雷竞技网页版研究与评论-国际期刊雷竞技苹果下载

国际电气、电子和仪器工程高级研究杂志

菜单

在线刊号(2278-8875)印刷版(2320-3765)

所有提交的EM系统将被重定向到网上投稿系统。作者被要求将文章直接提交给网上投稿系统各自的日志。

高分辨率卫星图像的自动精确分割

S.Saumya1吉吉·坦卡·利戈什安2
  1. 印度泰米尔纳德邦卡隆加尔伯利恒工程学院欧洲经委会系助理教授
  2. 研究生[应用电子学]，ECE系，伯利恒工程学院，卡隆加尔，泰米尔纳德邦，印度
有关文章载于Pubmed，谷歌学者

更多相关文章请访问国际电气、电子和仪器工程高级研究杂志

国际电气、电子和仪器工程高级研究杂志

摘要

为了监视的目的，卫星图像需要分类。从卫星上获得的图像应该进行适当的分类，以便获得图像的精细细节。图像分类技术有监督图像分类和无监督图像分类两种方法。将卫星图像划分为有意义的区域是近年来研究的一个重要课题。主题模型与随机场的互补效应已成功应用于图像分类。监督图像分类需要人工判读，人力资源丰富且成本高昂。针对卫星图像的分类问题，提出了一种有效的无监督图像分类方法。使用的方法有潜狄利克雷分配法和马尔可夫随场法。潜狄利克雷分配法得到的分类或分割更依赖于内容的一致性。大型卫星图像的标注性能是主题模型所获得的收益。利用马尔可夫随机场方法获取图像中相邻区域之间的空间信息。 The combined models are complementary and the segmentation accuracy is improved. The iterative algorithm is proposed to make the number of classes finally be converged to appropriate levels. This is based on label cost and Bayesian information criterion .The whole process works automatically instead of assuming it beforehand as a constant.

关键字
潜狄利克雷分配(LDA)，无监督图像分类，马尔可夫随机场

介绍
遥感是在不与目标进行物理接触的情况下获取有关目标的信息。雷竞技网页版该术语一般是指利用航空传感器技术，通过卫星电磁辐射发射等传播信号对地球上的物体进行探测和分类，从而有可能收集危险或不可接近地区的数据。
遥感的过程也有助于城市规划、考古调查、军事观察和地貌测量。近年来，将卫星图像划分为有意义的区域发挥了重要作用。监督分类方法包括人工解释，需要大量和昂贵的人力。自动高效的图像语义提取方法是遥感应用中最具挑战性的问题之一。为了实现高效的卫星图像内容提取，许多直接基于图像特征的聚类算法被提出，分类过程的目的是将数字图像中的所有像素划分为若干个土地覆盖类别或主题之一。然后，这些分类数据可用于制作图像中土地覆盖的专题地图。
图像分类的目标是识别和描绘图像中出现的特征，作为一个独特的灰度级别，这些特征在地面上实际代表的对象或土地覆盖类型。两种主要的分类方法是监督分类和非监督分类。
监督分类法是一种人工判读法，需要大量的人力和昂贵的人力。自动高效的图像语义提取方法是遥感应用中最具挑战性的问题之一。为了实现高效的卫星图像内容提取，许多直接基于图像特征的聚类算法被提出。
无监督分类是一种检查大量未知像素，并根据图像值中存在的自然分组将其划分为若干类的方法。与监督分类不同，非监督分类不需要分析师指定的培训数据关于论文指南的问题，请联系会议出版委员会，会议网站上显示。雷竞技网页版有关最终论文提交的信息可从会议网站上获得。

相关工作
遥感数据的分类用于对具有同质特征的组进行相应的等级划分。在图像中区分多个物体的目的是通过不同的方法来实现这一目的。在[1]中，空间和方面相结合的模型显著提高了区域级的分类精度。[2]中使用的概念是最大似然法，为了有效地处理与遥感内容信息相关的图像分析任务，使用了许多基于聚类的技术。在[3]中扩展了alpha展开算法在能量最小化方面的应用，使其能同时优化标签成本。[4]弱监督分类方法采用多模态markov方面模型对大型PolSAR图像进行分类，[5]概率潜在语义分析(pLSA)方法将原本用于文本分析的方法扩展到图像中。就像文档包含主题一样，图像包含对象。这是PLSA算法从文本扩展到图像的类比。在[6]中，视觉词汇表是一种中间层次的表示，它已被证明对解决对象分类问题非常有效。在此将可视化词汇表创建嵌入到对象模型构造中，从而使其更适合对象类区分，从而更适合对象分类。 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
主要目的是获得精确的分割结果，而分割结果只能通过包含像素之间的空间信息进行计算来获得。潜狄利克雷分配(Latent Dirichlet Allocation, LDA)方法分割效果较好，但缺乏空间信息。我们提出了一种将LDA与Markov随机场相结合的分割方法，以获得准确的分割结果。

模块描述
Read Input Image:输入图像来自谷歌Earth
预处理:在预处理中可以执行两个步骤。第一步是调整输入图像的大小，在第二步中，调整大小的图像转换为分块。为了提取特征，我们使用尺度不变特征变换(SIFT)。
k均值量化:然后使用k均值量化对尺度不变特征变换中提取的特征进行分组。k-means算法以生成k的聚类个数为输入，以一组观测向量为输入进行聚类。它返回一组质心，每个质心对应k个簇。一个观测向量以最接近它的质心的簇数或质心指数来分类。k-means的结果，一组质心，可以用来量化向量。量化的目的是找到一个编码的向量，减少预期的失真。
潜狄利克雷分配(Latent Dirichlet Allocation): LDA允许一组观测数据被未观察到的组解释，这些组解释了为什么部分数据是相似的。LDA用于将区域分配给像素。
采用无向循环马尔可夫随机场(MRF)来添加空间信息，实现精确分割

结果
输入图像:输入卫星图像的场景来源于谷歌地球。
基于特征的分割:对从卫星获取的输入图像进行基于特征的分割。根据这些特征对从卫星上获取的输入图像进行分割，首先对输入图像进行大小调整，然后对调整后的图像进行分块。为了提取特征，使用了尺度不变特征变换。它是一种用于检测和描述图像中的局部特征的算法
边缘检测:
边缘检测的输出如图4所示。边缘检测采用canny边缘检测方法。它是一种多阶段的图像边缘检测算法。
LDA分类(现有的):
基于潜狄利克雷分配方法对图像进行分类。LDA没有实现图像的精确分割。缺点是缺乏空间相关性。为了克服这一缺点，我们将采用联合方法分类，称为LDA和MRF分类
LDA-MRF分类:
这是LDA-MRF分类得到的结果。通过捕获所有空间相邻邻居之间的局部相关性，克服了LDA MRF模型的缺点。这是解决空间信息不足的有效途径。主题模型与MRF相结合是为了弥补上下文信息的损失

结论
因此，本文提出的基于LDA-MRF的卫星图像分类方法能够获得较高的分割精度和较低的计算复杂度。本文采用LDA-MRF方法对图像进行分类，今后可以采用支持向量机和径向基函数核方法对图像进行分类。

数字一览


数字 数字 数字
图1 图2 图3
数字 数字 数字
图4 图5 图6

参考文献















全球科技峰会