Разработка и обоснование метода текстурной сегментации аэрофотоснимков объектов хозяйственного и природного назначения

Разработка и обоснование метода текстурной сегментации аэрофотоснимков объектов хозяйственного и природного назначения

Автор: Бахвалов, Юрий Николаевич

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2005

Место защиты: Череповец

Количество страниц: 183 с. ил.

Артикул: 2869372

Автор: Бахвалов, Юрий Николаевич

Стоимость: 250 руб.

Разработка и обоснование метода текстурной сегментации аэрофотоснимков объектов хозяйственного и природного назначения  Разработка и обоснование метода текстурной сегментации аэрофотоснимков объектов хозяйственного и природного назначения 

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. Анализ специфики и методов текстурной сегментации.
Постановка задачи исследования .
1.1. Анализ текстурной сегментации аэрофотоснимков как задачи распознавания.
1.1.1. Обоснование актуальности и необходимости исследования.
1.1.2. Анализ существующих наработок по задачам сегментации относительно их применимости к аэрофотоснимкам.
1.1.3. Общая схема текстурной сегментации как задачи распознавания.
I1 1.2. Анализ существующих методов разделения классов в
признаковом пространстве.
1.3. Вербальная постановка задачи исследования.
Выводы по главе.
ГЛАВА 2. Разработка и обоснование метода построения решающих функций в признаковом пространстве на основе теории случайных функций
2.1. Представление решающих функций как реализаций
случайных функций
2.2. Разработка метода и обоснование его основных положений
2.3. Оценка распределения вероятностей реализаций.
2.4. Моделирование при условиях содержания погрешностей в
эталонной выборке
Выводы по главе
ГЛАВА 3. Оценка приемлемости разработанного метода на основе постановки вычислительных экспериментов
3.1. Сравнительная оценка предлагаемого метода с методом ближайших соседей.
3.1.1. Оценка влияния на разбиение признакового
пространства изменения информативности признаков
3.1.2. Оценка влияния на разбиение признакового пространства корреляции признаков.
3.2. Анализ и оценка результатов решения тестовых задач исследовательского проекта V
3.2.1. Обзор методов моделирования исследовательского проекта V.
3.2.2. Анализ и оценка результатов тестирования на семействе тестов i
3.2.3. Анализ и оценка результатов тестирования на
семействе тестов .
3.2.4. Анализ и оценка результатов тестирования на семействе тестов
3.2.5. Анализ и оценка результатов тестов .
3.3. Сравнительная оценка программного продукта предлагаемого
метода с нейросетевыми аналогами.
Выводы по главе
ГЛАВА 4. Проектирование системы текстурной сегментации
изображений на основе разработанного метода.
4.1. Разработка системы текстурной сегментации
аэрофотоснимков
4.1.1. Структурная схема построения системы текстурной сегментации аэрофотоснимков
4.1.2. Анализ особенностей задач обработки фотоизображений.
4.1.3. Программная реализации предложенной системы
4.2. Результаты практической апробации предлагаемой системы
4.2.1. Сегментация аэрофотоснимков площадных объектов различного хозяйственного и природного назначения
4.2.2. Количественная оценка качества сегментации.
4.3. Возможности применения разработанного метода
вычисления решающих функций в других областях
Выводы по главе
ЗАКЛЮЧЕНИЕ .
СПИСОК ЛИТЕРАТУРЫ


Основная идея обнаружения изменения текстуры идентична идее обнаружения яркостного перепада: различие между текстурными областями усиливается во всех точках изображения, а затем контрастированный препарат подвергается пороговому ^ ограничению для локализации текстурных перепадов. Еще один подход заключается в том, что параметры текстуры вычисляются для каждого из четырех сканируемых по изображению смежных блоков размером WxW элементов и находится сумма модулей перекрестных разностей, а затем выполняется пороговое ограничение для локализации значительных изменений текстуры. Этот метод можно обобщить так, чтобы выполнять вычисления по смежным окнам, объединенных в группы. Тогда значения признаков текстуры, вычисленные в каждом окне, можно объединить некоторым линейным или нелинейным способом, аналогичным методам контрастирования перепадов яркости по области. Также был предложен гистограммный пороговый метод [] текстурной & сегментации. Затем по полученным модифицированным данным градиента формируется гистограмма. Если гистограмма многомодальна, то пороговое ограничение градиента по минимуму гистограммы, находящемуся между ее модами, должно приводить к сегментации текстурных областей. Этот процесс можно повторять для отдельных частей изображения до тех пор, пока не будет завершена сегментация. Все изложенные выше методы используют несложные дискретные преобразования, что, несомненно, является их достоинством. Но при всем этом, данные методы имеют свои недостатки. К тому же эти методы, хотя и способны выделять области с однородной текстурой, не имеют средств для их классификации. А решение задачи сегментации текстур изображения аэрофотоснимка, должно подразумевать реализацию именно классификации, поскольку к одному и тому же типу, например лесному массиву, могут относиться участки изображения, имеющие различный вид текстуры. Кроме того, даже один и тот же объект, на разных снимках, полученных в различное время суток, в разную погоду, может иметь на изображении различные виды текстуры, что наложит требование их классифицировать как один и тот же тип. Как показано в работе [], решением задачи текстурной сегментации с классификацией является нахождение отображения, ->/? Я„-множество входных векторов, предъявляемых системе для идентификации, а К* - множество текстур, которое выбрано для классификации. Математически изображение представляет собой набор входных векторов г из принадлежащих одному из Мклассов Ст, 1<т<М. Суть задачи классификации состоит в том, чтобы определить, к какому именно из М классов текстур принадлежит вектор г. Таким образом, задача текстурной сегментации аэрофотоснимков представляет собой полноценный вариант задачи распознавания []. Такая задача может быть эффективно решена в рамках дискриминантного подхода, основанного на описании классифицируемых объектов в виде вектора признаков и разделении в этом признаковом пространстве классов с помощью решающих функций. Впервые подобный подход (как и сам термин «дискриминантный») был использован Р. Фишером в году в целях классификации видов ириса по размерам цветка. При снятии входных данных можно использовать в качестве основы метод окна, относительно неплохо зарекомендовавший себя среди дискретных методов. Рассмотрим текстурную сегментацию изображения как задачу распознавания и классификации текстур. Пример сегментации изображения, в I качестве иллюстрации решаемой задачи, приведен на Рис. Рис. На рисунке показан пример сегментации аэрофотоснимка, демонстрирующего разлив реки, в соответствии с типом текстуры на 3 области: водный массив, лесной массив и прибрежная зона. Черным цветом обозначен неизвестный тип текстуры. Процесс сегментации включает в себя решение нескольких подзадач. Прежде всего, для решения задачи распознавания, необходимо определить набор признаков, несущих информацию о текстуре, которые будут вычисляться для любого произвольного изображения в рассматриваемом для классификации окне (Рис. Каждая текстура, таким образом, описывается вектором признаков фиксированной размерности Ы, а само пространство X обычно называется пространством признаков. В этом пространстве каждому типу текстуры будет соответствовать некоторая область.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.238, запросов: 244