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 ...
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 της Αντικειμενοστρεφούς Ανάλυσης Εικόνας. Οι Μηχανές Διανυσματικής Υποστήριξης θεωρούνται μια άριστη μέθοδος υπολογιστικής μάθησης με εξαιρετικά αποτελέσματα στην Αναγνώριση Προτύπων. Ειδικά σε προβλήματα επιβλεπόμενης ταξινόμησης σε μεγάλους χώρους προτύπων, έχει αποδειχθεί ότι είναι μια από τις αποτελεσματικότερες μεθόδους με πολύ καλά αποτελέσματα. Σε αυτή τη διατριβή για πρώτη φορά υλοποιήθηκε Αντικειμενοστρεφής Ταξινόμηση Εικόνας μέσω της τεχνολογίας των Μηχανών Διανυσματικής Υποστήριξης με σκοπό την διερεύνηση της αποτελεσματικότητάς τους και της προοπτικής τους σαν μια μεθοδολογία αιχμής. Η τέταρτη συνεισφορά της διατριβής ήταν μια μεθοδολογία Αντικειμενοστρεφούς Ανάλυσης Εικόνας με ενσωμάτωση προηγμένων τεχνικών μη ισοτροπικής διάχυσης και φιλτραρισμάτων χώρου-κλίμακας. Τα φιλτραρίσματα χώρου-κλίμακας ενσωματώθηκαν στη διαδικασία κατάτμησης εικόνας βελτιώνοντας τα αποτελέσματα τόσο της κατάτμησης όσο και της μετέπειτα ταξινόμησης. Η πέμπτη συνεισφορά της διατριβής αφορούσε στην ολοκλήρωση προηγμένων τεχνικών ανίχνευσης ακμών στην διαδικασία κατάτμησης εικόνας για την υλοποίηση μεθοδολογίας Αντικειμενοστρεφούς Ανάλυσης Εικόνας. Ο συνδιασμός των μορφολογικών επιπεδοσυνόλων, της πολυκλιμακωτής κατάτμησης και της πληροφορίας ακμών της εικόνας έδωσε μια νέα υβριδική προσέγγιση στην κατάτμηση εικόνας. Η έκτη συνεισφορά της διατριβής αφορούσε την υλοποίηση Αντικειμενοστρεφούς Ταξινόμησης με μεθόδους που βρίσκονται στην αιχμή της επιστήμης της Υπολογιστικής Νοημοσύνης. Για πρώτη φορά προτάθηκε στην διατριβή αυτή η υλοποίηση αντικειμενοστρεφούς μεθόδου ταξινόμησης με βάση τις Μηχανές Διανυσμάτων Συνάφειας (Relevance Vector Machines). Τέλος η έβδομη συνεισφορά της διατριβής αφορούσε στην ολοκλήρωση της Αντικειμενοστρεφούς Ανάλυσης Εικόνας με συστήματα που βασίζονται στη γνώση. Στα πλαίσια αυτής της έρευνας, στόχος ήταν η διασύνδεση των προηγμένων μεθόδων Υπολογιστικής Νοημοσύνης με έμπειρα συστήματα που βασίζονται στη γνώση ώστε να διερευνηθεί και να αξιολογηθεί η χρησιμότητά τους σε εφαρμογές Τηλεπισκόπησης. Με βάση τις προηγούμενες μεθοδολογίες της διατριβής, χρησιμοποιήθηκε ο αλγόριθμος κατάτμησης εικόνας με βάση τις ακμές για την εξαγωγή πρωτογεννών αντικειμένων, ενώ μετά τον ορισμό του χώρου προτύπων από τον υπολογισμό χαρακτηριστικών των αντικειμένων, χρησιμοποιήθηκαν οι Μηχανές Διανυσμάτων Συνάφειας για την αρχική ταξινόμηση των αντικειμένων με βάση δείγματα εκπαίδευσης. Στην συνέχεια τα αποτελέσματα της κατάτμησης και της ταξινόμησης των αντικειμένων ενσωματώθηκαν σε μια χωρική βάση δεδομένων με τον μετασχηματισμό τους από εικονιστικά σε διανυσματικά δεδομένα και αποθηκεύοντας τα χαρακτηριστικά τους με τη μορφή πινάκων που ενσωματώνουν πληροφορία γεωμετρίας. Σε γενικές γραμμές η διατριβή είχε συνεισφόρα σε όλες τις διαδικασίες της Αντικειμενοστρεφούς Ανάλυσης Εικόνας και η ενσωμάτωση μεθόδων όρασης υπολογιστών, κατάτμησης εικόνας, υπολογιστικής νοημοσύνης και εμπείρων συστημάτων ολοκληρώνει τις δυνατότητες ενός σύγχρονου τηλεπισκοπικού συστήματος, προσδίδοντάς του πολλές δυνατότητες αυτοματοποίησης επίπονων διαδικασιών για τον φωτοερμηνευτή. Μελλοντικά, ανοίγονται οι ορίζοντες για χρήση της προτεινόμενης μεθοδολογίας σε πιο συγκεκριμένες εφαρμογές Τηλεπισκόπησης.
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 ...
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 competitive with the best machine learning algorithms. In the past, SVMs were tested and evaluated only as pixel-based image classifiers. In the forth contribution of this research, an object-oriented image classification framework was developed which incorporates nonlinear scale space filtering into the multi-scale segmentation and classification procedures. Morphological levelings, which possess a number of desired spatial and spectral properties, were associated with anisotropically diffused markers towards the construction of nonlinear scale spaces. The fifth contribution of this research involved the development of a multiscale object-oriented image analysis framework, which incorporated a region merging segmentation algorithm enchanced by advanced edge features and nonlinear scale space filtering. The sixth contribution of this research involved the implementation of an object-based image classification method, incorporating the Relevance Vector Machine framework for image object classification. The Relevance Vector Machine (RVM) is a kernel classification method, extending the Support Vector Machine (SVM) through Bayessian theory, dealing with uncertainty within the kernel-based classification framework. Finally, in the seventh contribution of this research, a multimodal object-based image classification approach was developed and evaluated. The goal of this research was to integrate machine learning classification with knowledge-based expert systems, to extend the Object-Based Image Analysis methodology and to evaluate its effectiveness and prospects. The previously developed framework, based on scale-space representation and a state-of-the-art multi-scale image segmentation algorithm provided the primitive image objects, while their spatial and spectral properties formed a multidimensional feature space for the following classification steps. Then, a sparse kernel-based supervised classification method was developed, based on Relevance Vector Machines, which provided the initial spectral classification of the image primitives. This sparse classifier was able to perform with high accuracy even with a small number of sample objects while maintaining the accuracy performance of SVM methods. The classified image objects and their spatial and spectral features were represented and stored in a spatial database, using a vector representation in order to perform spatial analysis and reduce the memory footprint of the system. Then, a knowledge-based expert system was integrated into the spatial database to provide rule-based classification support through a pure expert system tool: CLIPS. This approach was evaluated against other object-based classification methods and some very promising experimental results were demonstrated. Overall, this disertation contributed in all parts of the Object-Based Image Analysis methodology, introducing and implementing state-of-the-art computer vision, image segmentation, machine learning and knowledge-based methods in the OBIA methodology, thus integrating new tools towards automating the classification and feature extraction tasks in remote sensing. This need for more accurate and automated classification is crucial in remote sensing today, since photointerpretation of big earth observation data is a tedious process. Future prospects of this research include the implementation of the proposed methods in various remote sensing applications.
περισσότερα