here can the specific advantages of

here can the specific advantages of the OBIA approach be deployed,
although regionalisation approaches have also been applied to
other situations, for example to Landsat images, and recent studies
have also utilised OBIA methods for medium or coarse resolution
data (Dorren et al., 2003; Geneletti and Gorte, 2003; Duveiller et al.,
2008; Myint et al., 2008; Jobin et al., 2008).
Before OBIA, the main task of image segmentation was to
produce a set of non-overlapping segments (polygons), and this
step was quite separate from the classification. The problem,
though, is scale: scale is a `window of perception' (Marceau,
1999) and we typically end up with several scales in imagery 
if the spatial resolution is finer than the size of the objects of
interest. A segmentation algorithm is used in the expectation that
it will divide the image into (a) relatively homogeneous and (b)
semantically significant groups of pixels. Burnett and Blaschke
(2003) called these groups `objects candidates' which are to be
recognised by further processing steps and to be transferred into
meaningful objects. It is well known that semantically significant
regions are found in an image at different scales of analysis (Hay
et al., 2001, 2003), and OBIA is inextricably linked to multiscale
analysis concepts (Burnett and Blaschke, 2003; Benz et al., 2004;
Lang, 2008; Hay and Castilla, 2008), even if single levels are
targeted for specific applications (Lang and Langanke, 2006; Lang,
2008; Weinke et al., 2008). Burnett and Blaschke (2003) called
this OBIA concept ``multiscale segmentation/object relationship
modelling'' (MSS/ORM). Lang and Langanke (2006) developed an
iterative One Level Representation (OLR), and Tiede et al. (2008)
applied the OLR concept convincingly to airborne LiDAR data for
tree crown segmentation (as did many other research groups,
e.g. Brennan and Webster (2006) and Bunting and Lucas (2006)).
Weinke et al. (2008) empirically applied and evaluated both OBIA
concepts, and found pros and cons for each approach. For a high
resolution aerial image, for example, at coarse scales we can
discriminate fields or forest stands, while at finer scales we can
discriminate individual trees or plants: parameters and thresholds
in a typical single-scale segmentation algorithm must therefore
be tuned to the correct scale for analysis. It is, however, often
not possible to determine the correct scale of analysis in advance
because different kinds of images require different scales of
analysis, and furthermore, in many cases significant objects appear
at different scales of analysis of the same image (Arbiol et al., 2006).
It should be clearly stated that much of the work referred to
as OBIA originated around the software known as ``eCognition''
(Baatz and Schäpe, 2000; Flanders et al., 2003; Benz et al., 2004),
which was later renamed ``Definiens'' (Lang and Tiede, 2007). Furthermore,
very few of these `early' OBIA developers used the term
`object based'. Some authors used `object oriented' (Blaschke et al.,
2000; Blaschke and Hay, 2001; Benz et al., 2004) and some of these
later switched to `object-based' (with or without a hyphen), whilst
some authors still use `object-oriented' (e.g. Navulur (2007)). It
has so far been assumed that most authors prefer to use the term
`based' since `oriented' may be too closely related to the objectoriented
programming paradigm (see Hay and Castilla (2008) for
discussion). The idea of incorporating contextual information in
the classification of remote sensing images can be traced back
to the 1970s (Kettig and Landgrebe, 1976), even though the importance
of incorporating texture increases with increasing resolution
(see Fig. 1 and explanations). One of the aims of grouping
pixels into image objects is to overcome the so called `salt
and pepper effect' (Blaschke et al., 2000). Many researchers have
claimed that OBIA methods are suitable for overcoming this situation,
e.g. ``Thanks to the recent improvements in image segmentation,
object-based approaches can be used to delineate and classify land
cover efficiently'' (Duveiller et al., 2008, p. 1971). In recent articles it
has even been claimed that ``Object-oriented processing techniques
are becoming more popular compared to traditional pixel-based im-
age analysis'' (Gamanya et al., 2009, p. 571).

ผลลัพธ์ (ไทย) 1:

ที่นี่สามารถจะปรับใช้ข้อดีของวิธี OBIAแม้ว่าจะยังได้ใช้วิธี regionalisation ต้องสถานการณ์อื่น ๆ เช่นการภาพแลนด์แซท และการศึกษาล่าสุดยังได้ใช้วิธี OBIA สำหรับความละเอียดปานกลาง และหยาบข้อมูล (Dorren et al. 2003 Geneletti และ Gorte, 2003 Duveiller et al.,2008 Myint et al. 2008 เอมิเรตส์แกรนด์โฮเต็ลอพาร์ตเมนต์ et al. 2008)ก่อนที่จะ OBIA งานหลักของการแบ่งส่วนรูปภาพได้ผลิตชุดของเซ็กเมนต์ที่ไม่ซ้อนทับกัน (รูปหลายเหลี่ยม), และนี้ขั้นตอนที่ค่อนข้างแยกต่างหากจากการจัดประเภทได้ ปัญหาแต่ มีขนาด: สเกลคือ 'หน้าต่างของการรับรู้' (มาร์โซ1999) และเรามักจะจบลง ด้วยภาพของเครื่องชั่งหลายถ้าละเอียดกว่าขนาดของวัตถุของความละเอียดเชิงพื้นที่สนใจ ขั้นตอนการแบ่งส่วนการใช้ในความคาดหวังที่มันจะแบ่งรูปแบบลงใน () ค่อนข้างเป็นเนื้อเดียวกัน และ (b)กลุ่มประโยคสำคัญของพิกเซล Burnett และ Blaschke(2003) เรียกว่ากลุ่มเหล่านี้ 'วัตถุผู้สมัคร' ที่จะได้รับรับการยอมรับโดยดำเนินการขั้นตอนต่อไป และเข้าวัตถุที่มีความหมาย มันเป็นที่รู้จักกันดีว่าประโยคสำคัญภูมิภาคที่พบในภาพที่แตกต่างกันเครื่องชั่งวิเคราะห์ (เฮย์et al. 2001, 2003), และ OBIA ตลอดไปเชื่อมโยงกับ multiscaleแนวคิดวิเคราะห์ (Burnett และ Blaschke, 2003 เบนซ์ et al. 2004ลัง 2008 เฮย์ Castilla, 2008), แม้เดียวระดับความการกำหนดเป้าหมายสำหรับใช้งานเฉพาะ (Lang และ Langanke, 2006 ลัง2008 Weinke et al. 2008) เรียกว่า Burnett และ Blaschke (2003)แนวคิดนี้ OBIA '' ความสัมพันธ์ multiscale แบ่งกลุ่ม/วัตถุสร้างแบบจำลอง '' (MSS/ORM) ลังและ Langanke (2006) ได้พัฒนาเป็นซ้ำหนึ่งระดับแสดง (OLR), และ Tiede et al. (2008)ใช้แนวคิด OLR ตะล่อมกับข้อมูลจาก LiDAR อากาศสำหรับต้นไม้แบ่งคราวน์ (เป็นได้หลายงานวิจัยกลุ่มอื่น ๆเช่น Brennan และเว็บสเตอร์ (2006) และแถบธง และลูคัส (2006))Weinke et al. (2008) เชิงประสบการณ์ด้วยใช้ และประเมินทั้งสอง OBIAแนว คิด และพบข้อดี และข้อเสียสำหรับแต่ละวิธี สำหรับสูงภาพทางอากาศความละเอียด ตัวอย่าง ที่เครื่องชั่งหยาบเราสามารถเขตข้อมูลแยกแยะหรือป่ายืน ในขณะที่เครื่องชั่งละเอียด ที่เราสามารถแยกแยะแต่ละต้นไม้หรือพืช: พารามิเตอร์และเกณฑ์ในการแบ่งเซกเมนต์เครื่องชั่งเดียวปกติ อัลกอริทึมต้องดังนั้นสามารถปรับแต่งการวิเคราะห์อย่างถูกต้อง มันเป็น อย่างไรก็ตาม บ่อยครั้งไม่สามารถกำหนดมาตราส่วนถูกต้องของการวิเคราะห์ล่วงหน้าเนื่องจากต้องการแตกต่างกันของภาพเครื่องชั่งที่แตกต่างกันของการวิเคราะห์ และ นอกจากนี้ ในหลายกรณี สำคัญวัตถุปรากฏขึ้นที่เครื่องชั่งที่แตกต่างของการวิเคราะห์ของภาพเดียวกัน (Arbiol et al. 2006)มันควรจะระบุไว้อย่างชัดเจนว่า ของงานเรียกว่าเป็น OBIA มารอบซอฟต์แวร์ที่เรียกว่า '' eCognition''(Baatz และ Schäpe, 2000 ฟลานเดอร์ et al. 2003 เบนซ์ et al. 2004),ซึ่งภายหลังได้เปลี่ยนชื่อ '' Definiens'' (Lang และ Tiede, 2007) นอกจากนี้คำว่าใช้น้อยมากของเหล่านักพัฒนา OBIA 'ก่อน''วัตถุจาก' วัตถุบางอย่างผู้เขียนใช้' แปลก' (Blaschke et al.,2000 Blaschke และเฮย์ 2001 เบนซ์ et al. 2004) และบางส่วนของเหล่านี้ต่อมาเปลี่ยน 'วัตถุตาม' (มี หรือไม่ มีเครื่องหมายยัติภังค์), ในขณะที่บางอย่างผู้เขียนยังคงใช้ 'เชิงวัตถุ' (เช่น Navulur (2007)) มันสันนิษฐานมากว่า ผู้เขียนส่วนใหญ่ชอบใช้คำว่า'คะแนน' ตั้งแต่ 'เน้น' อาจอย่างใกล้ชิดเกี่ยวข้องกับการ objectorientedกระบวนทัศน์ที่เขียนโปรแกรม (ดูเฮย์และ Castilla (2008)สนทนา) ความคิดของการผสมผสานข้อมูลบริบทในการจัดประเภทภาพ sensing ระยะไกลสามารถย้อนกลับในปี 1970 (Kettig และ Landgrebe, 1976), แม้ว่าความสำคัญของเนื้อเพิ่มขึ้นกับการเพิ่มความละเอียด(ดูรูปที่ 1 และคำอธิบาย) หนึ่งในเป้าหมายหลักของการจัดกลุ่มพิกเซลเป็นรูปวัตถุคือการ เอาชนะเรียกว่า ' เกลือพริกไทยผล ' (Blaschke et al. 2000) มีนักวิจัยหลายคนอ้างว่า OBIA วิธีเหมาะสำหรับการเอาชนะสถานการณ์นี้เช่น '' ล่าจากการแบ่งส่วนภาพวิธีใช้วัตถุใช้ delineate และจัดประเภทที่ดินครอบคลุมมีประสิทธิภาพ '' (Duveiller et al. 2008, p. 1971) ในล่าสุดบทความมันแม้ได้รับการอ้างที่ '' เทคนิคเชิงวัตถุการประมวลผลจะกลายเป็นที่นิยมมากขึ้นเมื่อเทียบกับแบบดั้งเดิมตามพิกเซล im-อายุวิเคราะห์ '' (Gamanya et al. 2009, p. 571)

ผลลัพธ์ (ไทย) 2:

ที่นี่สามารถข้อดีที่เฉพาะเจาะจงของวิธีการ OBIA ถูกนำไปใช้
แม้ว่าแนวทางภูมิภาคยังได้รับนำไปใช้กับ
สถานการณ์อื่น ๆ ตัวอย่างเช่นภาพดาวเทียม LANDSAT และการศึกษาเมื่อเร็ว ๆ นี้
นอกจากนี้ยังมีการใช้วิธีการ OBIA กลางหรือความละเอียดหยาบ
ข้อมูล (Dorren, et al., 2003 ; Geneletti และ Gorte 2003; Duveiller, et al.,
2008; Myint et al, 2008;... Jobin et al, 2008)
ก่อนที่จะ OBIA งานหลักของการแบ่งส่วนภาพคือการ
ผลิตชุดของกลุ่มไม่ทับซ้อนกัน (รูปหลายเหลี่ยม ) และนี้
ขั้นตอนก็ค่อนข้างที่แยกต่างหากจากการจัดหมวดหมู่ ปัญหาที่เกิดขึ้น
แต่เป็นขนาด: ขนาดเป็น `หน้าต่างของการรับรู้ (Marceau,
1999) และเรามักจะจบลงด้วยการชั่งน้ำหนักในหลายภาพ?
ถ้าความละเอียดเชิงพื้นที่เป็นปลีกย่อยกว่าขนาดของวัตถุของ
ดอกเบี้ย ขั้นตอนวิธีการแบ่งส่วนที่ใช้ในการคาดการณ์ว่า
มันจะแบ่งภาพเป็น (ก) ค่อนข้างเป็นเนื้อเดียวกันและ (ข)
กลุ่มอย่างมีนัยสำคัญความหมายของพิกเซล Burnett และ Blaschke
(2003) เรียกว่ากลุ่มคนเหล่านี้ `วัตถุของผู้สมัครที่จะได้รับการ
ยอมรับจากขั้นตอนการประมวลผลต่อไปและจะโอนเข้าไปใน
วัตถุที่มีความหมาย เป็นที่ทราบกันดีว่ามีนัยสำคัญความหมาย
ภูมิภาคจะพบว่าในภาพในระดับที่แตกต่างกันของการวิเคราะห์ (Hay
et al, 2001, 2003.) และ OBIA มีการเชื่อมโยงความสัมพันธุ์ Multiscale
แนวคิดการวิเคราะห์ (Burnett และ Blaschke, 2003. เบนซ์, et al, 2004;
Lang, 2008; หญ้าแห้งและ Castilla 2008) แม้ว่าระดับเดียวจะ
กำหนดเป้าหมายสำหรับการใช้งานที่เฉพาะเจาะจง (หรั่งและ Langanke 2006; Lang,
2008. Weinke et al, 2008) Burnett และ Blaschke (2003) เรียกว่า
นี้ OBIA แนวคิด `` ความสัมพันธ์ Multiscale แบ่งส่วนวัตถุ /
การสร้างแบบจำลอง '' (MSS / ออม) หรั่งและ Langanke (2006) การพัฒนา
ซ้ำแล้วซ้ำอีกระดับหนึ่งเป็นตัวแทน (โอแอลอา) และผูก et al, (2008)
ใช้แนวคิดโอแอลอาตะล่อมข้อมูล LiDAR อากาศสำหรับ
การแบ่งส่วนต้นไม้มงกุฎ (เช่นเดียวกับกลุ่มวิจัยอื่น ๆ อีกมากมาย
เช่นเบรนแนนและเว็บสเตอร์ (2006) และตอม่อและลูคัส (2006)).
Weinke et al, (2008) ใช้สังเกตุและประเมินผลทั้ง OBIA
แนวคิดและพบข้อดีและข้อเสียของแต่ละวิธี สำหรับสูง
ภาพทางอากาศความละเอียดยกตัวอย่างเช่นในระดับหยาบเราสามารถ
แยกแยะสาขาหรือยืนป่าไม้ในขณะที่เครื่องชั่งน้ำหนักปลีกย่อยที่เราสามารถ
แยกแยะต้นไม้บุคคลหรือพืช: พารามิเตอร์และเกณฑ์
ในขั้นตอนวิธีการแบ่งส่วนเดียวขนาดปกติต้องจึง
จะปรับไป ขนาดที่ถูกต้องสำหรับการวิเคราะห์ มันเป็น แต่มักจะ
ไปไม่ได้ในการกำหนดขนาดที่ถูกต้องของการวิเคราะห์ล่วงหน้า
เพราะชนิดที่แตกต่างกันของภาพต้องใช้เครื่องชั่งน้ำหนักที่แตกต่างกันของการ
วิเคราะห์และนอกจากนี้ในหลายกรณีวัตถุอย่างมีนัยสำคัญที่ปรากฏ
ในระดับที่แตกต่างกันของการวิเคราะห์ของภาพเดียวกัน (Arbiol et al, .., 2006)
มันควรจะระบุไว้ชัดเจนว่ามากจากการทำงานที่อ้างถึง
เป็น OBIA เกิดขึ้นรอบ ๆ ตัวซอฟแวร์ที่เรียกว่า `` eCognition ''
(Baatz และSchäpe 2000; แฟลนเดอ et al, 2003;. เบนซ์ et al, 2004. )
ซึ่งต่อมาเปลี่ยนชื่อ `` Definiens '' (หรั่งและผูก 2007) นอกจากนี้
มากน้อยของเหล่า `ต้นของนักพัฒนา OBIA ใช้คำว่า
` วัตถุตาม ' นักเขียนบางคนใช้ `เชิงวัตถุ (Blaschke, et al.,
2000; Blaschke และฟาง 2001; เบนซ์ et al, 2004.) และบางส่วนของเหล่านี้
หลังจากนั้นจะเปิด` วัตถุตาม '(มีหรือไม่มียัติภังค์) ในขณะที่
บางส่วน ผู้เขียนยังคงใช้ `เชิงวัตถุ (เช่น Navulur (2007)) มัน
ได้รับการเพื่อให้ห่างไกลสันนิษฐานว่าผู้เขียนส่วนใหญ่ชอบที่จะใช้คำว่า
`ตามตั้งแต่` มุ่งเน้น 'อาจจะเกี่ยวข้องอย่างใกล้ชิดเกินไปที่จะ objectoriented
กระบวนทัศน์การเขียนโปรแกรม (ดูตัดหญ้าและ Castilla (2008) สำหรับ
การอภิปราย) ความคิดของการผสมผสานข้อมูลบริบทใน
การจัดหมวดหมู่ของภาพระยะไกลสามารถสืบย้อนกลับ
ไปปี 1970 (Kettig และ Landgrebe, 1976) แม้ว่าความสำคัญ
ของการผสมผสานเนื้อเพิ่มขึ้นกับการเพิ่มความละเอียด
(ดูรูป. 1 และคำอธิบาย) หนึ่งในจุดมุ่งหมายของการจัดกลุ่ม
พิกเซลเป็นวัตถุภาพคือการเอาชนะที่เรียกว่า `เกลือ
และพริกไทยผล '(Blaschke et al., 2000) นักวิจัยหลายคนได้
อ้างว่าวิธีการ OBIA มีความเหมาะสมสำหรับการเอาชนะสถานการณ์นี้
เช่น `` ขอบคุณที่ปรับปรุงล่าสุดในการแบ่งส่วนภาพ
วิธีวัตถุที่ใช้สามารถใช้ในการวิเคราะห์และจำแนกประเภทที่ดิน
ปกอย่างมีประสิทธิภาพ '' (Duveiller et al., 2008 พี. 1971) ในบทความที่ผ่านมามัน
ได้แม้อ้างว่า `` เชิงวัตถุเทคนิคการประมวลผล
จะกลายเป็นที่นิยมมากขึ้นเมื่อเทียบกับแบบดั้งเดิมตามพิกเซลญ
วิเคราะห์อายุ '' (Gamanya et al., 2009, น. 571)