Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Sửa Đổi Nhận Thức Dựa Trên Bối Cảnh Trong Phân Tích Ảnh Dựa Trên Đối Tượng
Tóm tắt
Sự tương đồng phổ, sự gần gũi về không gian và các mối quan hệ phức tạp giữa các loại đối tượng khác nhau dẫn đến các khó khăn trong việc nhận diện và sự mơ hồ trong các khu vực đô thị phức tạp. Việc sử dụng một cơ sở tri thức chứa thông tin bối cảnh cùng với các mức độ sửa đổi cao hơn trong phân tích ảnh dựa trên đối tượng có thể cải thiện kết quả nhận diện trong tình huống như vậy. Trong bài báo này, thông tin bối cảnh được cấu thành từ bối cảnh nội bộ và bên ngoài của các vùng được sử dụng để phân loại và sửa đổi đối tượng dựa trên các vùng đã được phân đoạn trước trong hình ảnh từ xa có độ phân giải rất cao (VHR). Trong phương pháp đề xuất, việc xác định bối cảnh nội bộ của từng vùng phân đoạn được thực hiện và phân tích ảnh dựa trên đối tượng (OBIA) được thực hiện. Sau đó, để sửa đổi các vùng bị phân loại sai do sự tương đồng bối cảnh nội bộ, bối cảnh bên ngoài của vùng được xác định dựa trên những sự phụ thuộc lẫn nhau giữa các vùng lân cận trong hình ảnh. Đánh giá khả năng của phương pháp nhận diện đối tượng nhạy cảm với bối cảnh được thực hiện trên hình ảnh vệ tinh WorldView-2 về Rio de Janeiro ở Brazil cùng với một mô hình bề mặt số. Các kết quả thu được cho thấy rằng việc sử dụng các thông tin bối cảnh khác nhau cùng với các mức độ sửa đổi cao hơn đối với các vùng đối tượng đã giảm thiểu một số khó khăn trong việc nhận diện đối tượng do sự tương đồng phổ, sự gần gũi về không gian và sai sót trong việc tạo ra các quy tắc phân loại.
Từ khóa
#nhận diện đối tượng #phân tích ảnh #thông tin bối cảnh #vùng phân đoạn #hình ảnh vệ tinhTài liệu tham khảo
Baatz, M., & Schape, A. (2000). Multi-resolution segmentation: an optimization approach for high quality multi-scale image segmentation.In Angewandte Geographische Informationsverabeitung. XII. Beitragezum AGIT-Symp. Salzburg, T. Strobl, T. Blaschke and G. Griesebner (Eds), 12–23.
Blaschke T. (2010). Object based image analysis for remote sensing. ISPRS International Journal of Photogrammetry and Remote Sensing, 65(1), 2–16.
Blaschke T., Lang S., & Hay G. J. (2008). "Object based image analysis: spatial concepts for knowledge-driven remote sensing applications," lecture notes in geoinformation and cartography ISSN: 1863–2246. Springer.
Clinton, N., Holt, A., Scarborough, J., Li, Y., & Peng, G. (2010). "Accuracy Assessment Measures for Object-based Image Segmentation Goodness." Photogrammetric Engineering & Remote Sensing 76(3), 289 –299.
Congalton R. G., & Green K. (2009). Assessing the Accuracy of Remotely Sensed Data: Principles and Practices, CRC Press, 137 p.
Galleguillos C., & Belongie S. (2010). Context based object categorization: A critical survey. Image Understand: Comput. Vis.
Guo J., Zhou H., & Zhu C. (2013). Cascaded classification of high resolution remote sensing images using multiple contexts. Information Sciences, 221(2013), 84–97.
Hermosilla T., Ruiz L. A., Recio J. A., & Cambra-Lَpez M. (2012). Assessing contextual descriptive features for plot-based classification of urban Areas. Landscape and Urban Planning, 106(2012), 124–137.
Ivits E., Koch B., Blaschke T., Jochum M., & Adler P. (2005). Landscape structure assessment with image grey-values and object-based classification at three spatial resolutions. International Journal of Remote Sensing, 26(14), 2975–2993.
Jacquin A., Misakova L., & Gay M. (2008). A hybrid object-based classification approach for mapping urban sprawl in periurban environment. Landscape and Urban Planning, 84(2008), 152–165.
Laliberte A. S., Browning D. M., & Rango A. (2012). A comparison of three feature selection methods for object-based classification of sub-decimeter resolution UltraCam-L imagery. International Journal of Applied Earth Observation and Geoinformation, 15(2012), 70–78.
Lewinski, S., & Zaremski, K. (2004). Examples of object oriented classification performed on high- resolution satellite images. WARSZAVA11, 349–358.
Marpu P. R., Neubert M., Herold H., & Niemeyer I. (2010). Enhanced evaluation of image segmentation results. Journal of Spatial Science, 55(1), 55–68.
Meinel, G., & Neubert, M. (2004). A comparison of segmentation programs for high resolution remote sensing data. Int. Arch. ISPRS35, 1097–1105.
Meng X., Currit N., Wang L., & Yang X. (2012). Detect Residential Buildings from Lidar and Aerial Photographs through Object-Oriented Land-Use Classification (pp. 35–44). January: PE&RS journal.
Myint S. W., Gober P., Brazel A., Grossman-Clarke S., & Weng Q. (2011). Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery. Remote Sensing of Environment, 115(5), 1145–1161.
Peets, A., & Etzion, Y. (2010). Automated recognition of urban objects and their morphological attributes using GIS.ISPRS Archive XXXVIII (4–8–2-W9), "Core Spatial Databases- Updating, Maintenance and services-from theory to practice" Haifa, Israel.
Platt, R.V., & Rapoza, L. (2008). An Evaluation of an Object-Oriented Paradigm for Land Use/Land Cover Classification. The Professional Geographer60(1), 87–100.
Shackelford A. K., & Davis C. H. (2003). A Hierarchical Fuzzy Classification Approach for High-Resolution Multispectral Data over Urban Areas. IEEE Transaction on Geosciences and Remote Sensing, 41(9), 1920–1932.
Wolf L., & Bileschi S. (2006). A critical view of context. International Journal of Computer Vision, 69(2), 251–261.
Zhou W., & Troy A. (2008). An Object-Oriented Approach for Analyzing and Characterizing Urban Landscape at the Parcel Level. International Journal of Remote Sensing, 29, 3119–3135.