Telerilevamento, il più alto albero di palma.

Telerilevamento, il più alto albero di palma.

Autore a chi corrispondenza deve essere indirizzata; Tel. + 66-02-141-4603.

Astratto

olio di palma; rilevamento; conteggio; agricoltura di precisione

1. Introduzione

1.1. La necessità per il rilevamento della palma da olio dell’albero

1.2. Metodi correlati

Lo scopo della rilevazione albero di palma da olio è quello di individuare e contare palme olio su carta, immagini aeree o immagini satellitari. Questa informazione è il fattore chiave per la gestione della piantagione di palma da olio e il monitoraggio in ogni area piantagione. Conoscere la quantità di olio di palma in ogni zona della piantagione può facilitare la previsione resa. Il modo più semplice per rilevare palma da olio è quello di contrassegnare manualmente gli alberi di palma da olio sulle immagini o campo di rilevamento che utilizzano il GPS per raccogliere le posizioni di alberi di palma da olio e visualizzare la loro posizione sull’immagine. Tuttavia, se c’è un sacco di aree di piantagioni di palma da olio, che può essere di grandi dimensioni e contengono più di 1000 alberi di palma da olio, rilevamento manuale e il campo di rilevamento può essere un processo costoso e che consumano. Questo caso è la tecnica di rilevamento dove remoto.

In generale, la rilevazione palma olio può essere considerato come il problema di rilevamento albero che è un continuo problema di ricerca in telerilevamento. L’obiettivo di rilevazione albero è quello di estrarre le posizioni degli alberi o chiome degli alberi da dati forniti, vale a dire fotografia o punto laser nuvola. Gli attuali metodi di rilevamento albero possono essere raggruppati in termini di dati utilizzati. Questo lavoro si concentra su immagini ad alta risoluzione, invece di utilizzare LiDAR. Un inconveniente di utilizzare LiDAR per rilevare alberi è il requisito di densità di punti, che è costosa e richiede grande memorizzazione dei dati. Inoltre, utilizzando immagini ad alta risoluzione, olio di palma può essere facilmente riconosciuto e identificato sulle immagini.

Lo studio riportato in questo articolo tratta il problema della rilevazione albero di palma da olio da un’immagine di un’area piantagione di palma da olio in alta risoluzione di immagini multi-spettrali. Cioè, un nuovo algoritmo viene proposto. Un vantaggio del metodo proposto è che un’immagine multispettrale satellitare solo alta risoluzione è necessaria in contrasto [15 -17] che richiedono molto alta risoluzione o immagini iperspettrali. Il concetto del metodo proposto si basa sul rilevamento di picco locale un’immagine un indice vegetazione. Dato che ci sono vari indici di vegetazione esistente, si propone di utilizzare l’indice di vegetazione che ha il maggior potere di discriminazione tra palme da olio e oggetti di palma non petrolifere. Con il processo di selezione funzione, il metodo proposto è versatile perché alcuni indici non possono essere estratti da alcune immagini o quando l’informazione radiometrica si trasforma. Ad esempio, le informazioni radiometrica dell’immagine pan-affilato si trasforma; radianza trasformazione non può essere calcolato. Di conseguenza, NDVI non può mostrare il vero fenologia degli alberi.

Il restante di questo articolo è organizzato come segue; nella sezione 2, vengono introdotti il ​​metodo proposto e anche il set di dati utilizzato nell’esperimento. Il risultato sperimentale e la valutazione delle prestazioni sono riportati nella sezione 3. La precisione di rilevamento e la discussione saranno nella sezione 4. La conclusione di questo lavoro sarà presentato nella sezione 5.

2. Materiale e metodo

2.1. dataset

Nei nostri esperimenti, per valutare le prestazioni del nostro metodo di rilevazione di palma proposto, QuickBird immaginario della provincia di Phang-nga, nella regione meridionale della Thailandia centrato a 8,4397 ° N, 98,5181 ° E è stato utilizzato. Questa zona è stata tradizionalmente coltivata intensamente con olio di palma e di albero della gomma. Le immagini affilato teglie è terra distanza di campionamento di circa 60 cm per pixel e 4 band tra cui, nel vicino infrarosso-verde, rosso e blu. Con questa risoluzione spaziale, può essere riconosciuto e identificato una corona singolo albero il cui raggio è maggiore di 2 o 3 m. Abbiamo selezionato manualmente le zone delle piantagioni di palma e segnato la loro confini. Inoltre, pan-affilato WorldView-2 immagini della provincia di Phuket centrato a 7,8900 ° N, 98,3983 ° E è stato utilizzato anche per dimostrare le prestazioni del metodo proposto. Entrambe le immagini utilizzate in questo lavoro sono stati già orto-rettificate senza splendore trasformazione.

2.2. Flusso di lavoro della palma da olio dell’albero Metodo di rilevazione

In questo lavoro, viene proposto un metodo per individuare i singoli alberi di palma da olio che utilizzano immagini ad alta risoluzione multi-spettrali, in particolare nelle aree di piantagione. Le immagini utilizzate in questo metodi sono già orto-rettificate e può essere RGB o RGB con NIR. Dopo il confine dell’area piantagione è stata contrassegnata manualmente, viene applicato un approccio rilevamento di picco locale. In questo approccio, l’apice arborea si assume di avere numero digitale a livello locale massimo, ad esempio riflettanza o indice di vegetazione, maggiore di quella dei vicini circostanti all’interno della finestra.

Il rilevamento di picco locale viene applicato un’immagine indice di vegetazione derivato della immagine multispettrale on. Ci sono diversi indici predefiniti. L’indice migliore è scelto, dove è definito meglio come l’indice che massimizza inter-classe di dissimilarità alberi di palma da olio e campioni di palma non-oil.

Dopo la funzione indice di vegetazione appropriata e le dimensioni della finestra sono determinate, il metodo procede alla valorizzazione dell’immagine indice. Al fine di massimizzare la distinzione tra olio di palma e palme non petrolifere, una trasformazione rango viene applicato all’immagine indice di vegetazione. I picchi locali vengono rilevati mediante un algoritmo di soppressione non massimale utilizzando la dimensione della finestra ottenuto dalla tecnica semi-variogramma 2D. Il flusso di lavoro del metodo proposto è riassunta nella figura 1.

2.3. Calcolo della vegetazione Indici

In [20], Guijarro et al. utilizzati vari indici nella segmentazione delle immagini agricoli. Tali indici includono eccesso di verde (ExG), Eccesso Rosso (EXR), eccesso di blu (ExB) e in eccesso Verde meno eccesso Rosso (ExGR). Dato un’immagine nello spazio colore RGB, il calcolo di tali indici parte dalla normalizzazione dei rossa spettrale (R), verde (G) e blu (B) componenti a un certo pixel:

r = R R + G + B. g = G R + G + B. b = B R + G + B

Di conseguenza, l’normalizzato r spettrale, g e b sono nell’intervallo [0, 1]. Gli indici vengono poi calcolati come segue:

In [21], Woebbecke et al. utilizzato bande verdi e rosse per calcolare Differenza normalizzato Index (NDI) per distinguere le piante dal terreno:

Gli indici di cui sopra sono molto utili per segmentare vegetazione su un’immagine quando solo bande rosso, verde e blu spettrale sono disponibili. Tuttavia la maggior parte remote sensing satelliti forniscono immagini nello spazio RGB-NIR. Dato un’immagine con elevata risoluzione spettrale, lo spettro NIR può essere presa in considerazione nella definizione indici di vegetazione. L’indice di vegetazione più semplice utilizzando spettro NIR è il semplice rapporto [22]:

dove NIR è la quasi banda spettrale infrarosso. Differenza normalizzato Vegetation Index (NDVI) è definito come [23]:

NDVI = NIR – R NIR + R = SR – 1 SR + 1.

È l’indice di vegetazione più comunemente usato. I suoi valori variano tra -1 e 1. L’NDVI può essere modificato per ottenuti Trasformato Vegetation Index (TVI):

GNDVI = NIR – G NIR + G.

che si chiama così il verde normalizzato Difference Vegetation Index (GNDVI). Sripada et al. [25] definiti indici di vegetazione per la determinazione dei requisiti di azoto inizio di stagione nel mais. Tali indici sono la normalizzazione del rosso dello spettro, verde e NIR:

Normalizzato Verde (GN) = G NIR + R + G

Normalizzato Rosso (NR) = R NIR + R + G

Normalizzato NIR (NNIR) = NIR NIR + R + G

In generale, la trasformazione radianza deve essere eseguita prima di calcolare indici di vegetazione per ottenere indici di vegetazione veri. Tuttavia, in questo lavoro, gli indici di vegetazione non vengono utilizzati per monitorare il vero fenologia della palma di olio; essi sono effettivamente utilizzati per differenziare albero di palma da olio e sfondi. Gli indici di vegetazione veri non sono quindi necessari.

2.4. Selezione funzionalità

Come è stato discusso in precedenza, sono stati definiti diversi indici di vegetazione per compiti specifici. La loro performance relativa in palma problema di rilevamento può variare. Un altro motivo per l’esecuzione di selezione caratteristica è che alcuni indice non può essere sempre calcolato. Ad esempio, quando NIR band non è disponibile, NDVI, che è ampiamente usato nel telerilevamento per la separazione suolo e vegetazione, non può essere calcolato. Il processo di selezione funzione selezionerà un indice adeguato da tutti gli indici che possono essere calcolate dall’immagine. I dati di input per il metodo proposto non è quindi limitato soltanto immagini multispettrale o via satellite. Cioè, immagine RGB o fotografia aerea possono essere utilizzati. Inoltre, la selezione funzione può rendere la proposta di più robusto quando il contenuto radiometriche sono distorte o trasformati, ossia il caso di immagini pan-affilato. In questo caso, gli indici calcolati non sono quelli veri; l’indice comunemente utilizzati, ad esempio NDVI è uno adatto per la classificazione.

2.5. Stima di adeguata Dimensioni finestra

Per stimare una dimensione della finestra appropriata per rango trasformazione e soppressione non massimale, si presume che il modello spaziale di palma è ben strutturato, per esempio due palme consecutivi sono equidistanti. La tecnica semi-variogramma è impiegato per estrarre il modello spaziale della fattoria palma. Come risultato, una distanza approssimativa tra due alberi prossimo palma può essere ottenuta e utilizzato come limite superiore per la dimensione della finestra di rango trasformare e soppressione non massimale.

D (u) = Σ p ∈ S u d (I (p). I (p + u)) carta (S u)

dove u è il ritardo direzionale, S è l’insieme di pixel dove l’immagine I è definito, S u = lt;p ∈ S |p + u S gt ;, carta () la cardinalità di un insieme, che è il numero di elementi del set, e d è la distanza tra i valori di pixel. Per un’immagine multispettrale, la funzione della distanza d può essere definito come:

d (I (p I (p + u)).) = (I (p) – I (p + u)) ⊤ M (I (p) – I (p + u))

dove M è una matrice simmetrica definita positiva. Due scelte comuni per la matrice M sono la matrice identità o l’inverso della matrice di covarianza.

D max = max ‖ ‖ u ≥ 0 k D (u). D = min min ‖ ‖ u ≥ 0 k D (u)

F – misura = (1 + α) × precisione × Recall α × Precision + Recall.

dove α è uno scalare non negativo. In questo lavoro, è impostato a 0,5 ed usati in [34]. In questo contesto, la precisione può essere interpretata come la probabilità che un olio di palma rilevato è valido e richiamo è la probabilità che viene rilevata la palma d’olio corretta (verità a terra). Come mostrato nell’equazione (23). il F-misura è definita come la (ponderata) media armonica tra precisione e richiamo. Cioè, la precisione e recall sono combinati in una singola misura di prestazioni. Di conseguenza, può essere usato come una metrica prestazioni complessive.

3. Risultati sperimentali

3.1. Selezione funzionalità

Come illustrato nella sezione 2.4, il metodo per la selezione funzione utilizzato in questo documento si basa sulla diversità metrica confrontando gli istogrammi di palma e lo sfondo, per i vari indici di vegetazione che sono considerati. Per generare gli istogrammi di palma e di aree non palme, palme e lo sfondo dalle immagini sottoinsieme sono campionati e tutti gli indici presentati nella sezione 2.4 per ciascun pixel viene calcolato. Poi, gli istogrammi degli indici calcolati vengono generati. Le figure 2 e 3 mostrano gli istogrammi di ciascun indice utilizzando QuickBird immagini. Successivamente, le metriche di confronto l’istogramma di palma e di sfondo pixel vengono calcolati. Si noti che tutti i parametri presentati nella Tabella 1, tranne la metrica intersezione danno un grande valore quando due istogrammi sono dissimili. La metrica di intersezione darà un gran numero se due istogrammi sono simili. Ad esempio, la metrica intersezione tra due istogrammi identici sarà 1. Per facilitare il confronto delle metriche, abbiamo sottratto la metrica di intersezione dal massimo di 1 e utilizzare tale valore nelle tabelle trasformato.

La tabella 2 riporta le metriche di dissimilarità da immagini QuickBird. L’analisi mostra che l’indice ExGR ha prodotto il valore della metrica totale più basso. In questo indice, palma e lo sfondo sono molto simili. L’indice NDI ha dato il massimo metrica e quindi può essere considerato la caratteristica migliore per l’uso nel processo di rilevamento per le immagini QuickBird.

3.2. Olio di palma risultati di rilevamento

4. precisione di rilevamento e di discussione

Per dimostrare la necessità di selezione funzione, l’indice verde eccede la superficie di prova in figura 4 è mostrata in figura 9. L’indice verde eccesso e la metrica più bassa tra la istogramma di palma e quello di sfondo. Si può osservare che l’indice verde eccesso di palme e quello di sfondo sono molto simili e difficile discriminare. Il risultato del rilevamento utilizzando l’indice verde eccesso è illustrato in Figura 10. Il suo può osservare che risultato del rilevamento usando un eccesso verde è peggiore di quella di NDI, che ha dato il massimo diversità tra olio di palma e terra posteriore. Questo è perché l’indice verde eccesso di palme e quello di sfondo sono molto simili.

In Figura 11. il risultato di rilevamento senza utilizzare rango trasformazione prima della rivelazione di picco locale è illustrato. Cioè, rivelatore di picco locale viene applicato direttamente sull’immagine indice, cioè NDI. Si può osservare che molte palme dell’olio non vengono rilevati. Questo perché le differenze tra la vegetazione di palme e quello di sfondo non sono amplificati. Questo risultato dimostra l’utilità dell’applicazione di rango trasformazione dell’immagine indice sulla prima di eseguire il rilevamento di picco locale.

5. Conclusioni

La rilevazione palma da olio o il conteggio è un compito importante in olio di palma gestione delle aree piantagione. In questo lavoro, viene proposto un nuovo metodo per il rilevamento di olio di palma con immagini multispettrali satellitari ad alta risoluzione. Si ipotizza che gli alberi di palma da olio si trovano le cime locale dell’immagine indice di vegetazione all’interno dell’area piantagione di palma da olio. I componenti di successo e il contributo dell’algoritmo proposto sono funzione di selezione e la trasformazione rango. A differenza di altri metodi che utilizzano direttamente NDVI come la funzione per il rilevamento, in questo lavoro, il processo di selezione funzione viene utilizzato per selezionare l’indice di vegetazione con più alto potere discriminante tra gli alberi di palma da olio e lo sfondo. La trasformazione rango viene quindi applicata all’immagine indice di vegetazione in modo da aumentare la separabilità fra le palme olio e lo sfondo che comportano la riduzione delle mancate rilevazioni.

Le prestazioni del metodo proposto è stato testato su diverse aree di piantagione su immaginari satellitari ad alta risoluzione, cioè QuickBird e WorldView-2. La precisione (tasso di rilevamento), richiamo e F-misura sono stati utilizzati per valutare le prestazioni del metodo proposto. La performance complessiva è stata eccellente, con una precisione (tasso di rilevamento) che vanno 0,916-0,998, valore di richiamo che vanno da 0,861 a 0,998 e F-misura valori compresi 0,897-0,993. Confronto con il metodo proposto in [17], che utilizza l’immagine iperspettrale, il metodo proposto in questo lavoro in grado di fornire il tasso di rilevamento simile circa il 90% utilizzando immagini satellitari multispettrali solo. Dai risultati dell’esperimento, è stato dimostrato che utilizzando l’immagine indice di vegetazione senza valorizzazione separabilità, cioè rango trasformazione può portare alla diagnosi perdere. Inoltre, è stato osservato inoltre che l’indice di vegetazione appropriata deve essere selezionata in modo da ottenere elevata rapidità.

Il principale vantaggio del metodo proposto è che è versatile. In particolare, i dati di ingresso non è limitato al solo immagini satellitari multispettrale. La ragione è che la funzione di selezione selezionerà funzione appropriato che può essere ottenuto da un particolare sensore. Di conseguenza, il metodo proposto può utilizzare i dati provenienti da altri sensori e piattaforme, ad esempio fotografia aerea da UAV con bande RGB solo. Un altro vantaggio del metodo proposto è che non è computazionalmente costoso.

Ringraziamenti

Autore Contributi

P. Srestasathiern effettuata l’analisi dei dati ed è l’autore principale di tutte le sezioni del manoscritto. P. Rakwatin supervisionato la ricerca e curato il manoscritto.

Conflitto di interessi

Gli autori dichiarano assenza di conflitto di interesse.

Riferimenti

  1. Palm Oil I fatti e cifre. Disponibile on-line: http: // http: //www.simedarby.com/upload/Palm_Oil_Facts_and_Figures.pdf (accessibile il 6 giugno 2014).
  2. Tan, K.P .; Kanniah, K.D .; Cracknell, A.P. L’utilizzo di UK-DMC 2 e ALOS PALSAR per studiare l’età degli alberi di palma da olio nel sud della Malesia peninsulare. Int. J. Sens remoti 2013. 34. 7424-7446. [Google Scholar]
  3. Santoso, H .; Gunawan, T .; Jatmiko, R .; Darmosarkoro, W .; Minasny, B. Mappatura e identificare la malattia staminali marciume basale a palme da olio nel nord di Sumatra con immagini QuickBird. Precis. Agric 2011. 12. 233-248. [Google Scholar]
  4. Tan, K.P .; Kanniah, K.D .; Cracknell, A.P. Una revisione dei modelli di produttività di rilevamento basato remoti e la loro idoneità per lo studio della produttività palma da olio nelle regioni tropicali. Prog. Phys. geogr 2012. 36. 655-679. [Google Scholar]
  5. Thenkabail, P.S .; Stucky, N .; Griscom, B.W .; Ashton, M.S .; Diels, J .; van der Meer, B .; Enclona, ​​stime E. biomassa e calcoli degli stock di carbonio nelle piantagioni di palma da olio di origine africana deriva savane utilizzando i dati IKONOS. Int. J. Sens remoti 2004. 25. 5.447-5.472. [Google Scholar]
  6. Morel, A.C .; Fisher, J.B .; Malhi, Y. Valutare la possibilità di monitorare la biomassa epigea nella foresta e olio di palma in Sabah, in Malesia, per il 2000-2008 con Landsat ETM + e ALOS-PALSAR. Int. J. Sens remoti 2012. 33. 3614-3639. [Google Scholar]
  7. Morel, A.C .; Saatchi, S.S .; Malhi, Y .; Berry, N.J .; Banin, L .; Burslem, D .; Nilus, R .; Ong, R.C. La stima della biomassa fuori terra nella foresta e olio di palma piantagione in Sabah, Borneo malese utilizzando i dati ALOS PALSAR. Per. Ecol. Manag 2011. 262. 1786-1798. [Google Scholar]
  8. Wulder, M .; Niemann, K .; Goodenough, D.G. filtraggio massimo locale per l’estrazione di posizioni dell’albero e zona basale da immagini ad alta risoluzione spaziale. Remote Sens. Environ 2000. 73. 103-114. [Google Scholar]
  9. Wulder, M.A .; Niemann, K.O .; Goodenough, D.G. metodi di riduzione degli errori per il filtraggio massimo locale di alta risoluzione spaziale di immagini per localizzare gli alberi. Può. J. Sens Remote 2002. 28. 621-628. [Google Scholar]
  10. Wulder, M .; Bianco, J .; Niemann, O .; Nelson, T. Il confronto dei dati risoluzione aereo e da satellite ad alta spaziali per l’identificazione dei singoli alberi con filtraggio massimi locali. Int. J. Sens remoti 2004. 25. 2225-2232. [Google Scholar]
  11. Wulder, M.A .; Bianco, J.C .; Coops, N.C .; Butson, analisi C.R. Multi-temporale di immagini ad alto risoluzione spaziale per il monitoraggio disturbo. Remote Sens. Environ 2008. 112. 2729-2740. [Google Scholar]
  12. Gebreslasie, M.T .; Ahmed, F.B .; Van Aardt, J.A.N .; Blakeway, F. individuale rilevamento albero in base alle dimensioni della finestra di filtraggio massimi locali variabile e fisso applicato alle immagini IKONOS anche per età foreste piantagione di eucalipto. Int. J. Sens remoti 2011. 32. 4.141-4.154. [Google Scholar]
  13. Szantoi, Z .; Malone, S .; Escobedo, F .; Misas, O .; Smith, S .; Dewitt, B. Uno strumento per una rapida post-uragano albero urbano stime detriti utilizzando alta risoluzione immagini aeree. Int. J. Appl. Observ Terra. Geoinf 2012. 18. 548-556. [Google Scholar]
  14. Culvenor, D.S. TIDA: Un algoritmo per la delineazione delle chiome degli alberi in alta risoluzione spaziale percepito da remoto immagini. Comput. Geosci 2002. 28. 33-44. [Google Scholar]
  15. Jiang, M .; Lin, Y. individuale decidua riconoscimento albero in altissima risoluzione spaziale aerea foglia-off percepito a distanza immagini. IEEE Geosci. Remote Sens. Lett 2013. 10. 38-42. [Google Scholar]
  16. Ardila, J .; Bijker, W .; Tolpekin, V .; Stein, A. gaussiana localizzato contorni attivi per l’analisi multitemporale delle chiome degli alberi urbani. In Atti del 2012 IEEE International Geoscience e Simposio Telerilevamento (IGARSS), Monaco di Baviera, in Germania, 22-27 Luglio 2012; pp. 6971-6974.
  17. Shafri, H.Z.M .; Hamdan, N .; Saripan, M.I. ricerca semi-automatica e il conteggio degli alberi di palma da olio da immagini ad alta risoluzione spaziale in volo. Int. J. Sens remoti 2011. 32. 2095-2115. [Google Scholar]
  18. Smith, A.M.S .; Drake, N.A .; Wooster, M.J .; Hudak, A.T .; Holden, Z.A .; Gibbons, C.J. Produzione di riferimento immagini Landsat ETM + delle aree bruciate entro savane dell’Africa australe: confronto di metodi e applicazione di MODIS. Int. J. Sens remoti 2007. 28. 2753-2775. [Google Scholar]
  19. Jiang, Z .; Huete, A.R .; Didan, K .; Miura, T. Sviluppo di un maggiore indice di vegetazione a due bande senza una fascia blu. Remote Sens. Environ 2008. 112. 3833-3845. [Google Scholar]
  20. Guijarro, M .; Pajares, G .; Riomoros, I .; Herrera, P .; Burgos-Artizzu, X .; Ribeiro, A. segmentazione automatica di texture rilevanti nelle immagini agricoli. Comput. Electron. Agric 2011. 75. 75-83. [Google Scholar]
  21. Woebbecke, D.M .; Meyer, G.E .; von Bargen, K .; Mortensen, D.A. Le specie vegetali di identificazione, di dimensioni e di enumerazione utilizzando tecniche di visione artificiale sulle immagini quasi binarie. Proc. SPIE 1993. 1836. 208-219. [Google Scholar]
  22. Jordan, C.F. Derivazione di indice di foglia-zona dalla qualità della luce sul suolo della foresta. Ecologia 1969. 50. 663-666. [Google Scholar]
  23. Rouse, J.W .; Haas, R.H .; Schekk, J.A .; Deering, D.W. Monitoraggio dei sistemi di vegetazione nelle grandi pianure con ERTS. Disponibile on-line: http://www.researchgate.net/publication/246866091_Monitoring_vegetation_systems_in_the_Great_Plains_with_ERTS?ev=auth_pub (accessibile in data 16 settembre 2014).
  24. Gitelson, A.A .; Kaufman, Y.J .; Merzlyak, M.N. L’uso di un canale verde in telerilevamento della vegetazione globale dal EOS-MODIS. Remote Sens. Environ 1996. 58. 289-298. [Google Scholar]
  25. Sripada, RP .; Heiniger, R.W .; Bianco, J.G .; Meijer, fotografia all’infrarosso colore dC aerea per la determinazione dei requisiti di azoto inizio di stagione nel mais. Agronomia 2006. 98. 968-977. [Google Scholar]
  26. Stricker, M .; Orengo, M. somiglianza di immagini a colori. Proc. SPIE 1995. 2420. 381-392. [Google Scholar]
  27. Pekalska, E .; Duin, R.P. Associando rappresentazioni di dissimilarità. In Sistemi Classificatore multipli; Kittler, J. Roli, F. Eds .; Springer Berlin Heidelberg: Berlin / Heidelberg, Germania, 2001; Volume 2096, pp. 359-368. [Google Scholar]
  28. Atkinson, P .; classificazione Lewis, P. Geostatistical per il telerilevamento: Introduzione. Comput. Geosci 2000. 26. 361-371. [Google Scholar]
  29. Trias-Sanz, orientamento R. Texture e stimatore periodo per discriminare tra i boschi, frutteti, vigneti e campi coltivati. IEEE Trans. Geosci. Sens remoti 2006. 44. 2755-2760. [Google Scholar]
  30. Szantoi, Z .; Escobedo, F .; Abd-Elrahman, A .; Smith, S .; Pearlstine, L. Analizzando la composizione delle zone umide a scala fine usando immagini e trama caratteristiche ad alta risoluzione. Int. J. Appl. Observ Terra. Geoinf 2013. 23. 204-212. [Google Scholar]
  31. Zabih, R .; Woodfill, J. non parametrici trasformazioni locali per il calcolo corrispondenza visiva. In Computer Vision-ECCV; Springer: Berlin / Heidelberg, Germania, 1994; pp. 151-158. [Google Scholar]
  32. Hirschmüller, H .; Scharstein, D. Valutazione dei costi corrispondenti stereo su immagini con differenze radiometriche. IEEE Trans. Modello anale. Mach. Intell 2009. 31. 1582-1599. [Google Scholar]
  33. Neubeck, A .; van Gool, L. efficiente soppressione non il massimo. In Atti del 18 ° Conferenza Internazionale sulla Pattern Recognition (CIPR ’06), Hong Kong, Cina, 20-24 Agosto 2006; 3, pp. 850-855.
  34. Liu, T .; Yuan, Z .; Sole, J .; Wang, J .; Zheng, N .; Tang, X .; Shum, H.Y. Imparare a rilevare un oggetto saliente. IEEE Trans. Modello anale. Mach. Intell 2011. 33. 353-367. [Google Scholar]
  35. Rosin, P.L. Un metodo semplice per le rilevazione di zone salienti. modello Recognit 2009. 42. 2363-2371. [Google Scholar]
  36. Marchesotti, L .; Cifarelli, C .; Csurka, G. Un quadro per il rilevamento salienza visiva con le applicazioni di immagine miniature. In Atti della Conferenza Internazionale IEEE 12 sulla Computer Vision, Kyoto, Giappone, 29 settembre-2 OTTOBRE 2009; pp. 2232-2239.

Figura 1. Workflow del metodo proposto. Si prega di consultare il testo per una spiegazione dettagliata.

Figura 1. Workflow del metodo proposto. Si prega di consultare il testo per una spiegazione dettagliata.

Related posts

  • Palm Tree fatti per i bambini, circa palma.

    Panoramica Mentre si può o non può avere le palme che crescono al di fuori in cui si vive, l’albero è uno dei più versatili e diffuse, con specie autoctone trovano in tutte le regioni più calde …

  • Requisiti organici del terreno Palm, mix Palma suolo.

    Le 2.500 specie di palma hanno esigenze culturali simili, tra cui il terreno in cui crescono. Originaria delle regioni tropicali e subtropicali di tutto il mondo, le palme sono uno dei …

  • Outside the Box Fare una palma, rendendo palme.

    Ho fatto gli alberi partito di palma molti nel corso degli anni. La maggior parte di loro aveva la stessa lattina con il cemento inchiodato su una base 12 di legno quadrata, come ho descritto nel mio ultimo blog sul fare decorazioni in PVC. La cima…

  • Palma Foto – foto …

    Le foto di Palms consistono di foto di freddo resistenti specie di Palma. Le immagini rappresentano Palms che sono state coltivate nelle zone di confine e sono considerati freddi resistenti palme. Su questo…

  • Palma informazione, acqua …

    palme Perché non appena piantati hanno bisogno di tanta acqua? alberi appena piantati perdono gran parte del loro apparato radicale durante scavare. A causa di questo, sono molto meno efficaci a prendere l’acqua, e …

  • Palm Tree Services – Albero dottore AZ, palme in AZ.

    Gli orsi sono tra uno dei mammiferi più adattabili e versatili sulla terra; il loro comportamento suscita stupore, meraviglia e la curiosità, così come la paura nel migliore di noi; ognuno dei quali può anche essere detto a proposito …