[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 7، شماره 2 - ( 6-1398 ) ::
جلد 7 شماره 2 صفحات 1-20 برگشت به فهرست نسخه ها
شناسایی مناطق بارز در تصاویر ماهواره‌ای با استفاده از ترکیب آشکارساز عوارض موضعی MSER و مدل‌های برجستگی تصویر
فریبرز قربانی، حمید عبادی، امین صداقت
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (278 مشاهده)
امروزه با توجه به پیشرفت تصاویر ماهواره‌ای در زمینه کیفیّت بحث تشخیص اتوماتیک اهداف بر روی این تصاویر مورد توجه محققان قرارگرفته است. تصاویر سنجش‌ازدور مرئی شامل اهداف مکانی متنوعی هستند. این اهداف عموماً دست‌ساز بشر بوده و دارای یک ساختار مشخص و متمایز از نواحی اطراف خود می‌باشند. روش‌های مختلفی جهت شناسایی اتوماتیک اهداف مکانی ارائه شده است که در اکثر این روش‌ها جستجوی اهداف در تصاویر جهت استخراج و یا تطبیق ویژگی‌ها به منظور شناسایی اهداف مکانی صورت می­پذیرد. در همین راستا در این تحقیق با هدف سرعت بخشیدن به مراحل شناسایی، مناطقی در تصویر انتخاب می‌شوند که در آنها احتمال وجود اهداف مکانی بسیار بالا خواهد بود. این امر به اتوماتیک نمودن فرآیند و نیز سرعت بخشیدن به پردازش‌های آتی مرتبط کمک شایانی خواهد نمود. برای این منظور از ترکیب مدل‌های برجستگی تصویر و ویژگی‌های الگوریتم‌های آشکارسازی عوارض موضعی بهره گرفته ‌شده است. روش ارائه‌ شده از سه مرحله اصلی تشکیل شده است. این مراحل شامل استخراج عوارض موضعی توسط الگوریتم MSER (Maximally Stable Extremal Regions تولید نقشه‌های برجستگی با اعمال مدل‌های AWS (Adaptive Whitening  Saliency) و WMAP (Weighted Maximum Alignment Phase) بر‌روی تصویر و تعیین مناطق بارز تصویری است. در این تحقیق حدآستانه­ای با محاسبه مقادیر برجستگی در کل تصویر تعریف شده است که با اعمال آن به هر ناحیه استخراج شده، مناطق بارز تصویر شناسایی می‌­شوند. این روش، روی تصاویر متعددی شامل ۶ تصویر ماهواره‌ای از سنجنده­های مختلف و ۶ تصویر ماهواره‌ای اخذ شده از نرم‌افزار گوگل ارث که حاوی اهداف مکانی مختلف با پس‌زمینه‌های متفاوت هستند؛ آزمایش شد. به‌منظور ارزیابی کمّی مناطق شناسایی‌شده از دو معیار استفاده شده است. همچنین این روش با رویکرد اعمال الگوریتم قطعه‌بندی انتقال میانگین جهت شناسایی مناطق بارز مورد مقایسه قرار گرفت. نتایج به‌دست آمده از اعمال روش پیشنهادی نشان می‌دهد، به طور متوسط مساحت مناطق شناسایی شده معادل با ۱/۵ درصد از مساحت کل تصاویر استفاده شده است؛ به طوری‌که حدود ۲۸/۹۸ درصد از اهداف مکانی در این مناطق واقع شده­اند. همچنین میزان متوسط زمان محاسباتی برابر ۱/۲۲  ثانیه گزارش شده است. نتایج نشان دهنده برتری روش پیشنهادی از نظر دقت و سرعت محاسبات است.
واژه‌های کلیدی: مناطق بارز، تصاویر ماهواره‌ای، الگوریتم AWS، الگوریتم WMAP، الگوریتم MSER
متن کامل [PDF 1402 kb]   (144 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری
دریافت: ۱۳۹۵/۴/۵ | پذیرش: ۱۳۹۵/۱۱/۱۳ | انتشار: ۱۳۹۸/۶/۳۱
فهرست منابع
1. [1] J. Han, D. Zhang, and G. Cheng, "Efficient, simultaneous detection of multi-class geospatial targets based on visual saliency modeling and discriminative learning of sparse coding". ISPRS Journal of Photogrammetry and Remote Sensing, 2014. [DOI:10.1016/j.isprsjprs.2013.12.011]
2. [2] G. Cheng, and J. Han, "A survey on object detection in optical remote sensing images". ISPRS Journal of Photogrammetry and Remote Sensing, 117: p. 11-28, 2016. [DOI:10.1016/j.isprsjprs.2016.03.014]
3. [3] J. Weber and S. Lefèvre, "Spatial and spectral morphological template matching". Image and Vision Computing, 30(12):p. 934-945, 2012. [DOI:10.1016/j.imavis.2012.07.002]
4. [4] U. Weidner and W. Förstner, "towards automatic building extraction from high-resolution digital elevation models". ISPRS journal of Photogrammetry and Remote Sensing, 50(4): p.38-49, 1995. [DOI:10.1016/0924-2716(95)98236-S]
5. [5] G.J. Hay, G. Castilla and M.A. Wulder, "An automated object-based approach for the multiscale image segmentation of forest scenes". International Journal of Applied Earth Observation and Geoinformation, 7(4): p.339-359, 2005 [DOI:10.1016/j.jag.2005.06.005]
6. [6] H. Sun, X. Sun, and W. Hongqi, "Automatic target detection in high-resolution remote sensing images using spatial sparse coding bag-of-words model". Geoscience and Remote Sensing Letters, IEEE, 9[42]: p. 109-113, 2012. [DOI:10.1109/LGRS.2011.2161569]
7. [7] J.K. Tsotsos, S.M. Culhane, and W.Y.K Wai, "Modeling visual attention via selective tuning". Artificial intelligence, 78[42]: p. 507-545, 1995. [DOI:10.1016/0004-3702(95)00025-9]
8. [8] E. Niebur, and C. Koch, "Computational architectures for attention." The attentive brain, p. 163-186, 1998.
9. [9] A. Sedaghat, H. Ebadi, and M. Mokhtarzadeh, "Develop of SIFT algorithm for satellite image matching." Journal of remote sensing & GIS, 2(8), 2010.
10. [10] A. Sedaghat, H. Ebadi, and M. Mokhtarzade, "Image matching of satellite databased on quadrilateral control networks." The Photogrammetric Record, 27(140): p. 423-442, 2012. [DOI:10.1111/j.1477-9730.2012.00699.x]
11. [11] A. Sedaghat, "an Optimised Automatic HR image Registration Methodology Based on the Integration of Advanced Area Based and Feature Based Methods." Faculty of Geodesy and Geomatic, K.N Toosi University of Technology, 2010. (Persian)
12. [12] A. Sedaghat, H. Ebadi, and M. Sahebi, "Change detection in urban areas in large-scale satellite images using local features." Jornal of Geomatics Science and Technology, 2(4): p. 1-16, 2013. (Persian)
13. [13] Y. Furukawa, and J. Ponce, "Accurate, dense, and robust multiview stereopsis." Pattern Analysis and Machine Intelligence, IEEE Transactions on, 32(8): p. 1362-1376, 2010. [DOI:10.1109/TPAMI.2009.161]
14. [14] Y. Yang, and S. Newsam, "Geographic image retrieval using local invariant features." Geoscience and Remote Sensing, IEEE Transactions on, 51[42]: p. 818-832, 2013. [DOI:10.1109/TGRS.2012.2205158]
15. [15] T. Tuytelaars, and K. Mikolajczyk, "Local invariant feature detectors: a survey." Found. Trends. Comput. Graph. Vis., 3[42]: p. 177-280, 2007. [DOI:10.1561/0600000017]
16. [16] B. Sirmaçek, and C. Ünsalan, "Urban area detection using local feature points and spatial voting." Geoscience and Remote Sensing Letters, IEEE, 7[42]: p. 146-150, 2010. [DOI:10.1109/LGRS.2009.2028744]
17. [17] A. Borji, M.M. Cheng, and H. Huaizu, "Salient object detection: A benchmark." Image Processing, IEEE Transactions on, 24(12): p. 5706-5722, 2015. [DOI:10.1109/TIP.2015.2487833]
18. [18] M. Donoser, M. Urschler, and M. Hirzer, "Saliency driven total variation segmentation." in Computer Vision, 2009 IEEE 12th International Conference on, IEEE, 2009. [DOI:10.1109/ICCV.2009.5459296]
19. [19] U. Rutishauser, D. Walther, and C. Kochet, "Is bottom-up attention useful for object recognition in Computer Vision and Pattern Recognition", 2004. CVPR 2004. Proceedings of the 2004 IEEE Computer Society Conference on. IEEE. 2004.
20. [20] C. Christopoulos, A. Skodras, and T. Ebrahimi, "The JPEG2000 still image coding system: an overview." Consumer Electronics, IEEE Transactions on. 46(4): p. 1103-1127, 2000. [DOI:10.1109/30.920468]
21. [21] G.X. Zhang, M.M. Cheng, and S.M. Hu, "A Shape‐Preserving Approach to Image Resizing." in Computer Graphics Forum. Wiley Online Library. 2009. [DOI:10.1111/j.1467-8659.2009.01568.x]
22. [22] T. Chen, M.M. Cheng, and P. Tan, "Sketch2Photo: internet image montage." ACM Transactions on Graphics (TOG). 28(5): p. 124, 2009. [DOI:10.1145/1618452.1618470]
23. [23] L. Itti, C. Koch, and E. Niebur, "A model of saliency-based visual attention for rapid scene analysis." IEEE Transactions on Pattern Analysis & Machine Intelligence, (11): p. 1254-1259, 1998. [DOI:10.1109/34.730558]
24. [24] R. Achanta, S. Hemami, F. Estrada, "Frequency-tuned salient region detection." In Computer vision and pattern recognition, 2009. Cvpr 2009. IEEE conference on. IEEE. 2009. [DOI:10.1109/CVPR.2009.5206596]
25. [25] T. Liu, Z. Yuan, and J. Sun, "Learning to detect a salient object." Pattern Analysis and Machine Intelligence, IEEE Transactions on. 33[42]: p. 353-367, 2011. [DOI:10.1109/TPAMI.2010.70]
26. [26] S. Goferman, L. Zelnik-Manor, and A. Tal, "Context-aware saliency detection." Pattern Analysis and Machine Intelligence, IEEE Transactions on. 34(10): p. 1915-1926, 2012. [DOI:10.1109/TPAMI.2011.272]
27. [27] K.Y. Chang, T.L. Liu, and H.T. Chen, "Fusing generic objectness and visual saliency for salient object detection." In Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE. 2011.
28. [28] H. Jiang, J. Wang, and Z. Yuan, "Automatic salient object segmentation based on context and shape prior." In BMVC. 2011. [DOI:10.5244/C.25.110]
29. [29] Shen, X. and Y. Wu. "A unified approach to salient object detection via low rank matrix recovery." In Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE. 2012.
30. [30] R. Margolin, A. Tal, and L. Zelnik-Manor. "What makes a patch distinction in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition." 2013. [DOI:10.1109/CVPR.2013.151]
31. [31] F. Bi, B. Zhu, and L. Gao, "A visual search inspired computational model for ship detection in optical satellite images." Geoscience and Remote Sensing Letters, IEEE, 9(4): p. 749-753, 2012. [DOI:10.1109/LGRS.2011.2180695]
32. [32] Z. Li, and L. Itti, "Saliency and gist features for target detection in satellite images." Image Processing, IEEE Transactions on, 20(7): p. 2017-2029, 2011. [DOI:10.1109/TIP.2010.2099128]
33. [33] J. Sun, Y. Wang and Z. Zhang, "Salient region detection in high-resolution remote sensing images." In Wireless and Optical Communications Conference (WOCC), 2010 19th Annual. IEEE. 2010.
34. [34] K. Mikolajczyk, T. Tuytelaars, and C. Schmid, "A comparison of affine region detectors." International journal of computer vision. 65(1-2): p. 43-72, 2005. [DOI:10.1007/s11263-005-3848-x]
35. [35] J. Matas, O. Chum, and M. Urban, "Robust wide-baseline stereo from maximally stable extremal regions." Image and vision computing, 22(10): p. 761-767, 2004. [DOI:10.1016/j.imavis.2004.02.006]
36. [36] A. Garcia-Diaz, X.R. Fdez-Vidal, and X.M Pardo, "Saliency from hierarchical adaptation through decorrelation and variance normalization." Image and Vision Computing, 30[42]: p. 51-64, 2012. http://persoal.citius.usc.es/xose.vidal/code.php?person=xose [DOI:10.1016/j.imavis.2011.11.007]
37. [37] A. Garcia-Diaz, V. Leboran, and X.R. Fdez-Vidal, "On the relationship between optical variability, visual saliency, and eye fixations: A computational approach." Journal of vision, 12(6): p. 17-17, 2012. [DOI:10.1167/12.6.17]
38. [38] F. López-García, R. Dosil, and X.M Pardo, "Scene Recognition through Visual Attention and Image Features: A Comparison between SIFT and SURF Approaches", INTECH Open Access Publisher, 2011. http://persoal.citius.usc.es/xose.vidal/code.php?person=xose [DOI:10.5772/14343]
39. [39] A. Borji, D.N. Sihite, and L. Itti, "Quantitative analysis of human-model agreement in visual saliency modeling: a comparative study." Image Processing, IEEE Transactions on, 22[42]: p. 55-69, 2013. [DOI:10.1109/TIP.2012.2210727]
40. [40] Field, D.J., "Relations between the statistics of natural images and the response properties of cortical cells." JOSA A, 1987. 4[1] p. 2379-2394 [DOI:10.1364/JOSAA.4.002379]
41. [41] C.M. Christoudias, B. Georgescu, and P. Meer. "Synergism in low-level vision." In Pattern Recognition, 2002. Proceedings. 16th International Conference on. IEEE. 2002.


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ghorbani F, Ebadi H, Sedaghat A. Salient regions detection in satellite images using the combination of MSER local features detector and saliency models. jgit. 2019; 7 (2) :1-20
URL: http://jgit.kntu.ac.ir/article-1-713-fa.html

قربانی فریبرز، عبادی حمید، صداقت امین. شناسایی مناطق بارز در تصاویر ماهواره‌ای با استفاده از ترکیب آشکارساز عوارض موضعی MSER و مدل‌های برجستگی تصویر. مهندسی فناوری اطلاعات مکانی. 1398; 7 (2) :1-20

URL: http://jgit.kntu.ac.ir/article-1-713-fa.html



دوره 7، شماره 2 - ( 6-1398 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.06 seconds with 30 queries by YEKTAWEB 4072