ROUGH SEGMENTATION OF BUILDINGS The

ROUGH SEGMENTATION OF BUILDINGS

There are two challenges pop out when we try to
distinguish buildings from other categories:

1) the similarity of color features between buildings, roads and squares;
2) the variety of building's appearance features.

As illustrated in Figure 2, we sample 30 square patches
from the three images in the top row. The 15 patches
inside the red square are extracted from the building areas,
and those in the blue one are sampled in the road areas.

Obviously, it is difficult to recognize buildings by the
local color features independently. The local
neighborhood and the prior knowledge about the shadows
must be considered.
It can be noticed that boundaries between buildings
and roads are often detectable, which indicates that the
regional growth segmentation algorithm possibly works
for this situation. Besides, the existence of shadows may
provide a useful prediction for the locations of buildings.
By combining the two factors, we present a new
algorithm to implement the rough segmentation of
buildings in the complex RSIs. The flow chart of the
algorithm is shown in Figure 3.

ผลลัพธ์ (ไทย) 1:

แบ่งคร่าว ๆ ของอาคาร มีความท้าทายสองป๊อปออกเมื่อเราพยายาม แยกอาคารจากประเภทอื่น ๆ: 1 ความคล้ายของสี ระหว่างอาคาร ถนน สี่ เหลี่ยม 2) ความหลากหลายของลักษณะที่ปรากฏของอาคาร ดังที่แสดงในรูปที่ 2 เราตัวอย่างซอฟต์แวร์ตาราง 30 จากรูปที่สามในแถวบนสุด ปรับปรุง 15 ภายในสี่เหลี่ยมสีแดงที่สกัดจากอาคาร และในหนึ่งสีฟ้าเป็นตัวอย่างในพื้นที่ถนนอย่างชัดเจน ได้ยากรู้จักอาคารโดยการ สีภายในห้องอย่างอิสระ ท้องถิ่น ความรู้เดิมเกี่ยวกับเงาและพื้นที่ใกล้เคียง ต้องถือว่า สามารถสังเกตเห็นว่า รอยต่อระหว่างอาคาร และถนนมักอาสา ที่ว่า การ อัลกอริทึมการแบ่งภูมิภาคเติบโตอาจจะทำงาน ในสถานการณ์นี้ สำรอง การดำรงอยู่ของเงาอาจ มีการคาดการณ์เป็นประโยชน์สำหรับที่ตั้งของอาคาร โดยการรวมปัจจัยสอง เรานำเสนอใหม่ อัลกอริทึมสามารถแบ่งคร่าว ๆ ของ อาคารใน RSIs ซับซ้อน แผนภูมิขั้นตอนของการ อัลกอริทึมจะแสดงในรูปที่ 3

ผลลัพธ์ (ไทย) 2:

แบ่งกลุ่มหยาบของอาคารมีสองความท้าทาย pop ออกมาเมื่อเราพยายามที่จะแยกความแตกต่างอาคารจากประเภทอื่น ๆ : 1) ความคล้ายคลึงกันของคุณสมบัติสีระหว่างอาคารถนนและสี่เหลี่ยม; . 2) ความหลากหลายของคุณสมบัติลักษณะของอาคารที่แสดงในรูปที่ 2 เรา ตัวอย่าง 30 ตารางแพทช์จากสามภาพในแถวบนสุด 15 แพทช์ภายในสี่เหลี่ยมสีแดงที่สกัดจากพื้นที่อาคารและผู้ที่อยู่ในสีฟ้าเป็นตัวอย่างในพื้นที่ถนน. เห็นได้ชัดว่ามันเป็นเรื่องยากที่จะยอมรับโดยอาคารสีในท้องถิ่นมีอิสระ ท้องถิ่นและพื้นที่ใกล้เคียงความรู้เดิมเกี่ยวกับเงาต้องพิจารณา. ก็สามารถที่จะสังเกตเห็นว่ารอยต่อระหว่างอาคารและถนนที่มีการตรวจพบบ่อยซึ่งบ่งชี้ว่าการเจริญเติบโตในภูมิภาคขั้นตอนวิธีการแบ่งส่วนอาจทำงานสำหรับสถานการณ์นี้ นอกจากนี้การดำรงอยู่ของเงาอาจให้การคาดการณ์ที่มีประโยชน์สำหรับสถานที่ของอาคาร. โดยการรวมสองปัจจัยที่เรานำเสนอใหม่ที่จะใช้ขั้นตอนวิธีการแบ่งส่วนหยาบของอาคารใน RSIs ซับซ้อน แผนภูมิการไหลของอัลกอริทึมจะแสดงในรูปที่ 3

ผลลัพธ์ (ไทย) 3:

หยาบการแบ่งส่วนอาคาร

มีความท้าทายที่สองปรากฏออกมา เมื่อเราพยายามที่จะแยกแยะความแตกต่างจากประเภทอื่น ๆ : อาคาร

1 ) ความคล้ายคลึงกันของสีที่มีคุณสมบัติระหว่างอาคาร ถนนและสี่เหลี่ยม ;
2 ) ความหลากหลายของลักษณะที่ปรากฏของอาคาร

ตามที่แสดงในรูปที่ 2 เราตัวอย่าง 30 ตารางแพทช์
จากรูปที่สามในแถวบนสุด 15 ซอฟต์แวร์
ในสี่เหลี่ยมสีแดงจะถูกแยกจากพื้นที่อาคาร ,
ผู้หนึ่งสีฟ้ามีตัวอย่างในพื้นที่ถนน

แน่นอนมันเป็นเรื่องยากที่จะจำอาคารโดย
คุณสมบัติสีท้องถิ่นอิสระ ท้องถิ่นละแวก
และก่อนที่ความรู้เกี่ยวกับเงา
ต้องพิจารณา
มันสามารถสังเกตรอยต่อระหว่างอาคารและถนนมักจะมีการตรวจพบ
,ซึ่งบ่งชี้ว่า การจะทำงานในขั้นตอนวิธีการ

สำหรับสถานการณ์นี้ นอกจากนี้ การมีตัวตนของเงาอาจ
ให้พยากรณ์ประโยชน์สำหรับที่ตั้งของอาคาร
โดยการรวมสองปัจจัยที่เราได้เสนออัลกอริทึมใหม่

ใช้แบ่งส่วนคร่าวๆ ของอาคารใน RSIS ซับซ้อน การไหลแผนภูมิของ
วิธีที่แสดงในรูปที่ 3