[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 9، شماره 1 - ( 4-1400 ) ::
جلد 9 شماره 1 صفحات 84-65 برگشت به فهرست نسخه ها
قطعه‌بندی تصاویر سنجش از دور با قدرت تفکیک بالا، بر مبنای سوپرپیکسل‌های استخراج شده به کمک الگوریتم SLIC بهبود یافته (E-SLIC)
نفیسه کاخانی*، مهدی مختارزاده، محمدجواد ولدان زوج
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (267 مشاهده)

قطعه‌بندی تصاویر بزرگ مقیاس سنجش از دور یکی از مهم‌ترین پردازش‌هایی است که در استخراج حداکثری و دقیق اطلاعات نقش بسزایی دارد. روش‌های قطعه‌بندی انواع مختلفی داشته که یکی از مهم‌ترین آنها استفاده از سوپرپیکسل‌ها می‌باشد. روش‌های متعددی برای استخراج سوپرپیکسل‌ها ارائه شده که از جمله‌ موفق‌ترین آن‌ها می‌توان به روش خوشه‌بندی ساده‌ خطی و تکراری (SLIC) اشاره نمود. اما این روش نیز به نوبه‌ خود دارای معایبی است که از بارزترین آنها می‌توان به تولید قطعات اضافی و عدم انطباق آنها بر اشیاء واقعی اشاره نمود. در این پژوهش تلاش شده تا حد امکان این معایب برطرف گردیده و به کمک افزودن اطلاعات لبه به الگوریتم SLIC، روش جدیدی برای قطعه‌بندی تصاویر بزرگ مقیاس ارائه شود. سه نوع داده‌ شهری مختلف از نوع هوایی و ماهواره‌ای با قدرت تفکیک مکانی بالا و با تنوع عوارض مختلف به منظور ارزیابی روش پیشنهادی استفاده شده است. نتایج روش پیشنهادی، علاوه بر الگوریتم اصلی SLIC با سایر روش‌های متداول قطعه‌بندی سوپرپکسل‌ها مانند الگوریتم خوشه‌بندی مکانی چگالی مبنا برای کاربردهای نویزدار (DBSCAN) و قطعه‌بندی سوپرپیکسل با نرخ آنتروپی مقایسه شده است. مقایسه کمی نتایج به کمک پارامتر انحراف معیار درون کلاسی (WCSD) نشان می‌دهد که در مورد تصاویر ماهواره‌ای با میانگین حدود 780 و 1040 واحد و در مورد تصاویر هوایی با میانگین حدود 220 واحد، انحراف معیار قطعات تولید شده در روش پیشنهادی از سایر روش‌های رقیب کمتر است. هم‌چنین ارزیابی بصری حاکی از آن است که قطعات تولید شده به کمک روش پیشنهادی دارای کمترین میزان انحراف معیار بوده و همگن می‌باشند.
واژه‌های کلیدی: پردازش تصاویر بزرگ مقیاس، قطعه‌بندی، سوپرپیکسل‌ها، الگوریتم SLIC.
متن کامل [PDF 3134 kb]   (117 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1397/2/1 | پذیرش: 1397/10/17 | انتشار: 1400/4/31
فهرست منابع
1. [1] P. Li and X. Xiao, "Multispectral image segmentation by a multichannel watershed‐based approach," International Journal of Remote Sensing, vol. 28, no. 19, pp. 4429-4452, 2007. [DOI:10.1080/01431160601034910]
2. [2] Y. Tarabalka, J. Chanussot, and J. A. Benediktsson, "Segmentation and classification of hyperspectral images using minimum spanning forest grown from automatically selected markers," Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on, vol. 40, no. 5, pp. 1267-1279, 2010. [DOI:10.1109/TSMCB.2009.2037132]
3. [3] P. W. Pachowicz, "Semi-autonomous evolution of object models for adaptive object recognition," IEEE transactions on systems, man, and cybernetics, vol. 24, no. 8, pp. 1191-1207, 1994. [DOI:10.1109/21.299701]
4. [4] K. Belloulata and J. Konrad, "Fractal image compression with region-based functionality," IEEE transactions on image processing, vol. 11, no. 4, pp. 351-362, 2002. [DOI:10.1109/TIP.2002.999669]
5. [5] S. L. Hartmann and R. L. Galloway, "Depth-buffer targeting for spatially accurate 3-D visualization of medical images," IEEE transactions on medical imaging, vol. 19, no. 10, pp. 1024-1031, 2000. [DOI:10.1109/42.887617]
6. [6] Y. Chen and J. Z. Wang, "A region-based fuzzy feature matching approach to content-based image retrieval," IEEE transactions on pattern analysis and machine intelligence, vol. 24, no. 9, pp. 1252-1267, 2002. [DOI:10.1109/TPAMI.2002.1033216]
7. [7] N. R. Pal and S. K. Pal, "A review on image segmentation techniques," Pattern recognition, vol. 26, no. 9, pp. 1277-1294, 1993. [DOI:10.1016/0031-3203(93)90135-J]
8. [8] A. Khotanzad and J.-Y. Chen, "Unsupervised segmentation of textured images by edge detection in multidimensional feature," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 11, no. 4, pp. 414-421, 1989. [DOI:10.1109/34.19038]
9. [9] D. K. Panjwani and G. Healey, "Markov random field models for unsupervised segmentation of textured color images," IEEE Transactions on pattern analysis and machine intelligence, vol. 17, no. 10, pp. 939-954, 1995. [DOI:10.1109/34.464559]
10. [10] T. Pavlidis and Y.-T. Liow, "Integrating region growing and edge detection," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 12, no. 3, pp. 225-233, 1990. [DOI:10.1109/34.49050]
11. [11] K. Haris, S. N. Efstratiadis, N. Maglaveras, and A. K. Katsaggelos, "Hybrid image segmentation using watersheds and fast region merging," IEEE Transactions on image processing, vol. 7, no. 12, pp. 1684-1699, 1998. [DOI:10.1109/83.730380]
12. [12] J. Fan, D. K. Yau, A. K. Elmagarmid, and W. G. Aref, "Automatic image segmentation by integrating color-edge extraction and seeded region growing," IEEE transactions on image processing, vol. 10, no. 10, pp. 1454-1466, 2001. [DOI:10.1109/83.951532]
13. [13] Y. Li, J. Sun, C.-K. Tang, and H.-Y. Shum, "Lazy snapping," in ACM Transactions on Graphics (ToG), 2004, vol. 23, no. 3, pp. 303-308: ACM. [DOI:10.1145/1015706.1015719]
14. [14] M. Van den Bergh, X. Boix, G. Roig, B. de Capitani, and L. Van Gool, "SEEDS: Superpixels extracted via energy-driven sampling," in European conference on computer vision, 2012, pp. 13-26: Springer. [DOI:10.1007/978-3-642-33786-4_2]
15. [15] R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, and S. Süsstrunk, "SLIC superpixels compared to state-of-the-art superpixel methods," IEEE transactions on pattern analysis and machine intelligence, vol. 34, no. 11, pp. 2274-2282, 2012. [DOI:10.1109/TPAMI.2012.120]
16. [16] J. Baek, B. Chung, and C. Yim, "Linear Spectral Clustering with Mean Shift Filtering for Superpixel Segmentation."
17. [17] R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, and S. Süsstrunk, "Slic superpixels," 2010.
18. [18] P. Dollár and C. L. Zitnick, "Fast edge detection using structured forests," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 37, no. 8, pp. 1558 - 1570, 2014. [DOI:10.1109/TPAMI.2014.2377715]
19. [19] J. Shen, X. Hao, Z. Liang, Y. Liu, W. Wang, and L. Shao, "Real-Time Superpixel Segmentation by DBSCAN Clustering Algorithm," IEEE Transactions on Image Processing, vol. 25, no. 12, pp. 5933-5942, 2016. [DOI:10.1109/TIP.2016.2616302]
20. [20] M.-Y. Liu, O. Tuzel, S. Ramalingam, and R. Chellappa, "Entropy rate superpixel segmentation," in Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on, 2011, pp. 2097-2104: IEEE. [DOI:10.1109/CVPR.2011.5995323]
21. [21] M. Ester, H.-P. Kriegel, J. Sander, and X. Xu, "A density-based algorithm for discovering clusters in large spatial databases with noise," in Kdd, 1996, vol. 96, no. 34, pp. 226-231.
22. [22] P. F. Felzenszwalb and D. P. Huttenlocher, "Efficient graph-based image segmentation," International journal of computer vision, vol. 59, no. 2, pp. 167-181, 2004. [DOI:10.1023/B:VISI.0000022288.19776.77]
23. [23] J. Canny, "A computational approach to edge detection," IEEE Transactions on Pattern Analysis and Machine Intelligence, no. 6, pp. 679-698, 1986. [DOI:10.1109/TPAMI.1986.4767851]
24. [24] P. Dollar, Z. Tu, and S. Belongie, "Supervised learning of edges and object boundaries," in 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2006, vol. 2, pp. 1964-1971: IEEE.
25. [25] M. Van den Bergh, G. Roig, X. Boix, S. Manen, and L. Van Gool, "Online video seeds for temporal window objectness," in Computer Vision (ICCV), 2013 IEEE International Conference on, 2013, pp. 377-384: IEEE. [DOI:10.1109/ICCV.2013.54]
26. [26] F. Y. Shih, Image processing and pattern recognition: fundamentals and techniques. John Wiley & Sons, 2010. [DOI:10.1002/9780470590416]
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


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

Kakhani N, Mokhtarzade M, Valadan Zouj M J. Segmentation Improvement of High Resolution Remote Sensing Images based on superpixels using Edge-based SLIC algorithm (E-SLIC). jgit. 2021; 9 (1) :65-84
URL: http://jgit.kntu.ac.ir/article-1-552-fa.html

کاخانی نفیسه، مختارزاده مهدی، ولدان زوج محمدجواد. قطعه‌بندی تصاویر سنجش از دور با قدرت تفکیک بالا، بر مبنای سوپرپیکسل‌های استخراج شده به کمک الگوریتم SLIC بهبود یافته (E-SLIC). مهندسی فناوری اطلاعات مکانی. 1400; 9 (1) :84-65

URL: http://jgit.kntu.ac.ir/article-1-552-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 9، شماره 1 - ( 4-1400 ) 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 0.04 seconds with 28 queries by YEKTAWEB 4353