images when dealing with a detailed

images when dealing with a detailed urban mapping. There is no
universally accepted method to determine an optimal scale level to
segment objects. Moreover, a scale level may not be suitable for all
classes in an image classification. The best approach to select which
bands to be considered for the membership function and which scale
level to employ for a particular class would be to identify the class with
different options and qualitatively analyze them on the display screen
as a generate and test approach. The output map needs to be checked
carefully throughout the image. We note that some membership
functions seemed to work very well for a particular class in one part of
the study area, but it did not perform well for the same class in other
parts. The analyst needs to check a zoom-in version of the output at all
possible spots before observing other classification options at different
level of scales. It would be a good idea to treat individual classes
separately to explore which method and scale level with which feature
space is potentially good to extract a class. However, in some cases,
classification of a few classes together in multispectral bands with the
use of the nearest neighbor option could be better than individual
classes separately using a membership function with a set of expert
system rules. Even though there were seven classes in our classification,
we kept several different classes or many different training
samples of the same classes to perform the classification. The threshold
values given in this study may not be applicable to other urban
mapping using the same satellite data (QuickBird), even though the
classification system employs the same classes in a similar urban
environment. However, similar or considerably different threshold
values with a slight modification of the parameters can be expected to
be effective for urban mapping in different environmental settings.
Since both classifiers available in the object-based approach are
non-parametric rules, they are independent of the assumption that
data values need to be normally distributed. This is advantageous,
because most data are not normally distributed in many real world
situations. One of the other advantages of the object-based approach
is that it allows additional selection or modification of new objects
(training samples) each time, after performing a nearest neighbor
classification quickly until the satisfactory result is obtained. There
are many possible combinations of different functions, parameters,
features, and variables available with the object-based approach. The
successful use of the object-based paradigm largely relies on
repeatedly modifying training objects, performing the classification,
observing the output, and/or testing different combinations of
functions as a trial-and-error process.
Our experience was that Definiens or eCognition software was not
able to perform many features or bands at many different scale levels
for image segmentation and classification. This was simply because
the computer memory needs to be used extensively to segment
tremendous numbers of objects from many different bands, especially
when requiring smaller scale parameters (larger scale segmentation).
We used different computer hardware and experienced numerous
computer breakdowns and freezes during the segmentation, even
though our study area is a small part of the whole Phoenix
metropolitan area. This should be considered a limitation especially
when dealing with a large dataset (finer resolution data for a
relatively large area). Nonetheless, the object-based classification
system is a better approach than the traditional per-pixel classifiers in
urban mapping using high-resolution imagery

ผลลัพธ์ (ไทย) 1:

ภาพเมื่อทำงานกับการแม็ปเมืองรายละเอียด มีไม่มีวิธีการกำหนดระดับมาตราส่วนที่เหมาะสมเพื่อการยอมรับระดับสากลส่วนวัตถุ นอกจากนี้ ในระดับมาตราส่วนอาจไม่เหมาะสมสำหรับทั้งหมดการสอนในการจัดประเภทภาพ วิธีการเลือกที่ดีสุดวงดนตรีจะถือว่าฟังก์ชันสมาชิกและที่ปรับขนาดระดับที่ใช้สำหรับชั้นเฉพาะที่จะระบุระดับชั้นด้วยตัวเลือกต่าง ๆ และคุณภาพวิเคราะห์บนหน้าจอเป็นวิธีการสร้างและการทดสอบ แผนที่ผลลัพธ์ต้องมีการตรวจสอบอย่างละเอียดทั่วทั้งภาพ เราทราบว่า สมาชิกบางฟังก์ชั่นที่ดูเหมือนจะ ทำงานดีสำหรับคลาโดยเฉพาะอย่างยิ่งในส่วนหนึ่งของพื้นที่การศึกษา แต่มันไม่ทำดีสำหรับประเภทเดียวกันในอะไหล่ นักวิเคราะห์ต้องตรวจสอบรุ่นซูมของผลผลิตทั้งหมดจุดเป็นไปได้ก่อนที่จะสังเกตตัวเลือกการจัดประเภทอื่น ๆ ที่แตกต่างกันระดับของเครื่องชั่ง มันจะเป็นความคิดดีในการรักษาแต่ละระดับชั้นแยกต่างหากเพื่อสำรวจระดับวิธีการและระดับคุณลักษณะใดมีพื้นที่ดีอาจจะแยกชั้น อย่างไรก็ตาม ในบางกรณีการจำแนกประเภทของคลาที่ร่วมกันในวง multispectral ด้วยการใช้ตัวเลือกเพื่อนบ้านที่ใกล้ที่สุดจะดีกว่าแต่ละคลาสที่ใช้ฟังก์ชันสมาชิกแยกต่างหากกับชุดของผู้เชี่ยวชาญระบบกฎ แม้ว่าในการจัดประเภทของเรา มีเจ็ดชั้นเราเก็บไว้หลายชั้นเรียนที่แตกต่างกันหรือการฝึกอบรมแตกต่างกันมากตัวอย่างของประเภทเดียวกันเพื่อทำการจัดประเภท ขีดจำกัดค่าที่กำหนดในการศึกษานี้อาจไม่สามารถใช้กับอื่น ๆ ในเมืองการทำแผนที่ใช้ข้อมูลดาวเทียมเดียวกัน (QuickBird), แม้ว่าการระบบการจัดหมวดหมู่ใช้คลาสที่เดียวในคล้ายเมืองสิ่งแวดล้อม อย่างไรก็ตาม เกณฑ์คล้ายคลึง หรือแตกต่างกันมากค่าการเปลี่ยนแปลงเล็กน้อยของพารามิเตอร์จะทำให้มีประสิทธิภาพสำหรับการแม็ปการเมืองในการตั้งค่าสิ่งแวดล้อมที่แตกต่างกันเป็นคำนามภาษาทั้งในการปฏิบัติตามวัตถุ-คณิตศาสตร์กฎ เป็นอิสระจากสมมติฐานที่ค่าข้อมูลต้องมีกระจายปกติ นี้เป็นประโยชน์เพราะข้อมูลส่วนใหญ่มีไม่กระจายปกติในโลกแห่งความจริงมากมายสถานการณ์นี้ หนึ่งในข้อดีของวิธีการวัตถุคือ มันให้เลือกเพิ่มเติมหรือเปลี่ยนแปลงของวัตถุใหม่(ตัวอย่างการฝึกอบรม) แต่ละครั้ง หลังจากดำเนินการเพื่อนบ้านที่ใกล้ที่สุดการจัดหมวดหมู่ได้อย่างรวดเร็วจนได้รับผลน่าพอใจ มีมีหลายชุดที่เป็นไปได้ของฟังก์ชั่นต่าง ๆ พารามิเตอร์คุณสมบัติ และตัวแปรที่มีการปฏิบัติตามวัตถุ การใช้ความสำเร็จของกระบวนทัศน์ตามวัตถุส่วนใหญ่อาศัยปรับเปลี่ยนวัตถุการฝึก การจำแนก การทำซ้ำ ๆสังเกตผลลัพธ์ และการทดสอบรวมกันฟังก์ชันเป็นกระบวนการทดลองผิดพลาดประสบการณ์ของเราได้ที่ Definiens หรือ eCognition ซอฟต์แวร์ไม่สามารถใช้คุณสมบัติหรือวงดนตรีระดับมาตราส่วนที่แตกต่างกันมากแบ่งส่วนรูปภาพและการจัดประเภท นี้เป็นเพียงเพราะหน่วยความจำที่คอมพิวเตอร์ต้องใช้อย่างกว้างขวางกับเซ็กเมนต์วัตถุจากที่ต่าง ๆ จำนวนมหาศาลวง โดยเฉพาะอย่างยิ่งเมื่อต้องใช้พารามิเตอร์ขนาดเล็ก (ใหญ่กว่าสเกลแบ่งกลุ่ม)เราใช้ฮาร์ดแวร์คอมพิวเตอร์แตกต่างกัน และมีประสบการณ์มากมายแจกคอมพิวเตอร์และหยุดการทำงานในระหว่างการแบ่งกลุ่ม แม้แม้ว่า พื้นที่ของเราเป็นส่วนเล็ก ๆ ของทั้งหมดปริมณฑล นี้ควรพิจารณาข้อจำกัดโดยเฉพาะอย่างยิ่งเมื่อจัดการกับชุดข้อมูลขนาดใหญ่ (ข้อมูลละเอียดปลีกย่อยพื้นที่ค่อนข้างมาก) กระนั้น การจัดประเภทตามวัตถุระบบเป็นวิธีที่ดีกว่ากว่าคำหลักภาษาดั้งเดิมต่อเซลในเมืองการแมปโดยใช้ภาพความละเอียดสูง

ผลลัพธ์ (ไทย) 2:

ภาพเมื่อต้องรับมือกับการทำแผนที่เมืองรายละเอียด ไม่มีเป็น
วิธีการที่ยอมรับอย่างกว้างขวางในการกำหนดระดับระดับที่เหมาะสมเพื่อ
วัตถุส่วน นอกจากนี้ระดับขนาดอาจจะไม่เหมาะสำหรับทุก
ชั้นเรียนในการจัดหมวดหมู่ของภาพ วิธีที่ดีที่สุดในการเลือก
วงดนตรีที่ได้รับการพิจารณาสำหรับการทำงานของสมาชิกและขนาดซึ่ง
ระดับการจ้างงานสำหรับการเรียนโดยเฉพาะอย่างยิ่งที่จะระบุระดับที่มี
ตัวเลือกที่แตกต่างกันและมีคุณภาพวิเคราะห์พวกเขาบนหน้าจอแสดงผล
เป็นวิธีการสร้างและการทดสอบ แผนที่การส่งออกจะต้องมีการตรวจสอบ
อย่างรอบคอบตลอดทั้งภาพ เราทราบว่าบางส่วนเป็นสมาชิก
ฟังก์ชั่นลำบากในการทำงานได้เป็นอย่างดีสำหรับการเรียนโดยเฉพาะอย่างยิ่งในส่วนหนึ่งของ
พื้นที่ศึกษา แต่มันไม่ดีสำหรับระดับเดียวกันในอื่น ๆ
ชิ้นส่วน นักวิเคราะห์จะต้องมีการตรวจสอบซูมในรุ่นของการส่งออกในทุก
จุดที่เป็นไปได้ก่อนที่จะสังเกตตัวเลือกการจัดหมวดหมู่อื่น ๆ ที่แตกต่างกัน
ในระดับของเครื่องชั่ง มันจะเป็นความคิดที่ดีในการรักษาแต่ละชั้นเรียน
แยกต่างหากเพื่อสำรวจวิธีการและระดับระดับที่มี
พื้นที่มีศักยภาพที่ดีในการแยกชั้นเรียน อย่างไรก็ตามในบางกรณี
การจัดหมวดหมู่ของการเรียนไม่กี่ร่วมกันในวงดนตรีที่ multispectral กับ
การใช้งานของตัวเลือกเพื่อนบ้านที่ใกล้ที่สุดอาจจะดีกว่าแต่ละ
ชั้นเรียนแยกโดยใช้ฟังก์ชั่นการเป็นสมาชิกกับชุดของผู้เชี่ยวชาญ
กฎระบบ ถึงแม้ว่าจะมีเจ็ดชั้นเรียนในการจัดหมวดหมู่ของเรา
เราเก็บไว้เรียนแตกต่างกันหลายคนหรือหลายคนการฝึกอบรมที่แตกต่างกัน
ตัวอย่างของชั้นเรียนเดียวกันในการดำเนินการจัดหมวดหมู่ เกณฑ์
ค่าที่กำหนดในการศึกษาครั้งนี้อาจจะไม่ใช้บังคับกับเมืองอื่น ๆ
การทำแผนที่โดยใช้ข้อมูลดาวเทียมเดียวกัน (QuickBird) แม้ว่า
ระบบการจำแนกพนักงานชั้นเรียนเดียวกันในเมืองที่คล้ายกัน
สภาพแวดล้อม อย่างไรก็ตามเกณฑ์ที่คล้ายกันหรือแตกต่างกันมาก
ค่าที่มีการปรับเปลี่ยนเล็กน้อยของพารามิเตอร์ที่สามารถคาดว่าจะ
มีผลบังคับใช้สำหรับการทำแผนที่เมืองในการตั้งค่าด้านสิ่งแวดล้อมที่แตกต่างกัน.
เนื่องจากทั้งสองแยกประเภทที่มีอยู่ในวิธีการที่วัตถุที่ใช้เป็น
กฎที่ไม่ใช่ตัวแปรที่พวกเขามีความเป็นอิสระของ สมมติฐานที่ว่า
ค่าของข้อมูลที่จะต้องมีการกระจายตามปกติ นี่คือข้อได้เปรียบ
เนื่องจากข้อมูลส่วนใหญ่จะไม่กระจายตามปกติในหลายโลกแห่งความจริง
สถานการณ์ หนึ่งในข้อดีอื่น ๆ ของ Object-base
ก็คือว่ามันจะช่วยให้ตัวเลือกเพิ่มเติมหรือการเปลี่ยนแปลงของวัตถุใหม่
(ตัวอย่างการฝึกอบรม) ทุกครั้งหลังจากการดำเนินการเพื่อนบ้านที่ใกล้ที่สุด
การจัดหมวดหมู่ได้อย่างรวดเร็วจนผลที่น่าพอใจที่จะได้รับ มี
รวมกันได้หลายฟังก์ชั่นที่แตกต่างกันพารามิเตอร์ที่มี
คุณสมบัติและตัวแปรที่สามารถใช้ได้กับ Object-base
การใช้งานที่ประสบความสำเร็จของกระบวนทัศน์วัตถุส่วนใหญ่อาศัยอยู่
ซ้ำ ๆ การปรับเปลี่ยนวัตถุการฝึกอบรมการดำเนินการจัดหมวดหมู่
การสังเกตการส่งออกและ / หรือทดสอบชุดที่แตกต่างกันของ
ฟังก์ชั่นเป็นกระบวนการพิจารณาคดีและข้อผิดพลาด.
ประสบการณ์ของเราคือการที่ Definiens หรือซอฟต์แวร์ eCognition ก็ไม่
สามารถที่จะดำเนินคุณสมบัติมากมายหรือวงดนตรีในระดับมากขนาดที่แตกต่างกัน
สำหรับการแบ่งส่วนของภาพและการจัดหมวดหมู่ นี่เป็นเพียงเพราะ
หน่วยความจำคอมพิวเตอร์จะต้องมีการใช้อย่างกว้างขวางในการแบ่งกลุ่ม
จำนวนมากของวัตถุจากวงดนตรีที่แตกต่างกันมากโดยเฉพาะอย่างยิ่ง
เมื่อกำหนดพารามิเตอร์ขนาดเล็ก (แบ่งส่วนขนาดใหญ่).
เราใช้คอมพิวเตอร์ฮาร์ดแวร์ที่แตกต่างกันและมีประสบการณ์มากมาย
พังคอมพิวเตอร์และ freezes ระหว่างการแบ่งส่วน แม้
แม้ว่าพื้นที่การศึกษาของเราเป็นส่วนเล็ก ๆ ของทั้งฟินิกซ์
พื้นที่นครบาล นี้ควรได้รับการพิจารณาเป็นข้อ จำกัด โดยเฉพาะอย่างยิ่ง
เมื่อต้องรับมือกับชุดข้อมูลขนาดใหญ่ (ข้อมูลที่มีรายละเอียดปลีกย่อยสำหรับ
พื้นที่ที่ค่อนข้างใหญ่) อย่างไรก็ตามการจัดหมวดหมู่ของวัตถุตาม
ระบบเป็นวิธีการที่ดีกว่าเดิมลักษณนามต่อพิกเซลใน
การทำแผนที่เมืองโดยใช้ภาพความละเอียดสูง

ผลลัพธ์ (ไทย) 3:

ภาพเมื่อจัดการกับรายละเอียดในแผนที่ ไม่มีวิธีที่ยอมรับอย่างกว้างขวางเพื่อศึกษาระดับมาตราส่วนที่เหมาะสมให้ส่วนวัตถุ นอกจากนี้ ขนาดระดับอาจไม่เหมาะสำหรับทุกชั้นเรียนในหมวดหมู่ภาพ วิธีที่ดีที่สุดเพื่อเลือกที่วงดนตรีที่ได้รับการพิจารณาสำหรับฟังก์ชันการเป็นสมาชิกและขนาดซึ่งระดับการใช้คลาสโดยเฉพาะจะต้องระบุห้องด้วยตัวเลือกที่แตกต่างกันและคุณภาพวิเคราะห์ บนหน้าจอแสดงเป็นการสร้างและวิธีการทดสอบ แผนที่แสดงความต้องการที่จะตรวจสอบอย่างรอบคอบตลอดทั้งภาพ เราทราบว่า มีสมาชิกหน้าที่ดูเหมือนจะทำงานได้ดีสำหรับชั้นเรียนโดยเฉพาะอย่างยิ่งในส่วนหนึ่งของพื้นที่ศึกษา แต่มันก็ไม่ดีสำหรับคลาสเดียวกันในอื่น ๆส่วน นักวิเคราะห์จะต้องตรวจสอบการซูมในรุ่นของผลผลิตทั้งหมดจุดสังเกตอื่น ๆตัวเลือกที่เป็นไปได้ก่อนการต่าง ๆระดับของเครื่องชั่ง มันจะเป็นความคิดที่ดีในการรักษาแต่ละชั้นเรียนแยกไปสำรวจ ซึ่งวิธีการและระดับส่วนที่คุณลักษณะพื้นที่ซ่อนเร้นดีเพื่อแยกชั้น อย่างไรก็ตาม ในบางกรณีการจำแนกประเภทของไม่กี่วิชาด้วยกันในแถบหลายกับใช้ตัวเลือกเพื่อนบ้านที่ใกล้ที่สุดอาจจะมากกว่าบุคคลเรียนสมาชิกแยกกันโดยใช้ฟังก์ชันกับชุดของผู้เชี่ยวชาญกฎของระบบ แม้มีเจ็ดชั้นเรียนในหมวดหมู่ของเราเราก็เรียนที่แตกต่างกันหลายหรือการฝึกอบรมที่แตกต่างกันมากตัวอย่างของชั้นเรียนเดียวกันเพื่อแสดงการจำแนกประเภท ธรณีประตูคุณค่าที่ได้รับในการศึกษานี้อาจไม่สามารถใช้กับเมืองอื่น ๆแผนที่ใช้ข้อมูลดาวเทียมเดียวกับ ( รูป ) , ถึงแม้ว่าระบบการจัดหมวดหมู่ใช้วิชาเดียวกันในที่คล้ายกัน เมืองสิ่งแวดล้อม อย่างไรก็ตาม ที่คล้ายกัน หรือแตกต่างกันมากธรณีประตูค่านิยมกับการปรับเปลี่ยนเล็กน้อยของพารามิเตอร์ที่สามารถคาดหวังที่จะมีประสิทธิภาพสำหรับเมืองแผนที่ในสภาพแวดล้อมที่แตกต่างกันเนื่องจากทั้งสองคำที่มีอยู่ในวัตถุที่ใช้เป็นวิธีการไม่ใช้พารามิเตอร์กฎ พวกเขาเป็นอิสระของสมมติฐานว่าค่าข้อมูลต้องมีการกระจายแบบปกติ นี้เป็นประโยชน์เนื่องจากข้อมูลส่วนใหญ่จะไม่ปกติกระจายในโลกจริงมากมายสถานการณ์ หนึ่งในข้อดีอื่น ๆของวัตถุที่ใช้วิธีการคือมันช่วยให้เลือกเพิ่มเติมหรือปรับเปลี่ยนวัตถุใหม่( ตัวอย่างการฝึกแต่ละครั้ง หลังจากการแสดงเพื่อนบ้านที่ใกล้ที่สุดหมวดหมู่อย่างรวดเร็วจนผลที่น่าพอใจจะได้รับ มีมีหลายชุดที่เป็นไปได้ของการทำงานที่แตกต่างกัน พารามิเตอร์คุณสมบัติและตัวแปรที่สามารถใช้ได้กับวิธีการวัตถุที่ใช้ . ที่ใช้ที่ประสบความสำเร็จของวัตถุที่ใช้ส่วนใหญ่อาศัยกระบวนทัศน์ซ้ำ ๆปรับเปลี่ยนวัตถุการฝึกอบรมการปฏิบัติการสังเกตออก , และ / หรือการทดสอบที่แตกต่างกันฟังก์ชันเป็นการทดลองและข้อผิดพลาดในกระบวนการประสบการณ์ของเราคือการส่งมอบซอฟต์แวร์ ecognition ไม่ได้หรือสามารถแสดงคุณสมบัติหลายหรือวงดนตรีในระดับสเกลที่แตกต่างกันมากการแบ่งส่วนภาพและการจำแนก นี้เป็นเพียงเพราะหน่วยความจำคอมพิวเตอร์ต้องใช้อย่างกว้างขวางเพื่อส่วนตัวเลขมหาศาลของวัตถุจากวงต่างๆ มากมาย โดยเฉพาะเมื่อต้องใช้พารามิเตอร์มาตราส่วนเล็ก ( ขนาดใหญ่ ) )เราใช้คอมพิวเตอร์ฮาร์ดแวร์ที่แตกต่างกันและประสบการณ์มากมายคอมพิวเตอร์ breakdowns และค้างในการแบ่งส่วนตลาด แม้แม้ว่าพื้นที่การศึกษาของเราเป็นส่วนเล็ก ๆของ Phoenix ทั้งพื้นที่มหานคร นี้ควรพิจารณาข้อจำกัด โดยเฉพาะอย่างยิ่งเมื่อจัดการกับข้อมูลที่มีความละเอียดมาก ( ข้อมูลสำหรับพื้นที่ที่ค่อนข้างใหญ่ ) อย่างไรก็ตาม วัตถุที่ใช้หมวดหมู่ระบบเป็นวิธีการที่ดีกว่าแบบดั้งเดิมต่อพิกเซลลักษณนามแผนที่เมืองใช้ภาพความละเอียดสูง