Unsupervised segmentation of forest terrain images using a combined statistical/signal approach

• Autorzy: Stąpor K.

Warianty tytułu

PL

Nienadzorowana segmentacja tekstur terenów lesnych wykorzystująca kombinację metod statystycznych i sygnałowych

• Języki publikacji: EN

Abstrakty

EN

This paper presents a method for unsupervised segmentation of different forest textures in erial terrain images. The method relies on a combined feature vector used in two-step segmentation procedure. Texture measures derived from a bank of Gabor filters, estimated parameters of GMRF and hose based on run lenghts have been used in constructing a feature vector. To estimate "true" number of clusters a modified Hubert index is used.

PL

Artykuł prezentuje metodę nienadzorowanej segmentacji tekstur terenów leśnych na zdjęciach lotniczych. Wektor cech został utworzony z estymowanych parametrów Gaussowskiego Pola Losowego Markowa (GMRF), parametrów obliczonych z użyciem banku filtrów Gabora, oraz obliczonych na podstawie krzywych Hilberta a także poziomych i pionowych krzywych typu zig-zag. Tak skonstruowany wektor cech został poszerzony o 2 współrędne charakteryzujące położenie, co pozwala na grupowanie się sąsiadujących pikseli razem, a tym samym uniknięcie niepotrzebnej fragmentacji. Wymienione cechy zostały wstępnie znormalizowane za pomocą metody Z-score ([12]). W celu zwiększenia efektywności zaproponowano 2 etapową segmentację. W pierwszym etapie za pomocą algorytmu K-means opracowanego na podstawie ([8]) dokonuje się klasteryzacji losowo wybranego, małego podzbioru wszystkich pikseli obrazu, a uzyskanym grupom pikseli nadaje się etykietę. Na drugim etapie występuje klasyfikacja minimalnoodległościowa (k-NN[12]) wszystkich pikseli obrazu używając próbek uczących uzyskanych w pierwszym etapie. Do określenia liczby grup użyty został index Huberta ([2]). Prezentowana metoda została zastosowana do segmentacji terenów Lasku Wolskiego w Krakowie i pozwoliła na uzyskanie zadowalających wyników (średnio ok. 95% poprawnie sklasyfikowanych pikseli).

Słowa kluczowe

EN

texture segmentation; clustering; Gabor filters; fractal dimension; Markov random field

• Wydawca: Instytut Informatyki Teoretycznej i Stosowanej Polskiej Akademii Nauk
• Czasopismo: Archiwum Informatyki Teoretycznej i Stosowanej
• Rocznik: 2001
• Tom: T. 13, z. 1
• Strony: 23--36
• Opis fizyczny: Bibliogr. 12 poz., rys.

Twórcy

autor

Stąpor K.

• Instytut Informatyki Politechnika Śląska ul. Akademicka 16 44-100 Gliwice

Bibliografia

• [1] Chen C.H., Pau L.F., Wang P.S.: Handbook of Pattern Recognition and Computer Vision, World Scientific, pp.3-32.
• [2] Dubes R.C.: How many clusters are best? - an experiment. Pattern Recognition, v.20, 1987, pp. 645¬663.
• [3] Dubes R.C: Cluster analysis and related issues. In [1], pp. 3-32.
• [4] Texture segmentation of SAR images using localized spatial filtering. Proc. Int. geoscience and Remote Sensing Symp., Washington DC. 1990, pp.1983-1986.
• [5] Dunn D., et al.: Texture segmentation using 2-D Gabor elementary functions. IEEE Trans. on PAMI, v.16, 1994, Nr 2.
• [6] Gabor D.: Theory of communication. J. EE, v.93, 1946, pp. 429-457.
• [7] Haralick R.M.: Statistical and structural approaches to texture. Proc. IEEE, v.67, 1979, 786-804. 181 Hartigan J.A., Wong M.A.: A K-means clustering algorithm. Applied Statistics, 1979, Algorithm AS 136, pp. 100-108.
• [9] Jain A.K., Farrokhnia F.: Unsupervised texture segmentation using Gabor filters. Pattern Recognition, v.24, 1991, Nr 12, pp. 1167-1186.
• [10] Li S.Z.: Markov Random Field Modeling in Computer Vision. Springer Verlag, 1995
• [11] Tuceryan M., Jain A.K.: Texture analysis. In [1], pp.235-276.
• [12] Fukunaga K.: Statistical pattern recognition. In [1], pp. 33-60.