Conținutul lucrării de licență ………………………….. ………………………….. ………………………….. … 18
Capitolul 2. Tehnici de clasificare pentru analiza imaginilor satelitare ………………………….. ……… 19
Clasificatorul Nearest Neighbor( Cel mai apropiat vecin 1 -NN) ………………………….. ……………. 21
2.2 Clasificatorul Multilayer Perceptron (MLP) ………………………….. ………………………….. ………. 23
2.3 Clasificatorul Radial Basis Function Network (RBF) ………………………….. ………………………. 25
2.4 Clasificare folosind fuziunea deciziilor ………………………….. ………………………….. ……………….. 27
Capitolul 3. Descrierea modelului implementat ………………………….. ………………………….. …………… 28
3.1 Clasificarea pixelilor multispectrali din imagini sateliatre ………………………….. ………………. 28
3.1.1 Clasificarea cu algoritmul Nearest Neighbor ………………………….. ………………………. 29
3.1.3 Clasificarea cu algoritmul Radial Basis Function Network ………………………….. …. 31
3.2 Detecția zonelor de interes în imagini ………………………….. ………………………….. …………………. 32
Capitolul 4. Rezultate experimentale ………………………….. ………………………….. ………………………….. . 33
4.1 Baza de date Landsat 7 TM ………………………….. ………………………….. ………………………….. …… 33
4.2 Rezultatele experimentale ale clasificării pixelilor multispectrali ………………………….. …….. 37
4.2.1 Rezultate obținute folosind clasificatorul 1 -NN ………………………….. …………………… 37
4.2.2 Rezultate obținute folosind clasificatorul Multilayer Perceptron ……………………… 39
4.2.3 Rezultate obținute folosind clasificatorul R adial Basis Function Network ………… 41
4.3 Rezultatele experimentale al detecție zonelor de interes ………………………….. ………………….. 42
Capitolul 5. Concluzii ………………………….. ………………………….. ………………………….. …………………….. 45
ANEXĂ ………………………….. ………………………….. ………………………….. ………………………….. …………….. 49

8

9

Lista figurilor

Figure 1 Observarea Pământului prin intermediul satelițiilor ………………………….. …………………………. 15
Figure 2 Teledetecția ………………………….. ………………………….. ………………………….. ……………………….. 16
Figure 3 Imagine satelit din zona Chattisgarh, India centrală si exemplu de clasificare ………………….. 17
Figure 4 Exemplu clasificare Imagine satelit ………………………….. ………………………….. …………………… 17
Figure 5 Suprafata de decizie a unui clas ificator NN ………………………….. ………………………….. ………… 21
Figure 6 Rețea Multilayer Perceptron cu trei straturi de neuroni ( strutura clasică) ……………………….. 23
Figure 7 Arhitectura rețelei RBF ………………………….. ………………………….. ………………………….. ……….. 25
Figure 8 Funcție ra dială de tip gaussian ………………………….. ………………………….. ………………………….. 26
Figure 9 Variația funcției radiale de tip gaussian pentru o valoare mare/mică a parametrului 'spread' 27
Figure 10 Clasificare folosind fuziunea deciziilor ………………………….. ………………………….. ……………. 27
Figure 11 Clasificare supervizată ………………………….. ………………………….. ………………………….. ………. 28
Figure 12 Modelul aplicației de clasificare ………………………….. ………………………….. ……………………… 28
Figure 13 Exemplu de testare al algoritmului 1 -NN pe clasica bază de date Iris flower. ………………… 29
Figure 14 Exemplu de clasificare k -NN pe Landsat dataset ………………………….. ………………………….. . 29
Figure 15 Exemplu de clasificare MLP pe Landsat dataset ………………………….. ………………………….. .. 30
Figure 16 Satelitul Landsat 7 înainte de lansare ………………………….. ………………………….. ……………….. 33
Figure 17 Banda 2 Landsat 7 ………………………….. ………………………….. ………………………….. …………….. 33
Figure 18 Banda 1 Landsat 7 ………………………….. ………………………….. ………………………….. …………….. 33
Figure 19 Imagini multispectrale Landsat TM ………………………….. ………………………….. …………………. 34
Figure 20 Lungimile de undă ale radiației electromagnetice în spectrul vizibil și infraroșu ale benzi lor
spectrale pentru Landsat 7 TM ………………………….. ………………………….. ………………………….. ………….. 34
Figure 21 Banda 4 Landsat 7 ………………………….. ………………………….. ………………………….. …………….. 35
Figure 22 Banda 3 Landsat 7 ………………………….. ………………………….. ………………………….. …………….. 35
Figure 23 Banda 5 Landsat 7 ………………………….. ………………………….. ………………………….. …………….. 35
Figure 24 Banda 6 Landsat 7 ………………………….. ………………………….. ………………………….. …………….. 35
Figure 25 Pixeli etichetați ………………………….. ………………………….. ………………………….. ………………… 35
Figure 26 Banda 7 Landsat 7 ………………………….. ………………………….. ………………………….. …………….. 35
Figure 27 Harta clasificată cu algoritmul 1 -NN ………………………….. ………………………….. ……………….. 38
Figure 28 Harta clasificată cu algoritmul MLP (30 neuroni în st ratul ascuns) ………………………….. ….. 40
Figure 29 Detecția zonei de apă cu 1 -NN ………………………….. ………………………….. ……………………….. 42
Figure 30 Detecția zonei de apă cu MLP ………………………….. ………………………….. ………………………… 43
Figure 31 Detecția zonei de interes rezultată prin fuziu nea deciziilor ………………………….. ……………… 44
Figure 32 Comparație clasificatoare MLP -RBF ………………………….. ………………………….. ……………….. 45

10

11
Lista tabelelor
Table 1 Exemplul de detecție a zonelor de interes ………………………….. ………………………….. ……………. 32
Table 2 Pixeli etichetați ………………………….. ………………………….. ………………………….. ……………………. 36
Table 3 Scor de clasificare pentru 1 -NN ………………………….. ………………………….. …………………………. 37
Table 4 Matricea de confuzie pentru algoritmul 1 -NN ………………………….. ………………………….. ……… 37
Table 5 Scor de clasificare pentru MultiLayer Perceptron ………………………….. ………………………….. …. 39
Table 6 Matricea de confuzie pentru alg oritmul MLP ………………………….. ………………………….. ……… 39
Table 7 Scor de clasificare pentru Radial Basis Function Network ………………………….. ………………….. 41
Table 8 Matricea de confuzie pentru algoritmul RBF ………………………….. ………………………….. ………… 41
Table 9 Scorul de clasificare pentru zona de apă rezultat prin fuziunea dec iziilor …………………………. 42
Table 10 Scorul de clasificare pentru zona urbană rezultat prin fuziunea deciziilor ……………………….. 42
Table 11 Scorurile de clasific are totale ale algoritmilor analizați ………………………….. ……………………. 45

12

13

Lista acronimelor

BD = Bază de date
NN = Nearest Nighbour
MLP = MultiLayer Perceptron
RBF = Radial Basis Function
NASA = National Aeronautics and Space Administration
TM = Thematic Mapper

14

15
Capitolul 1. Introducere

1.1 Prezentarea domeniului lucrării de diplomă

Domeniul de studiu al lucrării este Inteligența artificială și recunoașterea formelor,
având ca obiect de analiza imaginile satelitare. Unul dintre obiectivele analizei si interpretării
computerizate a imaginilor este acela de a construi sisteme capabile să demonstreze diferite
grade de int eligență, care să se apropie de comportamentul uman. Prin inteligență ne referim la
capacitatea de a învăța din exemple, de a generaliza cunoștințe obținute la situații noi și la
capacitatea de a face deducții corecte pe baza unor date incomplete.
Analiza imaginilor satelitare este obiectul de studiu al domeniului tehnic numit
’Teledetec ție’, acesta ocupându -se cu detectarea, măsurarea, înregistrarea și vizualizarea sub
formă de imagini, a radiațiilor electromagnetice emise de obiecte, de la distanță , fără a avea
contact direct cu acestea. Printre aplicațiile teledetecțieie se număra sesizarea unui obiect prin
localizarea lui in spațiu, natura si caracteristicile lui fizice. Caracterul obiectiv al imaginilor de
teledetecție, depășește ceea ce oferă harta în cercetarea mediului..
Teledetecția a fost folosită la scară largă odata cu lansarea primul satelit de observație
terestră Landsat 1.

“Știința și arta de a obține informații utile despre un anumit obiect, areal sau fenomen
prin analiza datelor achizițion ate folosind un instrument ce nu intră în contact cu obiectul,
arealul sau fenomenul investigat.” [1]

“Teledetecția reprezintă activitatea de colectare de imagini și alte date despre suprafața
terestră prin măsurători executate de la distanță deasupra Pă mântului, precum și procesarea și
analiza acestor date.” [2]

Figura 1 Observarea Pamânt
Figure 1 Observarea Pământului prin intermediul satelițiilor

16

Mai jos este prezentat principiul teledetecției:

Figura 2 Teledetecția

A. Sursa de radiație – O prima co ndiție pentru funționarea teledetecției este sursa de
radiație, care iluminează sau furnizează energie ele ctromagnetică zonei de interes.

B. Interacțiunea radiațiilor cu atmosfera – Mediul prin care trece radiația se numeste
atmosferă.

C. Interacțiunea cu zon a de interes(ex. plantele de la sol) – După ce a trecut de
atmosferă, radiația interacționează cu zona de interes. Această interacțiune depinde de
de proprietățile atât ale țintei cât și ale radiației.
D.
E. Detectarea radiațiilor cu ajutorul senzorilor instal ați pe sateliți – Satelitul prezintă
un senzor care înregistrează radiația electromagnetică.

F. Transmisia, receptia, și procesarea preliminara a datelor – Energia înregistrată de
senzor va fi transmis către o stație de procesare in formă electromagneti că, unde datele
formează o imagine multispectrală.

G. Analiza și interpretarea – Imaginea este analizată pentru a extrage informațile despre
zona de interes.

H. Aplicații – Acest element final al procesului de teledetecție încearcă să rezolve
problema iniți ală, adică detectarea propriu -zisă a zonei de interes.
Figure 2 Teledetecția

17
1.2 Scopul lucrării de licență

Scopul lucrării este de a de a crea un program care să realizeze recunoașterea formelor
din imaginile satelitare și de a prezenta un studiu de caz pentru o serie de alg oritmi de clasificare
(Nearest Neighbour, Multilayer Perceptron și Radial Basis Function Network).
Fiecare dintre algoritmii prezentați va fi evaluat prin scor de clasificare si matrice de
confuzie și va fi comparat cu ceilalți algoritmi pe baza rezultate lor obținute.

Figura 3 Imagine satelit din zona Chattisgarh, India centrală si exemplu de clasificare

Figure 3 Imagine satelit din zona Chattisgarh, India centrală si exemplu de clasificare
Figure 4 Exemplu clasificare Imagine satelit

18
1.3 Conținutul lucrării de licență

Lucrarea este alcatuită din 5 capitole. Primul capitol rep rezinta o introducere în tema
lucrării, prin prezentarea noțiunilor introductive precum teledetecția, inteligența artificială.
Capitolul 2 detaliază teoria celor trei algoritmi folosiți (Nearest Neighbour, Multilayer
Perceptron și Radial Basis Function Net work).
Capitolul 3 descrie modelele software implementate pentru clasificarea pixelilor
imaginilor satelitare și pentru detecția zonelor de interes din imaginile de observație terestră
prin cei 3 algoritmi.
În Capitolul 4 este prezentată baza de date utilizată, Landsat 7 TM, și sunt afișate
rezultatele experimentale în urma prelucrării pixelilor din imagine cu ajutorul clasificatorilor.
Ultimul capitol reprezintă concluziile acestei lucrari și cuprinde comentarii cu privire
la eficiența algoritmilor a nalizați.

19

Capitolul 2. Tehnici de clasificare pentru analiza imaginilor satelitare

Tehnicile de clasificare e xistente se împart în dou ă categorii.
Prima tehnică de clasificare este clasificare a superv izată. Aceasta i mplica clasarea
datelor pe baza uno r modele predefinite de clase( date de antrenamen t). Aceste modele
reprezintă de regulă o clasificare de referință ce corespunde realității, folosită iniț ial pentru
antrenarea sistemului înaintea clasifică rii propriu -zise a datelor. Clasificarea supervizată pleacă
de la un set de exemple de instanțe ale problemei și formează o funcție de evaluare (șablon)
care să permită clasificarea (rezolvarea) unor instanțe noi. Învățarea este supervizată în sensul
că set ul de exemple este dat împreună cu clasificarea lor corectă. Aceste instanțe rezolvate se
numesc instanțe de antrenament. Formal, setul de instanțe de antrenament este o mulțime de
perechi atribut -valoare (x,f(x)), unde x este instanța iar f(x) clasa cărei a îi aparține instanța
respectivă. Scopul învățării este construirea unei funcții -șablon care să clasifice corect
instanțele -exemplu, iar pentru un x pentru care nu se cunoaște f(x) să propună o aproximare cât
mai corectă a valorii f(x).
O a doua categorie de metode de clasificare sunt metode le de clasificare nesupervizată
sau automată, referite î n literatura de specialitate prin termenul de ”clustering ”. Clasificarea
nesupervizată , spre deose bire de clasificarea supervizată, propune o partiție optimala a s pațiului
de caracteristici din punct de vedere al un ui anumit criteriu matematic, fără a folosi informaț ii
in mod aprioric (ex: o partiț ie de refer ință). Avantajul aces tor metode este dat de faptul că sunt
complet automate (nu necesita intervenția utilizat orului) ș i pot fi folosite pentru clasarea datelor
despre care nu se cunosc informații despre conținutul acestora (numă r de clase, prototipu l
clasei, etc.). Învățarea nesupervizată elimină complet necesitatea unor instanțe de antrenament,
deci și problemel e legate de acestea. Scopul învățării nesupervizate nu este definit anterior ca
un concept țintă, algoritmul fiind lăsat singur să identifice conce pte posibile. Pe de altă parte,
fiind un proces automat, relevanța claselor tinde să fie mai redusă decât în cazul clasifică rii
super vizate, aceasta fiind dependentă de metoda folosită cât ș i de puterea discriminatorie a
spațiului de caracteristici folosit.
În cazul clasificării pixelilor multispectrali ai unei imagini satelitare , avem avantajul de
a disp une de o clasificare de referință . Astfel, putem antrena clasificatorul cu o se rie de
exemple, prin exemple ințelegâ nd date de intrare pentru care se cunoaște ieș irea c lasificatorului .
Dintre metodele vizate, vom analiza algoritmul k -NN și reț elele neuronale Multi layer
Perceptron și Radial Basis Function Network.

Clasificările supervizate
• Avantaje:
Control asupra identității claselor
Clase specifice cu anumite identități
Clasele obținute reflectă categoriile din teren
Pot fi detectate erorile de clasifica re
• Dezavantaje:
Analistul impune clasificarea

Regiunile de interes sunt în general relaționate cu informația din teren și nu cu
proprietățile spectrale
Regiunile de inters posibil să nu fie reprezentative
Obținerea regiunilor de interes solicită ti mp

20

Clasificările nesupervizate
• Avantaje:

Nu necesită cunoștințe despre regiunea analizată
Erorile umane sunt minimizate
Pixelii sunt separați din punct de vedere spectral
Analistul are control asupra numărului de clase, iterații, etc.
• Deza vantaje:

Clasele obținute nu reflectă cu precizie categoriile din teren
Control limitat asupra identității claselor
Proprietățile spectrale al e claselor se pot modifica în timp

Crearea unei aplicații de clasificare sau de recunoaștere a formelor pr in metode statistice
constă în alegerea unui set de atribute sau carateristici adecvat pentru contrucția vectorilor de
formă și proiectarea unui clasificator, care este capabil să definească orice formă.
O formă este defapt o clasă ωk care este formată di n mai mulți
vectori. Clasificarea formelor este formată din două etape:
 Proiectarea clasificatorului sau stabilirea regulilor de decizie 
 Clasificarea propriu -zisă, adică punearea în aplicare al clasificatorului proiectat

În lucrarea de față se studia clasificare analiza imaginilor satelitare cu următorii
algoritmi 1 -NN, Multilayer Perceptron și Radial Basis Function Network.
Domenii în care se folosesc acești algorimi:
 Regresie și potrivirea datelor (data -fitting) 
 Învățare supervizată 
 Procesarea imaginilor 
 Recunoașterea vorbirii 
 Recunoașterea formelor 
 Analiza seriilor temporale 
 Egalizare adaptivă 
 Localizarea punctelor folosind radarul 
 Diagnostic medical 
 Detectarea defectelor (Process Faults Detection) 

21
Clasificatorul Nearest Neig hbor( Cel mai apropiat vecin 1 -NN)

Nearest Neighbor (1 -NN) este un algoritm foarte cunoscut de clasificare. Acesta este
unul dintre cei mai simpliști algoritmi de învațare automată. Algoritmul alocă un vector
eșantion de intrare neclasificat X acelei cla se care este defapt cel mai apropiat vecin al lui X.
Acest concept poate fi extins la cele mai apropiate k esantioane vecine ale lui X, astfel
încât X este alocat clasei care este reprezentată printr -o majoritate a celor mai apropiate k
esantioane vecine. Atunci când k>1 și M = 2 clase se alege k impar. Algoritmul k -NN este o
metodă de clasificare a obiectelor folosindu -se de cele mai apropiate k obi ecte din setul de
antrenament. k -NN folosește în vățarea bazată pe instanțe ( învațarea întârziată), unde func ția
este aproximată local . Un obiect este clasificat în funcție de votul majoritar al vecinilor săi ,
fiind clasat în categoria din care fac parte cei mai multi dintre cei k vecini. K este un număr
întreg, pozitiv, în general mic. Dacă k este 1, obiectul es te adăugat în clasa din care face parte
cel mai apropiat vecin. [3] Interpretarea geometrică a problemei clasificarii sugereaza
urmatoarea regula de decizie: atribuie fiecare eșan tion neclasificat la clasa al că rui eșantion
preclasificat este cel mai aprop iat.

Algoritmul Nearest Neighbor este o generalizare a clasificatorului de distață minimă,
“cei mai apropiați vecini” fiind găsiți prin stabilirea minimului distanței matematice între
eșantioane. Acuratețea algoritmului clasificatorului k -NN depinde de modul de calculare al
distanței matematice. În majoritatea cazurilor algoritmul va folosi distanța euclidiana, aceasta
fiind cea mai răspândită și eficientă în rezolvarea celor mai multe probleme de clasificare. Din
nefericire, distanța euclid iana ignoră regularități statistice care ar putea fi estimate intr -un set
mare de eșantioane etichetate. În mod ideal, tipul ales al calculării distanței se va adapta
problemei de rezolvat. În timp ce în cazul clasificării pixelilor unei imagini satelitare distanța
euclidiana funcționeaza eficient, în cazul unei clasificări de fețe umane pe baza vârstei și a
genului, folosirea aceluiasi tip de calculare a distanței nu va duce la cele mai bune rezultate
(deși distanțele sunt calculate între aceleasi tipuri d e valori). [weinberger and saul ]

Figure 5 Suprafata de decizie
a unui clasificator NN

22

Figura 5 Cel mai apropiat vecin (1 -NN)

Avantaje [5] ale clasificatorului 1 -NN:
 Nu are nevoie de timp pentru antrenare 
 Este ușor de implementat 
 Lipsa de parametri configurabili 
 În cazul unui set de date mare, algoritmul are rezultate foarte bune 


Dezavantaje [5] ale clasificatorului 1 -NN:
 Consumă multă memorie pentru procesare 
 Clasificarea este destul de lentă, durata gasirii celui mai apropiat vecin fiind
destul de mare, ma i ales în cazul unui set de antrenare voluminos 

23
2.2 Clasificatorul Multilayer Perceptron (MLP)

Clasificatorul Multilayer Perceptron (sau “Non -linear Perceptron” ) constă in crearea
unei rețele neuronale fără reacție ( “feedforward”) care conține trei niv eluri de neuroni, aș a
cum este reprezentat in figura 6 , de mai jos. Stratul de intrare cuprinde neuroni virtuali care
nu realizează o prelucrare de semnal, ci doar o multiplexare, prelucrarea propriu – zisă având
loc doar în stratul ascuns și în cel de ieși re.

Perceptronul cu un singur strat este cea mai simpl ă rețea neuronala, pe baza căreia s -au
dezvoltat toate celelalte rețele neuronale utilizate în prezent . Arhitectura perceptronului
standard p ermite ca instruirea acesteia să se realize ze folosind un algoritm simplu si eficient .
În contextul clasificării formelor, perceptronul implementeaza o funcție liniară, de forma:
,
În multe probleme concret e de clasificare intervin clase de obiecte care nu sunt liniar
separabile. Deoarece perceptronul nu poate discrimina decât clase liniar separabile, aplicarea
acestui algoritm în rezolvarea unor probleme concrete est e limitata . Această limitare nu se
datore ază algoritmului, ci este legată de topologia foarte simplă a rețelei util izate. Dacă
problema de instruire necesită regiuni de decizie m ai complicate, atunci trebuie mărită
complexitatea reț elei. Cea mai celebră si una dintre cele mai simple probleme care nu pot fi
rezolvate de un perceptron este problema calculării valorilor f uncției logice sau exclusiv .
Problema poate fi rezolvată de un perceptron cu mai multe straturi (MLP) .
Într-o rețea de tip MLP, neuronii din stratul ascuns pot fi priviți ca noduri ale rețelei în
care informația de intrare este „reprezentată” într -un forma t intern, astfel încât să se asigure
Strat ascuns

Strat de intrare

1
i
i
n

1
L
j
1
k
M

Strat de ieșire
Figure 6 Rețea Multilayer Perceptron cu trei straturi de neuroni ( strutura clasică)

24
simplificare a la maximum a sarcinilor de prelucrare care revin neuronilor din stratul de ieșire.
Din acest motiv, se spune că stratul ascuns asigură formarea unei reprezentări interne a
informației de intrare / ieșire, care nu este conținută explicit în setul de antrenare.
În cazul unei rețele de tip MLP care modelează o problemă oarecare, cea mai dificilă
sarcină o este stabilirea unei metode care să permită formarea un ui strat ascuns cât mai
potrivit . Este evident că, pentru problemele complexe, identificarea riguroasă a reprezentărilor
pe care le asigură fiecare neuron din stratul ascuns nu mai este posibilă. Procedura care
permite formarea unor asemenea reprezentări interne constă în ceea ce este cunoscut sub
numele d e învățare sau antrenare a rețelei neuronale.
Perceptronul multinivel are un algoritm de instruire supervizata, de tip “back –
propagation”, în scopul minimizării erorii pe lotul de instruire:

K fiind numărul de vectori din lotul de instruire, iar:

constituie eroarea determinată de vectorul p de instruire.
Algoritmul de propagare înapoi (Bac k Propagation) este considerat ca fiind cel mai
important ș i mai utiliza t algoritm pentru instruirea reț elelor neuronale. Caracteristica esențială
a perceptronului cu două straturi este că el proiectează forme de intrare similare în forme de
ieșire similare, fapt ce permite să facă generalizările rezonabile și să prelucreze acceptabil
forme care nu li s-au mai prezentat niciodată .

25

2.3 Clasificator ul Radial Basis Function Network (RBF)

Clasificatorul Radial Basis Function Network este reprezentat de o rețea neuronală care
folosește funcții radiale ca funcții de activare. Ieșirile rețelei sunt combinații liniare de funcții radiale
ale parametrilor i ntrărilor si neuronilor.
Rețeaua Multilayer Perceptron prezentată anterior este rezult atul unor tehnici de optimizare
bazate pe minimizarea unei funcții obiectiv dependentă de eroare. Există si alte abordări
ale proiectării si instruirii rețelelor neuronal e. Astfel, în locul determinării minimului
gradientului funcției de eroare, antrenarea rețelei neuronale poate fi concepută astfel
încât, fiind dată mulțimea datelor de test, să se determine hipersuprafața care realizează
cea mai bună interpolare a ei într -un spațiu multidimensional. În acest caz, stratul
neuronilor ascunș i are rolul de a produce o mulțime de funcții (funcții radiale) pentru
reprezentarea vectorilor de intrare. Rețelele neuronale bazate pe funcții radiale (RBF) se
bucură în ultimul timp de o atenție tot mai mare, datorită avantajelor pe care le prezintă.

Arhitectura RBF:

Rețeaua RBF cuprinde:

– un strat de intrare ce contine L neuroni virtuali ( i = 0 … L -1). Aceștia nu
realizează o prelucrare de semnal, ci doar o mult iplexare, prelucrarea propriu -zisă
având loc doar în stratul intermediar și în cel de ieșire.

– un strat intermediar cu M neuroni ( j = 0 … M -1). Aceștia implementează funcția
Gaussiană de activare:
Figure 7 Arhitectura rețelei RBF

26

– in strat de iesire cu N neuroni ( k = 0 … N -1) ce realizeaza suma ponderata a
iesirilor de pe stratul intermediar.


Semnificația parametrilor:
• m – media si  – dispersia
• X = [x 0, x1…xi…xL-1] – vector de intrare
• xi – valoarea aplicată neuronului i de pe stratul de intrare, i = 0 … L -1
• zj – iesirea neuronului j de pe stratul intermediar, j = 0 … M -1
• yk – iesirea neuronului k de pe stratul de ieșire, k = 0 … N -1
• wkj – ponderea conexiunii neuronului k de pe stratul de iesire cu neuronal j de pe
stratul intermediar

Observație: Numărul neuronilor din st ratul de intrare va fi egal cu dimensiunea vectorului
de intrare, numărul neuronilor din stratul intermediar va fi egal cu numărul vectorilor din lotul
de antrenare iar numărul neuronilor din stratul de ieșire va fi egal cu numărul de clase in în
care se f ace clasificarea.

Se pot folosi multe tipuri de funcții radiale, însă cea mai folosită este funcția
gaussiană.

Parametrul cel mai important al rețelei RBF prin care se pot modifica performanțele
este parametrul ‘spread’, acesta reprezen tând ‘raza de acțiune’ a unei funcții radiale. Crescând
valoarea parametrului ‘spread’, neuronii pot influența instanțe mai depărtate.
Figure 8 Funcție radială de tip gaussian

27

2.4 Clasificare folosind fuziunea deciziilor

Pentru a ajunge la un rezultat final optim în ceea ce privește stabilirea corectă a unei
anumite zone de interes dintr -o imagine clasificată cu mai mult de o tehnică de clasificare, am
ales să aplic o fuziune a deciziilor rezultate din fiecare clasificator.

Algoritmul de clasificare finală va implementa operația ”SAU logic” pe mulțimile cu
decizii rezultate în urma clasificării cu cei 3 algoritmi(1 -NN, MLP, RBF) pentru a stabili decizia
finală.

Figure 9 Variația funcției radiale de tip gaussian
pentru o valoare mare/mică a parametrului 'spread'
Figure 10 Clasificare folosind fuziunea deciziilor

28

Figure 11 Clasificare supervizată

Capitolul 3. Descrierea modelului implementat

3.1 Clasificarea pixelilo r multispectrali din imagini sateliatre

Pentru rezolvarea problemei clasificării pixelilor multispectrali din imagini satelitare, s –
au folosit 3 tehnici de clasificare supervizată. Baza de date disponibilă conține informații despre
pixelii specifici zonel or în care se dorește clasificarea. Aceasta a fost împarțită în lot de
antrenare și lot de test, astfel putând determina eficiența programului, calculând scorurile de
clasificare si matricile de confuzie. S -au utilizat 80% din date pentru antrenare și 20% pentru
testare.

Figure 12 Modelul aplicației de clasificare

29
3.1.1 Clasificarea cu algoritmul Nearest Neighbor

Pentru clasificarea cu algoritmul Nearest Neighbor (1-NN) s -a folosit funcția din
Matlab knnclassify :

NNGroup = knnclassify(Sample, Training, Gro up, k, distance)

 Sample : setul de vectori neclasificați  
 Traning : setul de vectori clasificați 
 Group : etichetele claselor de vectori clasificați 
 k: numărul de vecini luați în considerare(în cazul nostru: k=1) 
 distanța : tipul de distanță preferat (în c azul nostru distance = 'euclidean' ) 

Scorul de clasificare s -a determinat raportând numărul de vectori clasificați corect la
numărul total de vectori introdus în aplicație pentru clasificare.

În figura de jos se poate observa rata bun ă de clasificare obținută pe baza de date Landsat

Figure 13 Exemplu de testare al
algoritmului 1 -NN pe clasica bază
de date Iris flower.
Figure 14 Exemplu de clasificare k -NN pe Landsat dataset

30

3.1.2 Clasificarea cu algoritmul Multilayer Perceptron

Pentru clasificarea cu algoritmul Multilayer Perceptron s -au folosit funcțiile din
Matlab patternet pentru crearea rețele i neuronale, train pentru antrenarea rețelei și net pentru
obținerea etichetelor lotului de test.

net = patternnet(Neurons);
 Neurons: numărul de neuroni din stratul ascuns 
Acesta se va modifica în intervalul de valori 5-100
pentru analiza performanțelo r rețelei în funcție de
numărul de neuroni ales 

net = train (net, Training, Group );
 net: rețeua creată anterior 
 Training: lotul de antrenare 
 Group: etichetele lotului de antrenare 

MLPGroup = net(Sample );
 Sample: lotul de test 
 MLPGroup: etichetele obți nute pe lotul de test după crearea, antrenarea și utilizarea
rețelei MLP 

Scorul de clasificare s -a determinat raportând numărul de vectori clasificați corect la
numărul total de vectori introdus în aplicație pentru clasificare

Figură 1 2 Clasificatorul Multilayer Perceptron aplicat pe baza de date Landsat

Figure 15 Exemplu de clasificare MLP pe Landsat dataset

31
3.1.3 Clasificarea cu algoritmul Radial Basis Function Network

Pentru clasificarea cu algoritmul Radial Basis Function Network s -a folosit funcția
Matlab newrb pentru crearea re țelei neuronale.
net = newrb (Training, Group, mse,spread );
 net: rețeaua creat ă cu algoritmul RBF 
 Training: lotul de antrenare 
 Group: etichetele lotului de antrenare 
 mse: eroarea medie p ătratică la care se dore ște să se ajungă, un foarte bun parametru
pentr u analiza performanțelor clasificatorului 
 spread: parametrul ’spread’ va fi variat în intervalul 0.5…1 cu pasul 0.1 și se va nota
scorul de clasificare corectă 

Scorul de clasificare s -a determinat raportând numărul de vectori clasificați corect la
numărul total de vectori introdus în aplicație pentru clasificare

32
3.2 Detecția zonelor de interes în imagini

Pentru detecția zonelor de interes dintr -o imagine s -a folosit tehnica
pezentată in subcapitolul 2.4
Prin zonă de interes din imaginile satelitare se în țelege o anumită formă: zonă
agricolă, zonă urbană, apă etc.
Lotul de antrenare a fost divizat diferit față de împărțirea pentru algoritmii
anteriori, numai în două clase:
 clasa pe care dorim sa o detectăm în imagine
 clasa ce reprezintă reuniunea claselor rămase
Clasificarea a fost facută cu mai multe tehnici (1 -NN, Multilayer Perceptron și
Radial Basis Function Network), apoi rezultatul tutoror clasificatorilor a fost trecut
printr -un model de fuziune a d eciziilor pentru a scoate un rezultat final optim.
În cazul de față s -a ales implementarea unui SAU logic între toate decizile
rezultate. Astfel, rezultat final va fi mai mare sau egal cu scorul de clasificare cel mai
bun obținut în urma celor trei clasif icatori.

Table 1 Exemplul de detecție a zonelor de interes
Vectori Clasificare Clasificare Clasificare Fuziunea
de intrare cu 1-NN cu MLP cu RBF deciziilor
V1 1 1 0 1
V2 1 0 0 1
V3 0 0 0 0
…. …. …. …. ….

Vn-2 0 0 1 1
Vn-1 0 1 1 1
Vn 1 0 1 1

0 = clasificare incorectă
1 = clasificare corectă

33

Capitolul 4. Rezultate experimentale

4.1 Baza de date Landsat 7 TM

Landsat 7 [11] este o bază de date cu imagini spectrale realizată de statelitul cu
același nume. Satelitul a fost lansat pe orbita terestră la data de 15 Aprilie 1990 și are ca
scop principal actualizarea arhivei globale cu imagini satelitare.

Imaginile realizate de către acest satelit sunt folosite in diverse domenii cu ar fi:
 Cartografiere  
 Geologie 
 Agricultură  
 Educație 
 Supraveghere  
 Forestier  
 Hidrologie 
Figure 16 Satelitul Landsat 7 înainte de lansare

34
Acest satelit a fost gândit să funcționeze numai 5 ani, dar și astăzi înca mai este in
stare funcționlă, realizând, colectâ nd si transmiț ând către Pămâ nt 532 de imagini pe zi.
Aflat la o înăltime de 705 kilometri deasupra Pamantului, Landsat 7 descoperă și
fotografiază încontinuu întreaga suprafată a Pământului, având nevoie de 232 de orbite de –
a lungul a 16 zile pentru a acope ri întreaga planetă.
Sateliții de acest tip au la bord senzori multispectrali care pot fotografia suprafața
terestră în 7 benzi spectrale.
Scanarea multispectrală utilizează radia țiile luminoase cu diferite lungimi de undă
emise de către corpurile de pe suprafa ța terestră. Aceste radia ții sunt, de fapt, radia țiile
solare reflectate de către obiecte. Imaginile ob ținute prin acest principiu sunt numite
multispectrale si sunt reprezentate prin mai multe înregistrări ce corespund câte unui
interval spectral. Fiecărei benzi spectrale îi corespunde o imagine alb -negru, asa cum se
observă în fig. 19.

Figure 19 Imagini multispectrale Landsat TM
Imaginile Landsat 7 TM sunt formate din 7 benzi spectrale cu o rezoluție de 30
metri pentru be nzile 1 -5 și 7. Rezoluția spațială a celei de -a 6-a benzi
Cele 7 benzi spectrale ce formează o imagine sunt destinate înregistrării unor
anumite clase de detalii topografice, astfel:
– înregistrarea suprafețelor cu apă din organisme de penetrare
– înregistrarea suprafețelor cu reflexie verde de vegetație
– înregistrarea suprafețelor sensibile la clorofilă de absorbție, destinate
determinării tipurilor de vegetație.
– înregistrarea suprafețelor cu vegetație și a su prafețelor cu soluri umede.
– înregistrarea suprafețelor cu vegetație de stres.
– înregistrarea suprafețelor cu minerale în scopul detectării tipurilor de minerale
și roci.

După cum se observă, informația inregistrată în fiecare ban dă spectrală este diferită
și este evidențiată în diverse benzi în combinații ponderate.
Benzile 4, 3 si 2 sunt destinate înrgistrării și clasificării suprafețelor acvatice și diferitelor
tipuri de vegetatie.
Benzile 4 (NIR), 5 (SWIR), and 3 (RED) sunt destinate înregistrării și detectării limitelor
suprafețelor cu apă și a zonelor de vegetatie.
Figure 20 Lungimile de undă ale radiației electromagnetice în spectrul vizibil și infraroșu
ale benzilor spectrale pentru Landsat 7 TM

35

Figure 22 Banda 3 Landsat 7 Figure 21 Banda 4 Landsat 7
Figure 23 Banda 5 Landsat 7 Figure 24 Banda 6 Landsat 7
Figure 26 Banda 7 Landsat 7 Figure 25 Pixeli etichetați

Figure 17 Banda 3 Landsat 7 Figure 18 Banda 3 Landsat 7

Imaginea Landsat folosită in această lucrare are 368,125 pixeli (7 – dimensionali)
dintre care 6,331 sunt etichetați de către un expert în 7 categorii tematice (clase):
A. zonă urbană
B. zonă stepă
C. zonă cu tufe și arbuști
D. zonă agricolă
E. pășune
F. pădure
G. apă

36

Table 2 Pixel i etichetați
Clasa Număr total Număr pixeli Număr pixeli

de pixeli etichetați folosiți la antrenare folosiți la de testare

A. zonă urbană 148 118 30

B. zonă stepă 2348 1878 470

C. zonă cu tufe și arbuști 341 273 68

D. zonă agricolă 1342 1073 267

E. pășune 412 329 82

F. pădure 967 773 194

G. apă 311 248 63

37

4.2 Rezultatele experimentale ale clasificării pixelilor multispectrali

4.2.1 Rezultate obținute folosind clasificat orul 1 -NN

Table 3 Scor de clasificare pentru 1 -NN

Clasificator 1-NN

Clase A B C D E F G

Scor de clasificare 90 99.14 88.23 46.09 100 82.47 77.77

[%]

Scor de clasificare 82.32

Total [%]

Table 4 Matricea de confuzie pentru algoritmul 1 -NN

38

A.Zona urbană
B.Stepă
C.Tufe și arbuști
D.Zona agricolă
E.Pășune
F.Păduri
G.Ape( alb)

Figure 27 Harta clasificată cu algoritmul 1 -NN

39
4.2.2 Rezultate obținute folosind clasificatorul Multilayer Perceptron

Table 5 Scor de clasificare pentru MultiLayer Perceptron
Table 6 Matricea de confuzie pentru algoritmul MLP

40

A.Zona urbană
B.Stepă
C.Tufe și arbuști
D.Zona agricolă
E.Pășune
F.Păduri
G.Ape( alb)

Figure 28 Harta clasificată cu algoritmul
MLP (30 neuroni în stratul ascuns)

41

4.2.3 Rezultate obținute folosind clasificatorul Radial Basis Functi on Network

Table 7 Scor de clasificare pentru Radial Basis Function Network
Table 8 Matricea de confuzie pentru algoritmul RBF

42

4.3 Rezultatele experimentale al detecție zonelor de interes

Pentru detecția acestor zone, în etapa de antrenare am împarti imaginea în două
clase: clasa de interes (zona de apă sau urbană) și o clasă care este defapt o reuniune a
claselor rămase.

Table 9 Scorul de clasificare pentru zona de apă rezultat prin fuziunea deciziilor
Metodă de 1-NN MLP RBF Fuziunea
clasificare decizilor
Scor de 79.34 90.47 95.23 96.82
clasif icare

Table 10 Scorul de clasificare pentru zona urbană rezultat prin fuziunea deciziilor
Metodă de 1-NN MLP RBF Fuziunea
clasificare decizilor
Scor de 90.00 96.66 90.00 96.66
clasificare

Rezultatulul obținut pri n fuzinea deciziilor cosinderînd ca lot de test toată
imaginea inițială:

Figure 29 Detecția zonei de apă cu 1 -NN

43

Figure 30 Detecția zonei de apă cu MLP

44

Figure 31 Detecția zonei de interes rezultată prin fuziunea deciziilor

45
Capitolul 5. Concluzii

Un clasificator MultiLayer Pe rceptron obține clasele dorite prin împărțirea spațiului de
intrare în plane separate (precum în partea stângă a fig. 32), în timp ce clasificatorul Radial
Basis Function Network propune un alt mod de abordare, ace asta constând în modelarea
distribuțiilor claselor cu ajutorul funcțiilor radiale (partea dreaptă a fig. 32)

Figure 32 Comparație clasificatoare MLP -RBF

Scor_total 82.328 84.0272 82.413
Scor_ClasaA 90 93.3333 93.333
Scor_ClasaB 99.1489 98.7234 99.149
Scor_Clas aC 88.2353 70.5882 88.235
Scor_ClasaD 46.0967 54.6468 45.725
Scor_ClasaE 100 100 100
Scor_ClasaF 82.4742 83.5052 82.99
Scor_ClasaG 77.7778 90.4762 77.778
Table 11 Scorurile de clasificare totale ale algoritmilor analizați
Clasificare
1-NN
Clasificare
MLP
Clasificare
RBF

46
Lucra rea de față încearcă să evalueze trei algoritmi de clasificare : Nearest Neighbor (1-
NN), Radial Basis Function Network(RBF) și MultiLayer Perceptron (MLP ) pentru imagini
multispectrale de observa ție satelitară .
Dintre cei trei clasificatori analizați pe b aza scorurilor obținute se poate observa ca Multilayer
Perceptron s-a prezentat cel mai bine, obținând un scor de clasificare total de 84.02%. Ceilalți
doi clasificator i au obținut scoruri mai mici dar apropiate și timpi de execuție mai buni. Toate
metodele folosite au fost de tip supervizat. S -a folosit lot de antrenare, lot de test și etichete
pentru lotul de test pentru obținerea scorului de clasificare.

47
Bibiliografie

[1] M. Bishop, “Pattern Recognition and Machine Learning”, Springer, New York, 2006
[2] C. H. Chen, Signal and Image Processing, for Remote Sensing, Second Edition, CRC Press, New York,
2012.
[3] A. Engelbercht, Computational Intelligence, John Wiley & Sons, West Sussex, England, 2002.
[4] V. E. Neagoe, A. D. Ciotec, C. E. N eghina, G. E. Strugaru, ”New Computational Intelligence -Based
Techniques for Training Sample Selection/Generation to Improve Spatial -Contextual Classification of
Multispectral Remote Sensing Imagery”, Proc. 3rd European Conference of Computer Science
(ECCS '12), December 2 -4, 2012, Paris, France, pp. 21 -26, NAUN Press.
[5] V. Neagoe and A. Ropot, " A New Neural Approach for Pattern Recognition in Space Imagery", in
Harbour Protection Through Data Fusion Technologies, NATO Science for Peace and Security Series –
C: Environmental Security, pp. 283 -289, Springer, 2009.
[6] V. Neagoe and G. Strugaru, "A concurrent neural network model for pattern recognition in
multispectral satellite imagery", Proc. of the World Automation Congress, 2008 (WAC 2008),
International Symposi um on Soft Computing in Industry (ISSCI'08), Sept. 28 –Oct. 2, 2008, Hawaii, USA,
ISBN:978 -1-889335 -38-4, IEEE Catalog No. 08EX2476.
[7] V. Neagoe and A. Ropot, ”Concurrent Self -Organizing Maps for Pattern Classification”, Proc. of First
IEEE International Conf erence on Cognitive Informatics, ICCI 2002, 19 -20 August 2002, Calgary,
Alberta, Canada, pp. 304 -312.
[8] LANDSAT 7 Satellite details 1999 -020A NORAD 25682. N2YO. 14 June 2014. Retrieved 14 June
2014.
[9] Band designations landsat satellites ,
http://landsat.usgs.gov/band_designations_landsat_satellites.php , accesat la data 3.6.2016
[10] A Concise Introduction to Machine Learning with Artificial Neural Networks,
https://www.academia.edu/25708860/A_Concise_Introduction_to_Machine_Learning_with_Artifici
al_Neural_Networks , accesat la data de 4.6.2016
[11] Matlab Help Neural Ne twork Toolbox, http://www.mathworks.com/help/nnet/index.html , accesat la
data de 10.5.2016

48

49
ANEXĂ

A. Încărcarea coordonatelor pixelilor dinr -o anumită clasă et ichetată(Albastru deschis –
zona urbană)
MAcoordonate=[];
for i = 1:475
for j = 1:755
if ImIndexata(i,j) == 36
MAcoordonate(end+1,1) = i;
MAcoordonate(end,2) = j;
end
end
end

B. Extragerea din fiecare band ă spectrală a pixelilor etichetați

nr=length(MAcoordonate);
MA=[];
MA1=[];MA2=[];MA3=[];MA4=[];MA5=[];MA6=[];MA7=[];
for i=1:nr
MA1(i)=ImBanda1(MAcoordonate(i,1),MAcoordonate(i,2) );
MA2(i)=ImBanda2(MAcoordonate(i,1),MAcoordonate(i,2));
MA3(i)=ImBanda3(MAcoordonate(i,1),MAcoordonate(i,2));
MA4(i)=ImBanda4(MAcoordonate(i,1),MAcoordonate(i,2));
MA5(i)=ImBanda5(MAcoordonate(i,1),MAcoordonate(i,2));
MA6(i)=ImBanda6(M Acoordonate(i,1),MAcoordonate(i,2));
MA7(i)=ImBanda7(MAcoordonate(i,1),MAcoordonate(i,2));
end

% MA = clasa zona urbana de tip matrice, iar fiecare linie este un vector cu
7 elemente

MA=[MA1;MA2;MA3;MA4;MA5;MA6;MA7]';

C. Impărțirea claselor în lot de test(Sample -20%) și lot de antrenare(Training -80%)

MA_training = MA(1:118,:);
MA_training_group = 1 * ones(118,1);
MA_sample = MA(119:end,:);
MA_sample_group = 1 * ones(size(MA_sample,1),1);

MB_training = MB (1:1878,:);
MB_training_group = 2 * o nes(1878,1);
MB_sample = MB (1879:end,:);
MB_sample_group = 2 * ones(size(MB_sample,1),1);

MC_training = MC (1:273,:);
MC_training_group = 3 * ones(273,1);

50
MC_sample = MC (274:end,:);
MC_sample_group = 3 * ones(size(MC_sample,1),1);

MD_training = MD (1:1073,:);
MD_training_group = 4 * ones(1073,1);
MD_sample = MD (1074:end,:);
MD_sample_group = 4 * ones(size(MD_sample,1),1);

ME_training = ME (1:329,:);
ME_training_group = 5 * ones(329,1);
ME_sample = ME (330:end,:);
ME_sample_group = 5 * ones(size(ME_sample,1),1);

MF_training = MF (1:773,:);
MF_training_group = 6 * ones(773,1);
MF_sample = MF (774:end,:);
MF_sample_group = 6 * ones(size(MF_sample,1),1);

MG_training = MG (1:248,:);
MG_training_group = 7 * ones(248,1);
MG_sample = MG (249:end,:);
MG_sample_group = 7 * ones(size(MG_sample,1),1);

Training=[MA_training; MB_training; MC_training; MD_training; ME_training;
MF_training; MG_training];
Group=[MA_training_group; MB_training_group; MC_training_group;
MD_training_g roup; ME_training_group; MF_training_group; MG_training_group];
Sample =
[MA_sample;MB_sample;MC_sample;MD_sample;ME_sample;MF_sample;MG_sample];
Sample_group=[MA_sample_group;MB_sample_group;MC_sample_group;MD_sample_grou
p;ME_sample_group;MF_sample_group; MG_sample_group];

D. Clasificarea lotului de test cu 1 -NN, calcularea și afișarea scorurilor de clasificare

%clasificare lot de test cu 1 -NN
NNGroup = knnclassify(Sample, Training, Group);

%calculare scor de clasificare pe lotul de test
l=length(NNGro up);
nr=0;a=0;b=0;c=0;d=0;e=0;f=0;g=0;
for i=1:l
if Sample_group(i) == NNGroup(i)
nr=nr+1;
if NNGroup(i)==1
a=a+1;
elseif NNGroup(i)==2
b=b+1;
elseif NNGroup(i)==3
c=c+1;
elseif NNGroup(i)==4

51
d=d+1;
elseif NNGroup(i)==5
e=e+1;
elseif NNGroup(i)==6
f=f+1;
elseif NNGroup(i)==7
g=g+1;
end
end
end

Scor_total=nr/l*100;
Scor_ClasaA=a/length(MA_sample)*100;
Scor_ClasaB=b/l ength(MB_sample)*100;
Scor_ClasaC=c/length(MC_sample)*100;
Scor_ClasaD=d/length(MD_sample)*100;
Scor_ClasaE=e/length(ME_sample)*100;
Scor_ClasaF=f/length(MF_sample)*100;
Scor_ClasaG=g/length(MG_sample)*100;

%afisare tabel scor NN
Nume={'Scor_total' ,'Scor_ClasaA' ,'Scor_ClasaB' ,'Scor_ClasaC' ,'Scor_ClasaD' ,'
Scor_ClasaE' ,'Scor_ClasaF' ,'Scor_ClasaG' };
Scor={Scor_total,Scor_ClasaA, Scor_ClasaB, Scor_ClasaC, Scor_ClasaD,
Scor_ClasaE, Scor_ClasaF, Scor_ClasaG};
Scor=[Nume;Scor];
f = figure( 'Name','Scor Clasifica re Nearest Neighbor' ,'Position' , [100 100
752 250]);
t = uitable( 'Parent' , f, 'Position' , [25 50 700 200], 'Data', Scor)

E. Creare lot de test format din to ți pixelii imaginii

%creare lot de test format din toti pixelii imaginii
SampleMare=[];MA_sample =[];MB_sample=[];MC_sample=[];MD_sample=[];ME_sample=
[];MF_sample=[];MG_sample=[];
for j=1:775
for i=1:475
MA_sample(end+1)=ImBanda1(i,j);
MB_sample(end+1)=ImBanda2(i,j);
MC_sample(end+1)=ImBanda3(i,j);
MD_sample(end+1)= ImBanda4(i,j);
ME_sample(end+1)=ImBanda5(i,j);
MF_sample(end+1)=ImBanda6(i,j);
MG_sample(end+1)=ImBanda7(i,j);
end
end

SampleMare=[MA_sample;MB_sample;MC_sample;MD_sample;ME_sample;MF_sample;MG_s
ample]';

52
F. Clasificarea și afiș area imaginii clasificate cu 1 -NN

NNGroup = knnclassify(SampleMare, Training, Group);
img_dec=zeros(475,775);
img_dec=uint8(img_dec);
l=length(NNGroup);
for i=1:l
if NNGroup(i)==1
img_dec(i)=0;
elseif NNGroup(i)==2
img_dec(i)=1;
elseif NNGroup(i)==3
img_dec(i)=2;
elseif NNGroup(i)==4
img_dec(i)=3;
elseif NNGroup(i)==5
img_dec(i)=4;
elseif NNGroup(i)==6
img_dec(i)=5;
elseif NNGroup(i)==7
img_dec(i)= 6;
end
end

%afisare imagine clasificata
figure;
imagesc(img_dec);
map = [ 0 0 0.55 %dark blue
0.53 0.8 0.99 %light blue
0 1 0 %green
1 0 0 %red
1 0.64 0 %orange
1 1 0 %yellow
1 1 1]; %white
colormap(map);

G. Crearea re țelei MLP

Neurons=30; % numar de neuroni din hidden layer
net = patternnet(Neurons);
net = train(net,Training,Group2);
y = net(Sample);
figure;
plotconfusion(Sample_group2,y);
MLPGroup = vec2ind(y);

53
H. Crearea rețelei RBF cu valoarea parametrului spread=0.7

net = newpnn(Training,Group,0.7);
Y = sim(net,Sample);
RBGroup = vec2ind(Y);

I. Fuziunea deciziilor și afișarea zonei de interes după fuziune

l=length( NNGroup);
FinalGroup=NNGrou p;
for i=1: l
if (NNGroup(i)==1 | MLPGroup(i)==1 | RBFGroup(i)==1)
FinalGroup(i)=1;
end
end

index = [];
for i=1:l
if FinalGroup(i) == 1
index(end+1) = i;
end
end

img_dec=zeros(475,775);
img_dec=uint8( img_dec);

[n,d] = size(img_dec);
for i = 1:size(index,2)
img_dec(index(i)) = 1;
end
figure;
imagesc(img_dec);
map = [ 0 0 0.55 %dark blue
1 1 1]; %white
colormap(map);