Segmentador contextual de imagens óticas baseado na teoria de campos aleatórios condicionais
Ano de defesa: | 2019 |
---|---|
Autor(a) principal: | |
Orientador(a): | , |
Banca de defesa: | , , |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Instituto Nacional de Pesquisas Espaciais (INPE)
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação do INPE em Sensoriamento Remoto
|
Departamento: |
Não Informado pela instituição
|
País: |
BR
|
Resumo em Inglês: | Image segmentation is a fundamental problem in image processing and a common operation in Remote Sensing that has been widely used especially on Geographic Object-Based Image Analysis. In this paper, we propose a new unsupervised segmentation algorithm, that is based on Conditional Random Fields. The method use three levels of information: (1) obtained with an unsupervised pixel classification with Fuzzy C-Means algorithm, in which the number of groups is obtained using a straightforward approach; (2) the 8-connected neighborhood of a pixel; and (3) provision of context information granted by a priori segmentation. The algorithm was tested with 4 datasets, a WorldView-2 multispectral image, with 2 m of spatial resolution, a Quickbird image with 60cm of spatial resolution, an image of OLI/Landsat- 8 sensor, with 30 m of spatial resolution and an image of MUX/CBERS-4 sensor, with 20 m of spatial resolution. The results were evaluated with 6 quality measures, and the method performance was compared with other image segmentation algorithms that are usually applied by the Remote Sensing community. Results indicate a good overall performance of the proposed method, reaching similar results to traditional methods applied by the remote sensing community. |
Link de acesso: | http://urlib.net/sid.inpe.br/mtc-m21c/2019/03.20.17.49 |
Resumo: | A segmentação de imagens é um problema fundamental no processamento de imagens e uma operação comum em Sensoriamento Remoto que tem sido amplamente utilizada, especialmente na Análise Geográfica de Imagens Baseadas em Objetos. Neste trabalho, é proposto um novo método de segmentação não supervisionado, baseado em campos aleatórios condicionais. O método utiliza três níveis de informação para a segmentação contextual: (1) obtido com uma classificação de pixel não supervisionada com o algoritmo Fuzzy C-Médias, em que o número de grupos é obtido usando uma abordagem baseada na morfologia matemática; (2) a vizinhança 8- conectada do pixel; e (3) de informações contextuais através de superpixel. O método foi testado com 4 conjuntos de dados, uma imagem multiespectral do WorldView-2, com 2 m de resolução espacial, uma imagem Quickbird com 60 cm de resolução espacial, uma imagem do sensor OLI/Landsat-8, com 30 m de resolução espacial e uma imagem do sensor MUX/CBERS-4, com 20 m de resolução espacial. Os resultados foram avaliados com 6 medidas de qualidade e seu desempenho foi comparado com outros algoritmos de segmentação de imagem que são usualmente aplicados pela comunidade de Sensoriamento Remoto. Os resultados indicam bom desempenho geral do algoritmo, alcançando resultados similares aos de outros métodos tradicionais aplicados pela comunidade de sensoriamento remoto. |
id |
INPE_f58610b291e5a7ba658f293f45ee221e |
---|---|
oai_identifier_str |
oai:urlib.net:sid.inpe.br/mtc-m21c/2019/03.20.17.49.20-0 |
network_acronym_str |
INPE |
network_name_str |
Biblioteca Digital de Teses e Dissertações do INPE |
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisSegmentador contextual de imagens óticas baseado na teoria de campos aleatórios condicionaisContextual segmentation method for optical remote sensing imagery based on the theory of conditional random fields2019-03-22Leila Maria Garcia FonsecaThales Sehn KörtingSidnei João Siqueira Sant'AnnaRaul Queiroz FeitosaRogério Galante NegriAnderson Reis SoaresInstituto Nacional de Pesquisas Espaciais (INPE)Programa de Pós-Graduação do INPE em Sensoriamento RemotoINPEBRSegmentação de imagensprocessamento de imagenssensoriamento remotoimage segmentationimage processingremote sensingA segmentação de imagens é um problema fundamental no processamento de imagens e uma operação comum em Sensoriamento Remoto que tem sido amplamente utilizada, especialmente na Análise Geográfica de Imagens Baseadas em Objetos. Neste trabalho, é proposto um novo método de segmentação não supervisionado, baseado em campos aleatórios condicionais. O método utiliza três níveis de informação para a segmentação contextual: (1) obtido com uma classificação de pixel não supervisionada com o algoritmo Fuzzy C-Médias, em que o número de grupos é obtido usando uma abordagem baseada na morfologia matemática; (2) a vizinhança 8- conectada do pixel; e (3) de informações contextuais através de superpixel. O método foi testado com 4 conjuntos de dados, uma imagem multiespectral do WorldView-2, com 2 m de resolução espacial, uma imagem Quickbird com 60 cm de resolução espacial, uma imagem do sensor OLI/Landsat-8, com 30 m de resolução espacial e uma imagem do sensor MUX/CBERS-4, com 20 m de resolução espacial. Os resultados foram avaliados com 6 medidas de qualidade e seu desempenho foi comparado com outros algoritmos de segmentação de imagem que são usualmente aplicados pela comunidade de Sensoriamento Remoto. Os resultados indicam bom desempenho geral do algoritmo, alcançando resultados similares aos de outros métodos tradicionais aplicados pela comunidade de sensoriamento remoto.Image segmentation is a fundamental problem in image processing and a common operation in Remote Sensing that has been widely used especially on Geographic Object-Based Image Analysis. In this paper, we propose a new unsupervised segmentation algorithm, that is based on Conditional Random Fields. The method use three levels of information: (1) obtained with an unsupervised pixel classification with Fuzzy C-Means algorithm, in which the number of groups is obtained using a straightforward approach; (2) the 8-connected neighborhood of a pixel; and (3) provision of context information granted by a priori segmentation. The algorithm was tested with 4 datasets, a WorldView-2 multispectral image, with 2 m of spatial resolution, a Quickbird image with 60cm of spatial resolution, an image of OLI/Landsat- 8 sensor, with 30 m of spatial resolution and an image of MUX/CBERS-4 sensor, with 20 m of spatial resolution. The results were evaluated with 6 quality measures, and the method performance was compared with other image segmentation algorithms that are usually applied by the Remote Sensing community. Results indicate a good overall performance of the proposed method, reaching similar results to traditional methods applied by the remote sensing community.http://urlib.net/sid.inpe.br/mtc-m21c/2019/03.20.17.49info:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações do INPEinstname:Instituto Nacional de Pesquisas Espaciais (INPE)instacron:INPE2021-07-31T06:55:59Zoai:urlib.net:sid.inpe.br/mtc-m21c/2019/03.20.17.49.20-0Biblioteca Digital de Teses e Dissertaçõeshttp://bibdigital.sid.inpe.br/PUBhttp://bibdigital.sid.inpe.br/col/iconet.com.br/banon/2003/11.21.21.08/doc/oai.cgiopendoar:32772021-07-31 06:56:00.201Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE)false |
dc.title.pt.fl_str_mv |
Segmentador contextual de imagens óticas baseado na teoria de campos aleatórios condicionais |
dc.title.alternative.en.fl_str_mv |
Contextual segmentation method for optical remote sensing imagery based on the theory of conditional random fields |
title |
Segmentador contextual de imagens óticas baseado na teoria de campos aleatórios condicionais |
spellingShingle |
Segmentador contextual de imagens óticas baseado na teoria de campos aleatórios condicionais Anderson Reis Soares |
title_short |
Segmentador contextual de imagens óticas baseado na teoria de campos aleatórios condicionais |
title_full |
Segmentador contextual de imagens óticas baseado na teoria de campos aleatórios condicionais |
title_fullStr |
Segmentador contextual de imagens óticas baseado na teoria de campos aleatórios condicionais |
title_full_unstemmed |
Segmentador contextual de imagens óticas baseado na teoria de campos aleatórios condicionais |
title_sort |
Segmentador contextual de imagens óticas baseado na teoria de campos aleatórios condicionais |
author |
Anderson Reis Soares |
author_facet |
Anderson Reis Soares |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Leila Maria Garcia Fonseca |
dc.contributor.advisor2.fl_str_mv |
Thales Sehn Körting |
dc.contributor.referee1.fl_str_mv |
Sidnei João Siqueira Sant'Anna |
dc.contributor.referee2.fl_str_mv |
Raul Queiroz Feitosa |
dc.contributor.referee3.fl_str_mv |
Rogério Galante Negri |
dc.contributor.author.fl_str_mv |
Anderson Reis Soares |
contributor_str_mv |
Leila Maria Garcia Fonseca Thales Sehn Körting Sidnei João Siqueira Sant'Anna Raul Queiroz Feitosa Rogério Galante Negri |
dc.description.abstract.por.fl_txt_mv |
A segmentação de imagens é um problema fundamental no processamento de imagens e uma operação comum em Sensoriamento Remoto que tem sido amplamente utilizada, especialmente na Análise Geográfica de Imagens Baseadas em Objetos. Neste trabalho, é proposto um novo método de segmentação não supervisionado, baseado em campos aleatórios condicionais. O método utiliza três níveis de informação para a segmentação contextual: (1) obtido com uma classificação de pixel não supervisionada com o algoritmo Fuzzy C-Médias, em que o número de grupos é obtido usando uma abordagem baseada na morfologia matemática; (2) a vizinhança 8- conectada do pixel; e (3) de informações contextuais através de superpixel. O método foi testado com 4 conjuntos de dados, uma imagem multiespectral do WorldView-2, com 2 m de resolução espacial, uma imagem Quickbird com 60 cm de resolução espacial, uma imagem do sensor OLI/Landsat-8, com 30 m de resolução espacial e uma imagem do sensor MUX/CBERS-4, com 20 m de resolução espacial. Os resultados foram avaliados com 6 medidas de qualidade e seu desempenho foi comparado com outros algoritmos de segmentação de imagem que são usualmente aplicados pela comunidade de Sensoriamento Remoto. Os resultados indicam bom desempenho geral do algoritmo, alcançando resultados similares aos de outros métodos tradicionais aplicados pela comunidade de sensoriamento remoto. |
dc.description.abstract.eng.fl_txt_mv |
Image segmentation is a fundamental problem in image processing and a common operation in Remote Sensing that has been widely used especially on Geographic Object-Based Image Analysis. In this paper, we propose a new unsupervised segmentation algorithm, that is based on Conditional Random Fields. The method use three levels of information: (1) obtained with an unsupervised pixel classification with Fuzzy C-Means algorithm, in which the number of groups is obtained using a straightforward approach; (2) the 8-connected neighborhood of a pixel; and (3) provision of context information granted by a priori segmentation. The algorithm was tested with 4 datasets, a WorldView-2 multispectral image, with 2 m of spatial resolution, a Quickbird image with 60cm of spatial resolution, an image of OLI/Landsat- 8 sensor, with 30 m of spatial resolution and an image of MUX/CBERS-4 sensor, with 20 m of spatial resolution. The results were evaluated with 6 quality measures, and the method performance was compared with other image segmentation algorithms that are usually applied by the Remote Sensing community. Results indicate a good overall performance of the proposed method, reaching similar results to traditional methods applied by the remote sensing community. |
description |
A segmentação de imagens é um problema fundamental no processamento de imagens e uma operação comum em Sensoriamento Remoto que tem sido amplamente utilizada, especialmente na Análise Geográfica de Imagens Baseadas em Objetos. Neste trabalho, é proposto um novo método de segmentação não supervisionado, baseado em campos aleatórios condicionais. O método utiliza três níveis de informação para a segmentação contextual: (1) obtido com uma classificação de pixel não supervisionada com o algoritmo Fuzzy C-Médias, em que o número de grupos é obtido usando uma abordagem baseada na morfologia matemática; (2) a vizinhança 8- conectada do pixel; e (3) de informações contextuais através de superpixel. O método foi testado com 4 conjuntos de dados, uma imagem multiespectral do WorldView-2, com 2 m de resolução espacial, uma imagem Quickbird com 60 cm de resolução espacial, uma imagem do sensor OLI/Landsat-8, com 30 m de resolução espacial e uma imagem do sensor MUX/CBERS-4, com 20 m de resolução espacial. Os resultados foram avaliados com 6 medidas de qualidade e seu desempenho foi comparado com outros algoritmos de segmentação de imagem que são usualmente aplicados pela comunidade de Sensoriamento Remoto. Os resultados indicam bom desempenho geral do algoritmo, alcançando resultados similares aos de outros métodos tradicionais aplicados pela comunidade de sensoriamento remoto. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-03-22 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
status_str |
publishedVersion |
format |
doctoralThesis |
dc.identifier.uri.fl_str_mv |
http://urlib.net/sid.inpe.br/mtc-m21c/2019/03.20.17.49 |
url |
http://urlib.net/sid.inpe.br/mtc-m21c/2019/03.20.17.49 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Instituto Nacional de Pesquisas Espaciais (INPE) |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação do INPE em Sensoriamento Remoto |
dc.publisher.initials.fl_str_mv |
INPE |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
Instituto Nacional de Pesquisas Espaciais (INPE) |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do INPE instname:Instituto Nacional de Pesquisas Espaciais (INPE) instacron:INPE |
reponame_str |
Biblioteca Digital de Teses e Dissertações do INPE |
collection |
Biblioteca Digital de Teses e Dissertações do INPE |
instname_str |
Instituto Nacional de Pesquisas Espaciais (INPE) |
instacron_str |
INPE |
institution |
INPE |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE) |
repository.mail.fl_str_mv |
|
publisher_program_txtF_mv |
Programa de Pós-Graduação do INPE em Sensoriamento Remoto |
contributor_advisor1_txtF_mv |
Leila Maria Garcia Fonseca |
_version_ |
1706805042737053696 |