.png){kind=icon}
返回
Automatic detection of geospatial objects using multiple hierarchical segmentations
.png){kind=icon}
OA
AI
DOI：10.1109/TGRS.2008.916644.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
遥感图像的基于对象的分析提供了有价值的空间和结构信息，这些信息在分类中与基于像素的光谱信息相辅相成。在本文中，我们提出了新的方法，通过将光谱信息与使用图像分割利用的结构信息相结合，在高分辨率图像中自动检测对象。所提出的分割算法使用形态学操作，该形态学操作使用尺寸越来越大的结构元素应用于各个光谱带。这些操作产生一组连接的分量，形成每个频带的段的层次结构。设计了一种通用算法来选择有意义的片段，这些片段最大化了由频谱均匀性和邻域连通性组成的度量。鉴于观察到不同的结构在不同的光谱带中以不同的尺度更清晰地出现，我们描述了一种新的算法，用于对属于多个分层分割的候选片段进行无监督分组，以找到与实际对象相对应的连贯的片段集。通过使用片段的光谱和纹理内容对片段进行建模，并通过使用概率潜在语义分析算法来解决分组问题，该算法通过学习对象条件概率分布来构建对象模型。通过使用Kullback-Leibler散度计算其特征分布与学习的对象模型的分布的相似性来完成片段的自动标记。使用三个不同的数据集对无监督分割和目标检测算法的性能进行了定性和定量评估，并进行了比较实验，结果表明，所提出的方法能够自动检测，分组和标记属于同一目标课程的片段。
Keyword:
hierarchical segmentation
image segmentation
mathematical morphology
object-based analysis
unsupervised object detection
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
Unsupervised learning by probabilistic latent semantic analysis基于概率潜在语义分析的无监督学习.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏A hierarchical Markovian model for multiscale region-based classification of vector-valued images
PREAI
分享收藏
查看更多内容