In this dissertation, two classification methods are proposed. The first is a method that improves the classification accuracy. The consistency of probabilistc labeling is defined, and the updating rule of probabilistic relaxation labeling(PRL) is analyzed. A new updating rule is derived by replacing a simplifying assumption used in the derivation of the conventional updating rule with more relevant one. The PRL with the new updating rule does not show labeling deterioration phenomenon which appears in the conventional PRL. Performance of the new PRL is compared with that of the conventional PRL, through the experiments using simulated data.
The second is a method that improves the classification speed. A hybrid classification method which utilizes the better features of Bayes and parallelepiped classifier is proposed. This method sets the rectangular upper and lower bounds with respect to a class. This partitioning in the second method limits the candidate classes for a measurement vector. By doing so, substantial reduction in the processing time is achieved. Performance of the new method is compared with those of Bayes classifier and the conventional hybrid classifier, through the experiments using simulated data.
본 논문은 원격탐사 자료의 분류 (classification)의 가장 중요한 관점인 분류의 정확성을 높이는 방법과, 분류의 속도를 높이는 방법을 기술 하고 있다.
첫째는, 분류의 정확성을 높이는 방법이다. 분류 대상의 공간적 배열에 포함된 정보를 추출하여 분류의 정확성을 높이는 방법의 하나인 Probabilistic Relaxation Labeling(PRL)의 문제점은 그것의 적용 초기에는 분류 오차가 감소하다가 전환점을 지나 다시 증가 한다는 점이다. PRL을 분석함으로서 기존의 PRL은 비현실적인 가정이 적용된 방법이며 이로 인해 위의 현상이 일어남을 보이고 보다 현상에 접근한 가정을 세움으로 새로운 PRL을 유도 하였다. Simulation을 통하여 새 방법과 기존 방법의 성능을 비교한 결과 시험자료들에 대해 기존 방법이 범하는 분류 오차의 14~18%를 줄임으로 새 방법이 분류의 정확도를 개선하는데 유효함을 보였다.
둘째는, 분류의 속도를 높이는 방법이다. Hybrid classifier에서는 각 class의 판별 영역에 직각 다면체의 상한을 설정하고, 대상을 Preclassify 함으로써 분류 시간을 단축시키는데, 직각 다면체의 상한 외에 하한을 설정함으로 각 대상에 대한 후보 class를 더욱 축소시키는 방법을 제안하고, 직각 다면체의 하한을 설정하는 방법을 제시하였다. Simulation을 통하여 새방법과 기존 방법의 성능을 비교한 결과 시험자료에 대해기존 방법의 분류시간의 64~91%를 단축시키고, 분류 오차는 0 ~0.2% 밖에 증가하지 않음으로 새 방법이 분류의 속도를 개선하는데 유효함을 보였다.