4.2.1. Image segmentationImage segm

4.2.1. Image segmentation
Image segmentation is a principal function that splits an image
into separated regions or objects depending on parameters specified
(Im et al., 2008; Lee & Warner, 2006; Myint et al., 2008; Stow et al.,
2008). A group of pixels having similar spectral and spatial properties
is considered an object in the object-based classification prototype.
We used Definiens Developer 7.0 (formerly known as eCognition
software — Definiens, 2008) to perform an object-based classification
approach (Baatz & Schape, 1999). A number of studies have
demonstrated methods of assessing segmentation accuracy (Lucieer,
2004) and comparing sample segment objects against corresponding
reference objects (Weidner, 2008; Winter, 2000). Möller et al. (2007)
developed an approach to identify a segmentation scale that is close to
optimal using trial-and-error tests in combination with an index
called the “comparison index”. They generated objects at different
scales using a segmentation procedure called fractal net evolution
approach (Baatz & Schape, 2000) that is implemented in the
eCognition software. Munoz et al. (2003) pointed out advantages
and disadvantages of various segmentation approaches that integrate
region and boundary information, and reported that there is no
perfect segmentation algorithm, which is crucial for the advancement
of computer vision and its applications. Mueller et al. (2004)
employed an object-based segmentation with special focus on shape
information to extract large man-made objects, mainly agriculture
fields in high resolution panchromatic data. It is important to note that
there is no standardized or widely accepted method available to
determine the optimal scale for all types of applications, areas with
different environmental and biophysical conditions, and different
kinds of remotely sensed images.
We used a segmentation algorithm available in Definiens known
as the multiresolution segmentation which is based on the Fractal Net
Evolution Approach (FNEA) (Baatz & Schape, 2000). The first step in
the object-based paradigm with Definiens software is that we need to
assign appropriate values to three key parameters, namely shape
(Ssh), compactness (Scm), and scale (Ssc) to segment objects or pixels
having similar spectral and spatial signatures in an image. Users can
apply weights ranging from 0 to 1 for the shape and compactness
factors to determine objects at different level of scales. These two
parameters control the homogeneity of objects. The shape factor
adjusts spectral homogeneity vs. shape of objects, whereas the
compactness factor, balancing compactness and smoothness, determines
the object shape between smooth boundaries and compact
edges. There is also a parameter called “smoothness” that is directly
linked to compactness as the sum of smoothness and compactness is
equal to one. The compactness or smoothness is effective only when
the shape factor is larger than zero. The scale parameter that controls
the object size that matches the user's required level of detail can be

ผลลัพธ์ (ไทย) 1:

4.2.1. ภาพแบ่งส่วนแบ่งภาพเป็นฟังก์ชันหลักที่แยกภาพแยกภูมิภาคหรือวัตถุขึ้นอยู่กับพารามิเตอร์ที่ระบุ(Im et al. 2008 ลีแอนด์วอร์เนอร์ 2006 Myint et al. 2008 สโตว์ออนเดอะ et al.,2008) . กลุ่มของพิกเซลที่มีคุณสมบัติคล้ายสเปกตรัม และเชิงพื้นที่ถือเป็นวัตถุในการจัดประเภทวัตถุต้นแบบเราใช้ Definiens สำหรับนักพัฒนา 7.0 (เดิมชื่อ eCognitionซอฟต์แวร์ — Definiens, 2008) การดำเนินการการจัดประเภทตามวัตถุวิธี (Baatz & Schape, 1999) มีจำนวนของการศึกษาแสดงให้เห็นถึงวิธีการประเมินความถูกต้องแบ่งกลุ่ม (Lucieer2004) และเปรียบเทียบวัตถุเซ็กเมนต์อย่างกับที่สอดคล้องวัตถุอ้างอิง (Weidner, 2008 ฤดูหนาว 2000) Möller et al. (2007)พัฒนาวิธีการระบุสเกลแบ่งกลุ่มที่มีใช้การทดสอบทดลอง และผิดพลาดกับดัชนีที่เหมาะสมเรียกว่า "ดัชนีเปรียบเทียบ" พวกเขาสร้างวัตถุที่แตกต่างกันใช้ขั้นตอนการแบ่งส่วนที่เรียกว่าเศษส่วนสุทธิวิวัฒนาการเครื่องชั่งวิธีการ (Baatz & Schape, 2000) ที่นำมาใช้ในการซอฟต์แวร์ eCognition รื่นรมย์ et al. (2003) ชี้ให้เห็นข้อดีและข้อเสียของวิธีการแบ่งเซกเมนต์ต่าง ๆ ที่รวมภูมิภาคและขอบเขตของข้อมูล และรายงานว่า ไม่มีแบ่งกลุ่มหาอัลกอริทึม ซึ่งเป็นสิ่งสำคัญสำหรับความก้าวหน้าคอมพิวเตอร์วิทัศน์และแอปพลิเคชัน มึลเลอร์ et al. (2004)ใช้การแบ่งกลุ่มตามวัตถุเน้นรูปร่างพิเศษข้อมูลการแยกวัตถุที่มนุษย์สร้างขึ้นขนาดใหญ่ เกษตรส่วนใหญ่เขตข้อมูลในข้อมูล panchromatic ความละเอียดสูง มันเป็นสิ่งสำคัญโปรดทราบว่ามีวิธีมาตรฐาน หรือยอมรับกันอย่างแพร่หลายพร้อมใช้งานกำหนดมาตราส่วนที่เหมาะสมสำหรับทุกการใช้งาน พื้นที่ที่มีสภาพแตกต่างทางกายภาพและชีวภาพ และสิ่งแวดล้อม และแตกต่างกันชนิดของภาพที่รู้สึกจากระยะไกลเราใช้อัลกอริทึมการแบ่งเซกเมนต์ใน Definiens ที่รู้จักกันเป็นการแบ่งกลุ่ม multiresolution ซึ่งอ้างอิงสุทธิเศษส่วนแนวทางการวิวัฒนาการ (FNEA) (Baatz & Schape, 2000) ขั้นตอนแรกกระบวนทัศน์ตามวัตถุกับซอฟต์แวร์ Definiens คือ เราต้องกำหนดค่าให้พารามิเตอร์หลักสาม คือ รูปร่าง(Ssh), กะทัดรัด (Scm), และมาตราส่วน (Ssc) ส่วนวัตถุหรือพิกเซลมีลายเซ็นคล้ายสเปกตรัม และเชิงพื้นที่ในรูปภาพ ผู้ใช้สามารถใช้ตุ้มน้ำหนักตั้งแต่ 0 ถึง 1 สำหรับรูปร่างและกะทัดรัดปัจจัยที่กำหนดวัตถุในระดับแตกต่างกันของเครื่องชั่ง สองคนนี้พารามิเตอร์ควบคุม homogeneity ของวัตถุ ตัวรูปร่างปรับ homogeneity สเปกตรัมเทียบกับรูปร่างของวัตถุ ในขณะกำหนดปัจจัยความกะทัดรัด สมดุลกะทัดรัดและเรียบเนียนรูปทรงวัตถุระหว่างขอบเรียบและกระชับขอบ มียัง พารามิเตอร์ที่เรียกว่า "เนียน" ได้โดยตรงเชื่อมโยงกับความกะทัดรัดเป็นผลรวมของความเรียบและความกะทัดรัดเท่ากับหนึ่ง ความกะทัดรัดหรือเรียบเป็นผลเฉพาะเมื่อตัวรูปร่างมีขนาดใหญ่กว่าศูนย์ ระดับพารามิเตอร์ที่ควบคุมขนาดวัตถุที่ตรงกับผู้ใช้จำเป็นของระดับของรายละเอียดสามารถ

ผลลัพธ์ (ไทย) 2:

4.2.1 การแบ่งส่วนภาพ
การแบ่งส่วนภาพเป็นฟังก์ชั่นหลักที่แยกภาพ
ลงในพื้นที่แยกหรือวัตถุขึ้นอยู่กับพารามิเตอร์ที่กำหนด
(IM et al, 2008;. ลีและวอร์เนอร์ 2006 Myint et al, 2008;. Stow, et al.,
2008) กลุ่มของพิกเซลที่มีสเปกตรัมและอวกาศคุณสมบัติใกล้เคียงกัน
. ถือว่าเป็นวัตถุในวัตถุที่ใช้จำแนกต้นแบบ
เราใช้ Definiens ผู้พัฒนา 7.0 (เดิมชื่อ eCognition
ซอฟแวร์ - Definiens, 2008) ในการดำเนินการวัตถุที่ใช้จำแนก
วิธีการ (Baatz & Schape , 1999) จำนวนของการศึกษาได้
แสดงให้เห็นถึงวิธีการในการประเมินการแบ่งส่วนความถูกต้อง (Lucieer,
2004) และเปรียบเทียบวัตถุส่วนกลุ่มตัวอย่างที่สอดคล้องกับ
วัตถุอ้างอิง (Weidner 2008 ฤดูหนาว, 2000) Möller, et al (2007)
การพัฒนาวิธีการในการระบุระดับการแบ่งส่วนที่ใกล้เคียงกับ
ที่ดีที่สุดโดยใช้การทดสอบทดลองและข้อผิดพลาดในการรวมกันกับดัชนี
ที่เรียกว่า "ดัชนีเปรียบเทียบ" พวกเขาสร้างวัตถุที่แตกต่างกัน
เครื่องชั่งน้ำหนักโดยใช้ขั้นตอนการแบ่งส่วนที่เรียกว่าเศษส่วนวิวัฒนาการสุทธิ
วิธี (Baatz & Schape, 2000) ที่จะดำเนินการใน
ซอฟต์แวร์ eCognition โฆ, et al (2003) ชี้ให้เห็นข้อดี
และข้อเสียของวิธีการแบ่งส่วนต่างๆที่บูรณาการ
ภูมิภาคและข้อมูลเขตแดนและรายงานว่าไม่มี
ขั้นตอนวิธีการแบ่งส่วนที่สมบูรณ์แบบซึ่งเป็นสิ่งสำคัญสำหรับความก้าวหน้า
ของวิสัยทัศน์คอมพิวเตอร์และการประยุกต์ใช้ มูลเลอร์, et al (2004)
จ้างแบ่งส่วนวัตถุตามที่มีความสำคัญเป็นพิเศษกับรูปร่าง
ข้อมูลเพื่อดึงวัตถุที่มนุษย์สร้างขึ้นที่มีขนาดใหญ่ส่วนใหญ่การเกษตร
สาขาในข้อมูลเต็มที่ความละเอียดสูง มันเป็นสิ่งสำคัญที่จะทราบว่า
ไม่มีวิธีการมาตรฐานหรือได้รับการยอมรับอย่างกว้างขวางพร้อมที่จะ
ตรวจสอบในระดับที่ดีที่สุดสำหรับทุกประเภทของการใช้งานพื้นที่ที่มี
สภาพแวดล้อมและชีวกายภาพที่แตกต่างกันและแตกต่างกัน
ชนิดของภาพรู้สึกระยะไกล.
เราใช้อัลกอริทึมการแบ่งส่วนที่มีอยู่ใน Definiens เป็นที่รู้จักกัน
เป็นการแบ่งส่วน multiresolution ซึ่งจะขึ้นอยู่กับเศษส่วนสุทธิ
วิธีวิวัฒนาการ (FNEA) (Baatz & Schape, 2000) ขั้นตอนแรกใน
กระบวนทัศน์วัตถุตามที่มีซอฟแวร์ Definiens คือการที่เราต้อง
กำหนดค่าที่เหมาะสมถึงสามพารามิเตอร์ที่สำคัญคือรูปร่าง
(SSH) เป็นปึกแผ่น (SCM) และขนาด (Ssc) กับวัตถุส่วนหรือพิกเซล
มีสเปกตรัมที่คล้ายกันและ ลายเซ็นเชิงพื้นที่ในภาพ ผู้ใช้สามารถ
ใช้น้ำหนักตั้งแต่ 0-1 สำหรับรูปร่างและความเป็นปึกแผ่น
ปัจจัยในการกำหนดวัตถุในระดับที่แตกต่างกันของเครื่องชั่ง ทั้งสอง
ตัวแปรควบคุมความสม่ำเสมอของวัตถุ ปัจจัยที่มีรูปร่าง
ปรับความสม่ำเสมอของสเปกตรัมเทียบกับรูปร่างของวัตถุในขณะที่
ปัจจัยที่เป็นปึกแผ่นสมดุลแน่นและเรียบเนียนกำหนด
รูปร่างวัตถุระหว่างเขตแดนได้อย่างราบรื่นและมีขนาดกะทัดรัด
ขอบ นอกจากนี้ยังมีพารามิเตอร์ที่เรียกว่า "เรียบ" ที่โดยตรง
เชื่อมโยงกับความเป็นปึกแผ่นเป็นผลรวมของความเรียบเนียนและความเป็นปึกแผ่นที่มี
ค่าเท่ากับหนึ่ง แน่นเรียบเนียนหรือมีผลเฉพาะเมื่อ
ปัจจัยรูปร่างมีขนาดใหญ่กว่าศูนย์ พารามิเตอร์ระดับที่ควบคุม
ขนาดของวัตถุที่ตรงกับระดับที่จำเป็นของผู้ใช้รายละเอียดสามารถ

ผลลัพธ์ (ไทย) 3:

4.2.1 . การแบ่งส่วนภาพการแบ่งส่วนภาพเป็นฟังก์ชันหลักที่แยกภาพในภูมิภาคหรือแยกวัตถุขึ้นอยู่กับพารามิเตอร์ที่ระบุ( อิม et al . , 2008 ; ลีและ Warner , 2006 ; มิ้น et al . , 2008 ; เก็บ et al . ,2008 ) กลุ่มของพิกเซลที่มีคุณสมบัติสเปกตรัมและพื้นที่ใกล้เคียงถือว่าเป็นวัตถุในวัตถุที่ใช้ประเภทต้นแบบเราใช้ส่งมอบผู้พัฒนา 7.0 ( เดิมเรียกว่า ecognition- การส่งมอบซอฟต์แวร์ 2008 ) จะแสดงวัตถุที่ใช้หมวดหมู่วิธีการ ( baatz & schape , 1999 ) จำนวนของการศึกษาแสดงให้เห็นถึงวิธีการประเมินความถูกต้อง ( lucieer ) ,2004 ) และเปรียบเทียบกับตัวอย่างวัตถุส่วนที่วัตถุอ้างอิง ( ไวด์เนอร์ , 2008 ; ฤดูหนาว , 2000 ) M ö ller et al . ( 2007 )พัฒนาวิธีการเพื่อระบุการแบ่งส่วนแบบที่ใกล้ที่เหมาะสมโดยการทดลองและข้อผิดพลาดการทดสอบร่วมกับดัชนีที่เรียกว่า " ดัชนีการเปรียบเทียบ พวกเขาสร้างวัตถุที่แตกต่างกันเครื่องชั่งโดยใช้กระบวนการที่เรียกว่า วิวัฒนาการการสุทธิเศษส่วนวิธีการ ( baatz & schape , 2000 ) ที่ใช้ในซอฟต์แวร์ ecognition . มูนอซ et al . ( 2003 ) ชี้ให้เห็นข้อดีและข้อเสียของการรวมแนวทางต่าง ๆว่าเขตข้อมูลและขอบเขต และรายงานว่าไม่มีสมบูรณ์ ) และซึ่งเป็นสิ่งสำคัญสำหรับการพัฒนาวิสัยทัศน์คอมพิวเตอร์และการประยุกต์ มุลเลอร์ et al . ( 2004 )เป็นวัตถุที่ใช้ในการแบ่งส่วนตลาดโดยเน้นพิเศษในรูปร่างข้อมูลสารสกัดจากวัตถุธรรมชาติขนาดใหญ่ ส่วนใหญ่เป็นเกษตรกรรมเขตข้อมูลในความละเอียดสูง ดาวเทียมข้อมูล มันเป็นสิ่งสำคัญที่จะทราบว่าไม่มีมาตรฐานหรือวิธีที่สามารถได้รับการยอมรับอย่างกว้างขวางกำหนดระดับที่ดีที่สุดสำหรับทุกประเภทของการใช้งานพื้นที่กับสภาพแวดล้อมและทางชีวกายภาพที่แตกต่างกันและแตกต่างกันชนิดของการสำรวจระยะไกล ภาพเราใช้ขั้นตอนวิธีการในการส่งมอบงานที่รู้จักเป็นโปรแกรมในการวิเคราะห์ซึ่งจะขึ้นอยู่กับกรอบสุทธิวิธีการวิวัฒนาการ ( fnea ) ( baatz & schape , 2000 ) ขั้นตอนแรกในส่วนวัตถุที่ใช้กระบวนทัศน์กับส่งมอบซอฟต์แวร์ที่เราต้องให้มีค่าที่เหมาะสมกับสามพารามิเตอร์ที่สำคัญ ได้แก่ รูปร่าง( SSH ) แข็ง ( SCM ) และขนาด ( SSC ) ส่วนวัตถุหรือพิกเซลมีลายเซ็นสเปกตรัมและพื้นที่ใกล้เคียงในรูป ผู้ใช้สามารถใช้น้ำหนักตั้งแต่ 0 ถึง 1 สำหรับรูปร่างและความเป็นปึกแผ่นปัจจัยที่กำหนดวัตถุในระดับที่แตกต่างกันของเครื่องชั่ง เหล่านี้สองพารามิเตอร์ควบคุมความสม่ำเสมอของวัตถุ ปัจจัยรูปร่างปรับค่าแสงกับรูปร่างของวัตถุ ขณะที่ปัจจัยที่กล่าว " และจะแข็งเรียบวัตถุรูปร่างระหว่างรอยต่อเรียบและกระชับขอบ นอกจากนี้ยังมีพารามิเตอร์ที่เรียกว่า " เนียน " นั้นโดยตรงเชื่อมโยงไปยังกล่าวเป็นผลรวมของเรียบและแข็ง คือเท่ากับหนึ่ง การกล่าวหรือราบรื่น จะมีประสิทธิภาพเมื่อปัจจัยรูปร่างมีขนาดใหญ่กว่าศูนย์ ขนาดพารามิเตอร์ที่ควบคุมวัตถุที่มีขนาดตรงกับผู้ใช้ระดับต้องการรายละเอียดสามารถ