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.

INTRODUCTION
D of very high resolution remotely sensed data, automatic UE TO the constantly increasing coverage and availability
content extraction, object detection, and classification for urban
applications have continued to be important research problems.
There is an extensive literature on the classification of remotely
sensed imagery, where pixel-level processing has been the
common choice for remote sensing image analysis systems.
These systems use a broad range of features, including multi- or
hyperspectral information, texture features, edge detection, and
Manuscript received November 3, 2007; revised December 19, 2007. This
work was supported in part by the TUBITAK CAREER Grant 104E074 and
in part by the European Commission Sixth Framework Program Marie Curie
International Reintegration Grant MIRG-CT-2005-017504.
The authors are with Department of Computer Engineering, Bilkent University, Ankara 06800, Turkey (e-mail: [e-mail]; saksoy@cs.
bilkent.edu.tr).
Color versions of one or more of the figures in this paper are available online
at http://ieeexplore.ieee.org.
Digital Object Identifier 10.1109/TGRS.2008.916644
Fig. 1. Example classification results using a pixel-based quadratic Gaussian
classifier with (c) PCA and Gabor features and (d) DAFE features. The
classification maps for (c) and (d) are taken from [1] and [2], respectively.
(a) False color. (b) Reference map. (c) Classification using PCA and Gabor
features. (d) Classification using DAFE features.
linear or nonlinear transformations of these features. Such features are used with a wide range of classifiers, including probabilistic methods employing maximum-likelihood or Bayesian
estimation techniques, neural networks, decision trees, support
vector machines, and genetic algorithms for applications like
land cove/land use classifications.
Despite the high success rates that have been published in the
literature using limited ground truth data, visual inspection of
the results shows that most of the urban structures still cannot
be delineated as accurately as expected, particularly in highresolution images. For example, Fig. 1(a) shows the false-color

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 และส่วนป้ายชื่อของคลาสออบเจ็กต์เดียวแนะนำD ความละเอียดสูงจากระยะไกลทรงข้อมูล อัตโนมัติ UE เพื่อความครอบคลุมเพิ่มขึ้นตลอดเวลา และพร้อมใช้งานเนื้อหาสกัด ตรวจจับวัตถุ และการจัดประเภทการเมืองโปรแกรมประยุกต์มียังคงเป็นปัญหาวิจัยความสำคัญมีการประกอบการอย่างละเอียดเกี่ยวกับการจัดประเภทของจากระยะไกลทรงถ่าย ที่ได้รับการประมวลผลระดับเซลเลือกทั่วไปสำหรับระยะไกลตรวจภาพการวิเคราะห์ระบบระบบเหล่านี้ใช้ช่วงกว้างของ รวมทั้งหลาย - หรือตรวจสอบ เอดจ์ hyperspectral ข้อมูล ลักษณะพื้นผิว และ3 พฤศจิกายน 2007 ได้รับฉบับ แก้ไข 19 ธันวาคม 2007 นี้งานได้รับการสนับสนุนบางส่วน โดย 104E074 TUBITAK อาชีพเงินช่วยเหลือ และบางส่วน โดยยุโรปเสริมหกกรอบโปรแกรมมารีกูรีประเทศ Reintegration MIRG เงินช่วยเหลือ-CT-2005-017504ผู้เขียนมีวิชา วิศวกรรมคอมพิวเตอร์ มหาวิทยาลัย Bilkent, 06800 ตุรกีอังการา (อีเมล์: [e-mail]; [e-mail])รุ่นสีอย่างน้อยหนึ่งตัวเลขในกระดาษนี้มีออนไลน์ที่ http://ieeexplore.ieee.orgตัวระบุวัตถุดิจิตอล 10.1109/TGRS.2008.916644Fig. 1 ประเภทตัวอย่างผลการใช้ Gaussian กำลังสองตามพิกเซลclassifier (c) สมาคมกาบอร์คุณลักษณะ และคุณลักษณะ (d) DAFE ที่แผนที่การจัดประเภท (c) และ (d) นำมาจาก [1] [2], และตามลำดับ(ก) ผิดสี (ข) อ้างอิงแผนที่ (ค) การจัดประเภทโดยใช้ PCA และกาบอร์ลักษณะการทำงาน (d) จัดประเภทโดยใช้คุณลักษณะ DAFEเชิงเส้น หรือไม่เชิงเส้นการแปลงคุณลักษณะเหล่านี้ คุณลักษณะดังกล่าวจะใช้กับคำนามภาษา รวม probabilistic วิธีใช้ทฤษฎีหรือความเป็นไปได้สูงสุดเทคนิคการประเมิน เครือข่ายประสาท ต้นไม้การตัดสินใจ สนับสนุนเครื่องจักรแบบเวกเตอร์ และอัลกอริทึมทางพันธุกรรมสำหรับการใช้งานเช่นโคฟ/ที่ดินของที่ดินที่ใช้จัดประเภทแม้ มีอัตราความสำเร็จสูงที่ได้รับการเผยแพร่ในการเอกสารประกอบการใช้จำกัดข้อมูลพื้นความจริง ตรวจสอบภาพไม่สามารถแสดงผลที่ส่วนใหญ่โครงสร้างเมืองยังสามารถ delineated เป็นอย่างถูกต้องตามที่คาดไว้ โดยเฉพาะอย่างยิ่งในรูป highresolution ตัวอย่าง Fig. 1(a) แสดงสีเท็จ

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
ส่วนป้ายที่อยู่ในชั้นเรียนวัตถุเดียวกันบทนำD ของความละเอียดสูงมากระยะไกลข้อมูลรู้สึก, UE อัตโนมัติเพื่อความคุ้มครองที่เพิ่มขึ้นอย่างต่อเนื่องและความพร้อมในการสกัดเนื้อหาการตรวจจับวัตถุและการจัดหมวดหมู่สำหรับเมืองการใช้งานได้อย่างต่อเนื่องที่จะเป็นปัญหาการวิจัยที่สำคัญ. มีวรรณกรรมอย่างกว้างขวางในการจำแนกประเภทของระยะไกลเป็นภาพรู้สึก ที่ประมวลผลในระดับพิกเซลได้รับทางเลือกที่พบบ่อยสำหรับการสำรวจระยะไกลระบบการวิเคราะห์ภาพ. ระบบเหล่านี้ใช้ความหลากหลายของคุณสมบัติรวมทั้งหลายหรือข้อมูล Hyperspectral คุณสมบัติพื้นผิวการตรวจหาขอบและต้นฉบับที่ได้รับ 3 พฤศจิกายน 2007; ปรับปรุงวันที่ 19 ธันวาคม 2007 นี้ได้รับการสนับสนุนการทำงานในส่วนของ TUBITAK อาชีพแกรนท์ 104E074 และในส่วนของคณะกรรมาธิการยุโรปที่หกกรอบโครงการมารีกูรีแกรนท์ Reintegration นานาชาติ MIRG-CT-2005-017504. ผู้เขียนอยู่กับภาควิชาวิศวกรรมคอมพิวเตอร์ มหาวิทยาลัย Bilkent อังการา 06800, ตุรกี (E-mail: [e-mail]; saksoy @ cs. bilkent.edu.tr.) รุ่นสีหนึ่งหรือมากกว่าของตัวเลขในเอกสารนี้มีอยู่ทั่วไปที่ http : //ieeexplore.ieee.org. ระบุวัตถุดิจิตอล 10.1109 / TGRS.2008.916644 รูป 1. ตัวอย่างผลการจัดหมวดหมู่การใช้พิกเซลที่ใช้ Gaussian สมกับลักษณนาม (c) คุณสมบัติ PCA และบอร์และ (ง) คุณสมบัติ DAFE แผนที่การจำแนกประเภท (ค) และ (ง) ที่นำมาจาก [1] และ [2] ตามลำดับ. (ก) สีเท็จ (ข) แผนที่อ้างอิง (ค) การจำแนกประเภทโดยใช้ PCA และบอร์มี (ง) การจัดหมวดหมู่การใช้คุณลักษณะ DAFE. เชิงเส้นหรือการเปลี่ยนแปลงเชิงเส้นของคุณสมบัติเหล่านี้ คุณสมบัติดังกล่าวจะใช้กับความหลากหลายของการจําแนกรวมทั้งน่าจะเป็นวิธีการจ้างโอกาสสูงสุดหรือคชกรรมเทคนิคการประเมินเครือข่ายประสาทต้นไม้ตัดสินใจสนับสนุนเครื่องเวกเตอร์และขั้นตอนวิธีทางพันธุกรรมสำหรับการใช้งานเช่นอ่าวที่ดิน / ที่ดินจำแนกประเภทการใช้งาน. แม้จะมีความสำเร็จสูง ราคาที่ได้รับการตีพิมพ์ในวรรณคดีโดยใช้ข้อมูลจริงพื้นดิน จำกัด ตรวจสอบภาพจากผลที่แสดงให้เห็นว่าส่วนใหญ่ของโครงสร้างในเมืองยังคงไม่สามารถจะเบี่ยงอย่างถูกต้องตามที่คาดไว้โดยเฉพาะในภาพ HighResolution ตัวอย่างเช่นรูป 1 (ก) แสดงให้เห็นถึงสีที่เป็นเท็จ

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


แนะนำงความละเอียดสูงมากข้อมูลจากระยะไกล , อัตโนมัติ UE ที่เพิ่มขึ้นอย่างต่อเนื่อง และมีเนื้อหาครอบคลุม
การสกัดวัตถุตรวจจับและหมวดหมู่สำหรับการใช้งานในเมือง
มียังคงเป็นปัญหาการวิจัยที่สำคัญ
มีวรรณกรรมในการจำแนกระยะไกล
รู้สึกภาพที่ประมวลผลได้
ระดับพิกเซลตัวเลือกทั่วไปสำหรับการวิเคราะห์ภาพถ่ายระยะไกลระบบ .
ระบบเหล่านี้ใช้หลากหลายคุณสมบัติรวมถึง Multi - หรือ
hyperspectral ข้อมูลคุณลักษณะ ( การตรวจหาขอบและ
ต้นฉบับได้รับ 3 พฤศจิกายน , 2007 ; แก้ไขเมื่อวันที่ 19 ธันวาคม พ.ศ. 2550 งานนี้
ได้รับการสนับสนุนในส่วนของ tubitak และอาชีพให้ 104e074
ในส่วนของคณะกรรมาธิการยุโรป และมารี กูรี
6 โปรแกรมmirg-ct-2005-017504 ให้สังคมระหว่างประเทศ .
นักเขียนกับภาควิชาวิศวกรรมคอมพิวเตอร์ bilkent 06800 มหาวิทยาลัยอังการา , ตุรกี ( E-mail : [e-mail] ; saksoy @ CS .
bilkent . edu . TR ) .
สีรุ่นหนึ่งหรือมากกว่าตัวเลขในกระดาษนี้จะพร้อมใช้งานแบบออนไลน์
http : / / IEEE ieeexplore . . org .
ดิจิตอลระบุวัตถุ 10.1109 / tgrs . 2008.916644
รูปที่ 1ตัวอย่างการจำแนกการพิกเซลตามสมเสียน
กับลักษณนาม ( C ) PCA และกาบอร์คุณลักษณะและ ( d ) dafe คุณสมบัติ
หมวดหมู่แผนที่ ( ค ) และ ( ง ) เอามาจาก [ 1 ] และ [ 2 ] )
( สี ) ที่เป็นเท็จ ( ข ) แผนที่อ้างอิง ( c ) การใช้ PCA และคุณลักษณะกาบอร์

( D ) การใช้คุณลักษณะ dafe .
เส้นหรือการแปลงเชิงเส้นของลักษณะเหล่านี้คุณลักษณะดังกล่าวจะใช้กับหลากหลายของการใช้คำลักษณนาม รวมทั้งวิธีความเป็นไปได้สูงสุดหรือประมาณคชกรรม
เทคนิคโครงข่ายประสาทเทียม , ต้นไม้ตัดสินใจ , เครื่องเวกเตอร์สนับสนุน
และขั้นตอนวิธีเชิงพันธุกรรมสำหรับการใช้งานเช่น
อ่าวที่ดิน / ที่ดินหมวดหมู่ใช้ แม้จะมีอัตราความสำเร็จสูง

ที่ได้รับการตีพิมพ์ในวรรณคดีโดยใช้ข้อมูล ความจริงพื้นดินจำกัดการตรวจสอบภาพของ
ผลลัพธ์ที่แสดงให้เห็นว่าส่วนใหญ่ของโครงสร้างในเมืองยังไม่สามารถ
จะอธิบายเป็นอย่างถูกต้องเป็น คาด โดยเฉพาะใน highresolution ภาพ ตัวอย่าง รูปที่ 1 ( a ) จะแสดงสีเท็จ