The object-based analysis of remote

The object-based analysis of remotely sensed imagery provides valuable spatial and structural information that
is complementary to pixel-based spectral information in classification. In this paper, we present novel methods for automatic
object detection in high-resolution images by combining spectral information with structural information exploited by using
image segmentation. The proposed segmentation algorithm uses
morphological operations applied to individual spectral bands
using structuring elements in increasing sizes. These operations
produce a set of connected components forming a hierarchy of
segments for each band. A generic algorithm is designed to select meaningful segments that maximize a measure consisting
of spectral homogeneity and neighborhood connectivity. Given
the observation that different structures appear more clearly at
different scales in different spectral bands, we describe a new
algorithm for unsupervised grouping of candidate segments belonging to multiple hierarchical segmentations to find coherent
sets of segments that correspond to actual objects. The segments
are modeled by using their spectral and textural content, and
the grouping problem is solved by using the probabilistic latent
semantic analysis algorithm that builds object models by learning
the object-conditional probability distributions. The automatic
labeling of a segment is done by computing the similarity of its
feature distribution to the distribution of the learned object models
using the Kullback–Leibler divergence. The performances of the
unsupervised segmentation and object detection algorithms are
evaluated qualitatively and quantitatively using three different
data sets with comparative experiments, and the results show that
the proposed methods are able to automatically detect, group, and
label segments belonging to the same object classes.

ผลลัพธ์ (ไทย) 1:

วิเคราะห์ตามวัตถุของภาพถ่ายจากระยะไกลทรงให้อนุรักษ์พื้นที่ และโครงสร้างข้อมูลที่ท่องเที่ยวตามพิกเซลข้อมูลสเปกตรัมในประเภท ในเอกสารนี้ เรานำเสนอนวนิยายวิธีอัตโนมัติตรวจหาวัตถุในภาพมีความละเอียดสูงโดยการรวมข้อมูลสเปกตรัม ด้วยโครงสร้างข้อมูลไปใช้แบ่งส่วนรูปภาพ ใช้อัลกอริทึมการแบ่งกลุ่มนำเสนอใช้แถบสเปกตรัมแต่ละการดำเนินงานของใช้การจัดโครงสร้างองค์ประกอบในการเพิ่มขนาด การดำเนินการเหล่านี้ผลิตชุดประกอบเชื่อมต่อลำดับชั้นของการขึ้นรูปเซ็กเมนต์ในแต่ละวง อัลกอริทึมแบบทั่วไปถูกออกแบบมากับความหมายที่ขยายวัดประกอบด้วยของสเปกตรัม homogeneity และบริเวณเชื่อมต่อกัน กำหนดให้สังเกตที่โครงสร้างต่าง ๆ ปรากฏขึ้นชัดเจนที่ระดับต่าง ๆ ในแถบสเปกตรัมอื่น เราอธิบายใหม่อัลกอริทึมสำหรับการจัดกลุ่มส่วนผู้สมัครของ segmentations หลายลำดับชั้นหา coherent unsupervisedชุดเซ็กเมนต์ซึ่งตรงกับวัตถุจริง เซ็กเมนต์จำลอง โดยใช้เนื้อหาของสเปกตรัม และ textural และเป็นแก้ไขปัญหากลุ่มโดย probabilistic แฝงอยู่ขั้นตอนวิธีการวิเคราะห์ความหมายที่สร้างแบบจำลองวัตถุ โดยการเรียนรู้การกระจายความน่าเป็นวัตถุแบบมีเงื่อนไข โดยอัตโนมัติติดฉลากของเซ็กเมนต์จะทำ โดยเฉพาะการใช้งานของคุณลักษณะกระจายแจกของแบบจำลองวัตถุที่เรียนรู้ใช้ divergence Kullback – Leibler ประสิทธิภาพของการมี unsupervised แบ่งและวัตถุตรวจสอบอัลกอริทึมประเมิน qualitatively และ quantitatively ใช้สามแตกต่างกันชุดข้อมูล มีการทดลองเปรียบเทียบ และผลลัพธ์ที่แสดงวิธีการนำเสนอจะสามารถตรวจพบโดยอัตโนมัติ จัด กลุ่ม และส่วนป้ายชื่อของคลาสออบเจ็กต์เดียว

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์วัตถุที่ใช้ในการสัมผัสระยะไกลให้ภาพเชิงพื้นที่ที่มีคุณค่าและโครงสร้างข้อมูลที่
เป็นประกอบกับพิกเซลตามข้อมูลสเปกตรัมในการจำแนกประเภท ในบทความนี้เราจะนำเสนอวิธีการใหม่สำหรับอัตโนมัติ
ตรวจจับวัตถุที่อยู่ในภาพความละเอียดสูงโดยการรวมข้อมูลสเปกตรัมมีข้อมูลที่มีโครงสร้างเป็นประโยชน์โดยใช้
การแบ่งส่วนภาพ ขั้นตอนวิธีการแบ่งส่วนการเสนอใช้
การดำเนินงานทางสัณฐานวิทยานำไปใช้กับวงดนตรีสเปกตรัมของแต่ละบุคคล
โดยใช้องค์ประกอบโครงสร้างในขนาดที่เพิ่มขึ้น การดำเนินงานเหล่านี้
ผลิตชุดขององค์ประกอบที่เชื่อมต่อการสร้างลำดับชั้นของ
กลุ่มสำหรับแต่ละวง ขั้นตอนวิธีการทั่วไปที่ได้รับการออกแบบเพื่อเลือกกลุ่มที่มีความหมายที่เพิ่มมาตรการประกอบด้วย
สเปกตรัมของความเป็นเนื้อเดียวกันและการเชื่อมต่อพื้นที่ใกล้เคียง ได้รับ
การสังเกตว่าโครงสร้างที่แตกต่างกันอย่างชัดเจนมากขึ้นปรากฏที่
เครื่องชั่งน้ำหนักที่แตกต่างกันในวงสเปกตรัมที่แตกต่างกันเราจะอธิบายใหม่
อัลกอริทึมสำหรับการจัดกลุ่มใกล้ชิดของกลุ่มผู้สมัครที่อยู่ในลำดับชั้น segmentations หลายที่จะหากัน
ชุดของกลุ่มที่สอดคล้องกับวัตถุที่เกิดขึ้นจริง ส่วนที่
มีการสร้างแบบจำลองโดยใช้รางและเนื้อหาเนื้อสัมผัสของพวกเขาและ
การจัดกลุ่มปัญหาได้รับการแก้ไขโดยใช้ความน่าจะเป็นที่แฝงอยู่
ขั้นตอนวิธีการวิเคราะห์ความหมายที่สร้างรูปแบบของวัตถุโดยการเรียนรู้
การแจกแจงความน่าจะเป็นวัตถุที่มีเงื่อนไข อัตโนมัติ
การติดฉลากของส่วนจะทำโดยการคำนวณความคล้ายคลึงกันของ
การกระจายคุณสมบัติในการกระจายตัวของรูปแบบของวัตถุเรียนรู้
โดยใช้ความแตกต่าง Kullback-Leibler การแสดงของ
การแบ่งส่วนใกล้ชิดและขั้นตอนวิธีการตรวจจับวัตถุที่มีการ
ประเมินในเชิงคุณภาพและเชิงปริมาณที่ใช้แตกต่างกันสาม
ชุดข้อมูลที่มีการทดลองเปรียบเทียบและผลที่แสดงให้เห็นว่า
วิธีการที่นำเสนอมีความสามารถในการตรวจสอบโดยอัตโนมัติกลุ่มและ
ส่วนป้ายที่อยู่ในชั้นเรียนวัตถุเดียวกัน

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์ภาพถ่ายระยะไกล และวัตถุที่ใช้ให้มีคุณค่าเชิงพื้นที่และโครงสร้างของข้อมูลที่เป็นข้อมูลพื้นฐานประกอบกับพิกเซล
สเปกตรัมในการจำแนก ในกระดาษนี้เราเสนอวิธีใหม่สำหรับการตรวจหาวัตถุโดยอัตโนมัติในสภาพความละเอียดสูง โดยการรวมข้อมูลสเปกตรัมด้วย

การใช้โครงสร้างข้อมูลโดยใช้ภาพเสนอการแบ่งส่วนขั้นตอนวิธีใช้งานแต่ละลักษณะการใช้

ใช้องค์ประกอบในโครงสร้างวงเพิ่มขนาด การดำเนินงานเหล่านี้
ผลิตชุดของการเชื่อมต่อส่วนประกอบสร้างลำดับชั้นของ
ส่วนสำหรับแต่ละวง ขั้นตอนวิธีทั่วไปถูกออกแบบมาเพื่อเลือกความหมายส่วนที่ขยายมาตรการประกอบด้วย
ของค่าสเปกตรัมและเชื่อมต่อเพื่อนบ้าน ให้สังเกตว่าโครงสร้างที่แตกต่างกัน

ปรากฏอย่างชัดเจนมากขึ้นในระดับที่แตกต่างกันในแถบสเปกตรัมที่แตกต่างกันเราอธิบายขั้นตอนวิธีใหม่สำหรับการจัดกลุ่มของกลุ่มผู้สมัคร
unsupervised ของหลายลำดับชั้น segmentations หาชุดติดต่อกัน
กลุ่มที่สอดคล้องกับวัตถุจริง ส่วน
มีแบบจำลองโดยใช้เนื้อหาสเปกตรัมและเนื้อของพวกเขาและ
จัดกลุ่มปัญหาจะแก้ไขได้โดยใช้การแฝง
ความหมายการวิเคราะห์ขั้นตอนวิธีที่สร้างแบบจำลองวัตถุ โดยการเรียนรู้
วัตถุตามเงื่อนไขการแจกแจงความน่าจะเป็น . โดย
ฉลากส่วนทำโดยคอมพิวเตอร์ ความเหมือนของ
คุณลักษณะกระจายเพื่อการกระจายของวัตถุแบบจำลอง
เรียนรู้ใช้คัลแบ็ก–ลี๊บเลอร์ divergence การแสดงของ
แบ่งส่วน unsupervised และขั้นตอนวิธีการตรวจจับวัตถุมีการประเมินเชิงคุณภาพ และเชิงปริมาณโดยใช้
3
ชุดข้อมูลเปรียบเทียบกับการทดลอง และพบว่าวิธีที่เสนอ
สามารถที่จะตรวจสอบโดยอัตโนมัติ , กลุ่ม , และ
ป้ายกลุ่มเป็นของคลาสของวัตถุเดียวกัน