Multispectral image classification from axiomatic locally finite spaces-based segmentation
No hay miniatura disponible
Fecha
Fecha
Autores
Director
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Distrital Francisco José de Caldas
Descripción
Geographical object-based image analysis (GEOBIA) usually starts defining coarse geometric space elements, i.e. image-objects, by grouping near pixels based on (a, b)-connected graphs as neighbourhood definitions. In such an approach, however, topological axioms needed to ensure a correct representation of connectedness relationships can not be satisfied. Thus, conventional image-object boundaries definition presents ambiguities because one-dimensional contours are represented by two-dimensional pixels. In this paper, segmentation is conducted using a novel approach based on axiomatic locally finite spaces (provided by Cartesian complexes) and their linked oriented matroids. For the test, the ALFS-based image segments were classified using the support vector machine (SVM) algorithm using directional filter response as an additional channel. The proposed approach uses a multi-scale approach for the segmentation, which includes multi-scale texture and spectral affinity analysis in boundary definition. The proposed approach was evaluated comparatively with conventional pixel representation on a small subset of GEOBIA2016 benchmark dataset. Results show that classification accuracy is increased in comparison to a conventional pixel segmentation.
El análisis de imagenes basado en objetos geográficos (GEOBIA por su sigla en inglés) comienza generalmente definiendo elementos más gruesos del espacio geométrico u objetos de imagen, agrupando píxeles cercanos con base en grafos (a, b)-conectados como definiciones de vecindario. En este enfoque, sin embargo, pueden no cumplirse algunos axiomas topológicos requeridos para garantizar una correcta representación de las relaciones de conexión. Por lo tanto, la definición convencional de límites de objetos de imagen, presenta ambigüedades debido a que los contornos unidimensionales están representados por píxeles bidimensionales. En este trabajo, la segmentación se lleva a cabo mediante un nuevo enfoque basado en espacios axiomáticos localmente finitos (proporcionados por complejos cartesianos) y sus matroides orientados asociados. Para probar el enfoque propuesto, los segmentos de la imagen basada en ALFS fueron clasificados usando el algoritmo de máquina de soporte vectorial (SVM por su sigla en inglés) usando la respuesta a filtros direccionales como un canal adicional. El enfoque propuesto utiliza un enfoque multiescala para la segmentación, que incluye análisis de textura y de afinidad espectral en la definición de límite. La propuesta se evaluó comparativamente con la representación de píxeles convencionales en un pequeño subconjunto del conjunto de datos de referencia GEOBIA2016. Los resultados muestran que la exactitud de la clasificación se incrementa en comparación con la segmentación convencional de pixeles.
El análisis de imagenes basado en objetos geográficos (GEOBIA por su sigla en inglés) comienza generalmente definiendo elementos más gruesos del espacio geométrico u objetos de imagen, agrupando píxeles cercanos con base en grafos (a, b)-conectados como definiciones de vecindario. En este enfoque, sin embargo, pueden no cumplirse algunos axiomas topológicos requeridos para garantizar una correcta representación de las relaciones de conexión. Por lo tanto, la definición convencional de límites de objetos de imagen, presenta ambigüedades debido a que los contornos unidimensionales están representados por píxeles bidimensionales. En este trabajo, la segmentación se lleva a cabo mediante un nuevo enfoque basado en espacios axiomáticos localmente finitos (proporcionados por complejos cartesianos) y sus matroides orientados asociados. Para probar el enfoque propuesto, los segmentos de la imagen basada en ALFS fueron clasificados usando el algoritmo de máquina de soporte vectorial (SVM por su sigla en inglés) usando la respuesta a filtros direccionales como un canal adicional. El enfoque propuesto utiliza un enfoque multiescala para la segmentación, que incluye análisis de textura y de afinidad espectral en la definición de límite. La propuesta se evaluó comparativamente con la representación de píxeles convencionales en un pequeño subconjunto del conjunto de datos de referencia GEOBIA2016. Los resultados muestran que la exactitud de la clasificación se incrementa en comparación con la segmentación convencional de pixeles.