关键字 |
| 潜在狄利克雷分配(LDA),无监督图像分类、马尔可夫随机场 |
介绍 |
| 遥感信息的采集对象与对象没有身体接触。雷竞技网页版这个术语通常指的是使用空中先生的技术检测和分类对象在地球上通过传播信号,如电磁辐射发射的卫星遥感可以收集数据在危险或不能到达的区域。 |
| 遥感的过程也有助于城市规划、考古调查、军事观察和地貌测绘卫星图像分割成有意义的地区近年来发挥了重要作用。监督分类方法包括人工解释需要人类努力丰富的和昂贵的。遥感应用中最具挑战性的问题之一是图像语义的自动、高效的方法提取。为了实现一个高效的内容提取卫星图像,许多聚类算法提出了直接基于图像特征分类过程的目的是将数字图像中的所有像素分类成几个土地覆盖类或主题之一。这个分类的数据可能会被用来制造专题地图的土地覆盖在一个图像。 |
| 图像分类的目标是识别和描述,作为一个独特的灰度,发生在一个图像的特性的对象或者类型的土地覆盖这些特性实际上代表了在地上。监督分类和非监督分类两种分类方法。 |
| 监督分类方法包括人工解释需要人类努力丰富的和昂贵的。遥感应用中最具挑战性的问题之一是图像语义的自动、高效的方法提取。为了实现一个高效的内容提取卫星图像,许多聚类算法提出了直接基于图像特征。 |
| 无监督分类方法,检查大量的未知像素和基于自然分为若干分类分组图像中值。与监督分类、非监督分类不需要analyst-specified训练数据对论文指导的问题,请联系会议出版物委员会在会议网站上显示。雷竞技网页版关于期末论文提交的信息可以从会议网站。 |
相关工作 |
| 使用遥感数据的分类来分配相应的水平对组与同质的特点。互相的目标识别多个对象的图像使用不同的方法来实现这一目标。在模型[1]结合空间和方面显著提高该地区级别分类精度。在[2]中使用的概念是最大似然方法,以有效地处理图像分析相关内容信息的任务使用基于聚类的遥感许多技术。在[3]应用程序最小化能量的α扩张算法扩展,以便它可以同时优化标签成本。在[4]弱监督分类方法用于大型PolSAR意象使用多通道模型,马尔可夫方面在[5]概率潜在语义分析(向量)方法最初是用于文本分析扩展到图像。像一个文档包含主题图像包含的对象。这是类比用于从文本扩展查询算法的图像。在[6]的视觉词汇是一个中级表示已被证明是非常强大的解决对象分类问题。在这里嵌入对象模型内的视觉词汇创造建设,允许更适合对象阶级歧视,因此对象分类。 In [7] statistical pattern recognition is integrated with geosciences a new method ISODATA-Geosciences Imagery Classification method is used. In [8] ISODATA method was executed in parallel using map reduce method thus execution time is considerably reduced. In [9] a new method is for the subpixelic land cover classification using both high resolution structural information and coarse resolution temporal information. In [10] an object oriented semantic clustering algorithm for high spatial resolution remote sensing images using the probabilistic latent semantic analysis model coupled with neighbourhood spatial information. |
提出了系统 |
| 的主要目标是获得准确的分割结果可以获得只有通过计算包括像素之间的空间信息。潜在狄利克雷分配(LDA)方法可以做得更好分割但缺乏空间信息。我们建议与马尔可夫随机域分割方法结合LDA (MRF)准确的分割结果。 |
模块描述 |
| 读取输入图片:从谷歌地球获得的输入图像 |
| 预处理:在预处理可以执行两个步骤。第一步是输入图像的大小和缩放后的图像转换是第二步的街区。提取特征我们利用尺度不变特征变换(筛选)。 |
| k - means量子化:提取的特征尺度不变特征变换然后使用kmeans量化分组。k - means算法需要输入集群的数量产生k,和一组观测向量的集群。它将返回一组重心,一个用于每个k集群。观察向量与集群数量或质心分类指数重心接近它。k - means的结果,一组重心,可以用来量化向量。量化的目标是找到一个向量的编码,减少预期的变形。 |
| 潜在狄利克雷分配:LDA允许集的观察被未被注意的团体解释解释为什么有些部分的数据是相似的。LDA用于分配区域像素。 |
| 马尔可夫随机域:磁流变液无向和循环添加空间信息用于准确的分割 |
结果 |
| 输入图像:现场输入来源于谷歌地球卫星图像。 |
| 基于特征的细分:从卫星获得的输入图像分割基于功能。从卫星获得的输入图像分割是基于当代的特性输入图像的大小,然后缩放后的图像转换成是分工。提取特征的尺度不变特征变换使用。它是一种算法用于检测和描述局部特征图像 |
| 边缘检测: |
| 边缘检测的输出是播种在图4中,使用精明的边缘检测方法检测边缘。这是一个多级算法来检测图像中的边缘不同。 |
| LDA分类(现有的): |
| 图像分类是基于潜在狄利克雷分配方法。图像的准确分割是在LDA不这样做。缺点是缺乏空间相关性。为克服这个缺点我们会结合方法分类称为LDA和磁流变液的分类 |
| LDA-MRF分类: |
| 这是LDA-MRF分类的结果。LDA MRF模型的缺点被克服捕捉当地的所有空间相邻的邻居之间的相关性。这是一个有效的方法来解决空间信息的缺乏。结合主题模型和磁流变液是补偿损失的上下文信息 |
结论 |
| 因此提出基于LDA-MRF卫星图像分类获得图像分割精度高,减少计算复杂度。图像分类是LDA-MRF方法完成的,在未来的这张照片可以使用支持向量机分类与径向基函数内核的方法。 |
|
数据乍一看 |
|
|
引用 |
- JakobVerbeek和比尔区格,一个¢地区分类与马尔可夫场方面ModelsA¢,IEEE 2007。
- 投资局©努美阿,共®混乱关系,Datcu,一个¢卫星图像的语义注释使用潜在狄利克雷allocationA¢,IEEE Geosci。远程参议员。,7卷,不。1,28页。一个¢32岁,2010年1月。
- 德龙,Osokin h . Isack Boykov,一个¢快速近似的能量最小化标签costsA¢,Proc。设计。第一版。粘度Recog模式。,pp. 2173âÂÂ2180,2010.
- 杨,戴笠,吴,他一个¢弱监督极化SAR图像分类与综合模型,马尔可夫方面一个¢Proc。ISPRS, TC七计算机协会。(乙方),100年ISPRSA¢推进遥感科学,维也纳,奥地利,7月5 A¢7,页669¢673,2010。
- Andrew Zisserman和泽维尔,一个¢SceneClassication通过pLSAA¢,IEEE 2009。
- 黛安娜Larlus,¢潜在的混合物对象分类和词汇segmentationA¢,IEEE 2009
- YaojieYue和Qinqing¢由统计模式识别和地质分析方法基于分割遥感图像ClassificationA¢,2008。
- 回族赵和振华、¢并行ISODATA聚类的遥感图像基于地图ReduceA¢,IEEE 2010。
- 含有杏仁的和莱昂内尔Moisan¢无监督Subpixelic分类使用粗分辨率时间序列和结构InformationA¢,IEEE 2008。
- Wenbin和香港,一个¢面向对象的高分辨率遥感图像的语义聚类算法模型使用方面¢IEEE, 2011。
- 咦,唐,陈,一个¢面向对象语义聚类算法对高分辨率遥感图像模型,使用方面一个¢IEEE Geosci。RemotSens。列托人。,vol. 8, no. 3, pp. 522âÂÂ526, May, 2011.
- Larlus Jurie,一个¢潜在对象分类词汇表和分割,图像粘度ComputA¢,27卷,没有。5,页523¢534,2009年4月。
- 博,回族赵和甄华,一个¢平行ISODATA聚类的遥感图像基于MapReduceA¢,国际会议Cyber-Enabled分布式计算和知识发现,2010年。
- YaojieYue和Qinqing史、¢由统计模式识别和地质分析方法基于分割遥感图像ClassificationA¢,IEEE 2011
- SudheendraVijayanarasimhan和克里斯汀好莱坞,¢预测努力与信息量多标记图像AnnotationsA¢,IEEE 2009。
|
菜单
