Διερεύνηση τεχνικών κατάτμησης εικόνας, υπολογιστικής νοημοσύνης και εμπείρων συστημάτων στην τηλεπισκόπηση

Περίληψη

Ο στόχος της παρούσας διατριβής ήταν η διερεύνηση και υλοποίηση καινοτόμων μεθόδων Όρασης Υπολογιστών και Υπολογιστικής Νοημοσύνης στα πλαίσια της μεθοδολογίας της Αντικειμενοστρεφούς Ανάλυσης Εικόνας (OBIA). Επίσης στόχος ήταν η ολοκλήρωση των μεθόδων αυτών με τεχνικές βασισμένες στη γνώση, δηλαδή με Έμπειρα Συστήματα. Η πρώτη συνεισφορά της διατριβής αφορούσε στην υλοποίηση ενός πολυκλιμακωτού αλγορίθμου κατάτμησης εικόνας, ο οποίος μπορεί να ενσωματωθεί σε μεθοδολογίες Αντικειμενοστρεφούς Ανάλυσης Εικόνας. Ο αλγόριθμος που αναπτύχθηκε, ονομάστηκε MSEG και είναι ένας αλγόριθμος της κατηγορίας ένωσης περιοχών (region merging). Η δεύτερη συνεισφορά της διατριβής ήταν η διερεύνηση και υλοποίηση ενός πολυκλιμακωτου αλγορίθμου κατάτμησης εικόνας, βασισμένου σε αύξηση περιοχών, με την ολοκλήρωση προηγμένων τεχνικών υφής. Η τρίτη συνεισφορά της διατριβής ήταν η ολοκλήρωση ενός αλγορίθμου υπολογιστικής νοημοσύνης, των Μηχανών Διανυσματικής Υποστήριξης (Support Vector Machines) στα πλαίσια τη ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The objective of this research was to research and implement state-of-the-art computer vision and machine learning methods for Object-Based Image Analysis (OBIA), as well as integration with knowledge-based expert systems. The first contribution was the development of a generic image segmentation algorithm, as a low level processing part of an integrated object-oriented image analysis system. The implemented algorithm is called MSEG and can be described as a region merging procedure. The second contribution of this research involved the design and development of a region-based multi-scale segmentation algorithm with the integration of complex texture features. The third contribution of this research involved the integration of Support Vector Machines (SVM) with OBIA. The Support Vector Machine is a theoretically superior machine learning methodology with great results in pattern recognition. Especially for supervised classification of high-dimensional datasets and has been found compet ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/37425
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/37425
ND
37425
Εναλλακτικός τίτλος
Investigation of image segmentation, machine learning and knowledge-based expert system methods in remote sensing
Συγγραφέας
Τζώτσος, Άγγελος (Πατρώνυμο: Κωνσταντίνος)
Ημερομηνία
2014
Ίδρυμα
Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ). Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας
Εξεταστική επιτροπή
Αργαλιάς Δημήτρης
Ρόκος Δημήτρης
Καραθανάση Βασιλεία
Κόλλιας Στέφανος
Κουτρούμπας Κωνσταντίνος
Καράντζαλος Κωνσταντίνος
Ιωαννίδης Χαράλαμπος
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΓεωεπιστήμες και Επιστήμες Περιβάλλοντος
Επιστήμες Μηχανικού και ΤεχνολογίαΆλλες Επιστήμες Μηχανικού και Τεχνολογίες
Λέξεις-κλειδιά
Τηλεπισκόπηση; Άντικειμενοστρεφής ανάλυση εικόνας; Έμπειρα συστήματα; Τεχνητή νοημοσύνη; Κατάτμηση εικόνας; Υπολογιστική νοημοσύνη
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
xxx, 199 σ., εικ., πιν., σχημ., γραφ., ευρ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)