Abstract-In the last decade, Object Based Image Analysis (OBIA) has been accepted as an effective method for processing high spatial resolution multiband images. This image analysis method is an approach that starts with the segmentation of the image. Image segmentation in general is a procedure to partition an image into homogenous groups (segments). In practice, visual interpretation is often used to assess the quality of segmentation and the analysis relies on the experience of an analyst. In an effort to address the issue, in this study, we evaluate several seed selection strategies for an automatic image segmentation methodology based on a seeded region growing-merging approach. In order to evaluate the segmentation quality, segments were subjected to spatial autocorrelation analysis using Moran's I index and intra-segment variance analysis. We apply the algorithm to image segmentation using an aerial multiband image.I. INTRODUCCION E L ANÁLISIS de imágenes orientado a objetos se ha convertido desde hace algún tiempo, en una tendencia ampliamente utilizada en las imágenes registradas por sensores trasportados en plataformas aeroespaciales [1]. Esto es debido a que el análisis tradicional orientado a píxeles no da buenos resultados en imágenes de alta resolución espacial [2], propiedad que presentan los sensores más avanzados tecnológicamente. Estos sensores constituyen la principal fuente de adquisición de información en el ámbito de la Teledetección, siendo esta tecnología uno de los principales orígenes de los datos para los Sistemas de Información Geográfica (SIG) [3].Una vez que se han adquirido las imágenes y se han preprocesado, la etapa fundamental del análisis de imágenes orientado a objetos (Object Based Image Analysis, OBIA), en Teledetección, es la segmentación de dichas imágenes [1]. La segmentación es un proceso tradicionalmente utilizado en procesado de imagen y consiste en la partición de la imagen en objetos o regiones separadas [4]. También y con frecuencia se aplican algoritmos optimizados basados en segmentación sobre otros tipos de imágenes como son las biomédicas [5][6][7][8][9] obteniendo buenos resultados. Tradicionalmente, los métodos de segmentación pueden ser agrupados en: los basados en píxel, los basados en bordes, los basados en regiones y los mixtos. En el primer caso, la segmentación se basa en valores umbrales que son seleccionados manual o automáticamente a través del histograma de la imagen. En el segundo caso, primero se detectan bordes dentro de la imagen y luego en una serie de etapas, se generan curvas cerradas limitantes para completar los segmentos. En el caso de los métodos basados en regiones se utilizan procesos de crecimiento, división y mezclado, o sus combinaciones, para conectar espacialmente píxeles dentro de segmentos o regiones más o menos homogéneas. Las descripciones detalladas, así como los antecedentes matemáticos y las evaluaciones de diversos algoritmos se encuentran recopilados por diferentes autores [4], [10], en la bibliografía consultada. En cualqu...
Abstract-This work proposes an optimization of a semisupervised Change Detection methodology based on a combination of Change Indices (CI) derived from an image multitemporal data set. For this purpose, SPOT 5 Panchromatic images with 2.5 m spatial resolution have been used, from which three Change Indices have been calculated. Two of them are usually known indices; however the third one has been derived considering the Kullbak-Leibler divergence. Then, these three indices have been combined forming a multiband image that has been used in as input for a Support Vector Machine (SVM) classifier where four different discriminant functions have been tested in order to differentiate between change and no_change categories. The performance of the suggested procedure has been assessed applying different quality measures, reaching in each case highly satisfactory values. These results have demonstrated that the simultaneous combination of basic change indices with others more sophisticated like the Kullback-Leibler distance, and the application of non-parametric discriminant functions like those employees in the SVM method, allows solving efficiently a change detection problem. I. INTRODUCCIONS E denomina Detección de Cambios (DC) a un proceso mediante el cual se identifican las diferencias en el estado de un objeto o fenómeno al observarlo en diferentes momentos, es decir, se trata de cuantificar efectos temporales utilizando información multitemporal [1]. La determinación de áreas de cambio en imágenes de la misma escena tomada en diferentes momentos, presenta un notable interés, debido a que ofrece un gran número de aplicaciones en diversas disciplinas [2], incluyendo entre otras: la video-vigilancia [3], el diagnóstico y tratamiento médico, el apoyo a la conducción de vehículos y la detección remota.Concretamente, la Detección de Cambios en imágenes registradas mediante sensores remotos, está considerada como una rama de la tecnología que constituye la Teledetección. Lo que contribuye a este hecho, es la resolución temporal de los sensores de satélites, cuya inherente repetitividad en su órbita, permite que se puedan registrar con cierta regularidad, imágenes de un determinado área objetivo. Además la continua mejora de la tecnología espacial ha propiciado el desarrollo de sensores de alta resolución, que proveen de [6]. En el primer grupo se incluyen métodos que requieren información de referencia del terreno, necesaria para obtener mapas temáticos de transiciones entre clases de coberturas terrestres que cambian; se basan en el uso de clasificadores supervisados [7]. Esta información de referencia se puede obtener mediante campañas de campo, por fotointerpretación o desde el conocimiento previo de la escena. En estos métodos, como inconvenientes se pueden indicar: el coste humano y temporal que supone la obtención de la información de referencia y el posible error cometido en el proceso de clasificación. Por el contrario, los métodos no supervisados no necesitan datos de referencia para la generación del mapa bin...
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.