i.segmentgrass - Online di Cloud

PROGRAM:

NAMA

i.segmen - Mengidentifikasi segmen (objek) dari data citra.

KEYWORDS

citra, segmentasi, klasifikasi, pengenalan objek

RINGKASAN

i.segmen
i.segmen --membantu
i.segmen [-dw] kelompok=nama keluaran=nama ambang=mengapung [metode=string]
[kesamaan=string] [ukuran kecil=bilangan bulat] [ingatan=bilangan bulat] [iterasi=bilangan bulat]
[biji=nama] [batas=nama] [kebaikan=nama] [--menimpa] [--membantu] [--bertele-tele]
[--tenang] [--ui]

Bendera:
-d
Gunakan 8 tetangga (lingkungan 3x3) alih-alih 4 tetangga default untuk setiap piksel

-w
Input berbobot, jangan lakukan penskalaan default peta raster input

--timpa
Izinkan file keluaran untuk menimpa file yang ada

--membantu
Cetak ringkasan penggunaan

--bertele-tele
Keluaran modul verbose

--diam
Keluaran modul yang tenang

--ui
Paksa meluncurkan dialog GUI

Parameter:
kelompok=nama [yg dibutuhkan]
Nama grup citra masukan

keluaran=nama [yg dibutuhkan]
Nama untuk peta raster keluaran

ambang=mengapung [yg dibutuhkan]
Perbedaan ambang batas antara 0 dan 1
Ambang = 0 hanya menggabungkan segmen yang identik; ambang = 1 menggabungkan semua

metode=string
Metode segmentasi
Pilihan: wilayah_tumbuh
Default: wilayah_tumbuh

kesamaan=string
Metode perhitungan kesamaan
Pilihan: euclidean, manhattan
Default: euclidean

ukuran kecil=bilangan bulat
Jumlah minimum sel dalam segmen
Langkah terakhir akan menggabungkan segmen kecil dengan tetangga terbaik mereka
Pilihan: 1-100000
Default: 1

ingatan=bilangan bulat
Memori dalam MB
Default: 300

iterasi=bilangan bulat
Jumlah maksimum iterasi
Default: 20

biji=nama
Nama untuk peta raster masukan dengan benih awal

batas=nama
Nama peta raster pembatas/pembatas input
Harus berupa nilai integer, setiap area akan tersegmentasi secara independen dari yang lain

kebaikan=nama
Nama untuk peta perkiraan kecocokan keluaran

DESKRIPSI

Segmentasi citra atau pengenalan objek adalah proses pengelompokan piksel-piksel yang serupa menjadi
segmen unik, juga disebut sebagai objek. Algoritma berbasis batas dan wilayah adalah
dijelaskan dalam literatur, saat ini algoritma pengembangan dan penggabungan wilayah adalah
dilaksanakan. Setiap objek yang ditemukan selama proses segmentasi diberi ID unik dan
kumpulan piksel bersebelahan yang memenuhi beberapa kriteria. Perhatikan kontras dengan gambar
klasifikasi di mana semua piksel yang mirip satu sama lain ditugaskan ke kelas yang sama dan
tidak perlu bersebelahan. Hasil segmentasi gambar dapat bermanfaat sendiri,
atau digunakan sebagai langkah preprocessing untuk klasifikasi citra. Pra-pemrosesan segmentasi
langkah dapat mengurangi kebisingan dan mempercepat klasifikasi.

CATATAN

Daerah Pertumbuhan dan Penggabungan
Algoritma segmentasi ini secara berurutan memeriksa semua segmen saat ini di peta raster.
Kesamaan antara segmen saat ini dan masing-masing tetangganya dihitung
sesuai dengan rumus jarak yang diberikan. Segmen akan digabungkan jika memenuhi sejumlah
kriteria, antara lain:

1 Pasangan ini saling paling mirip satu sama lain (jarak kesamaan akan menjadi
lebih kecil dari tetangga lainnya), dan

2 Kesamaan harus lebih rendah dari ambang masukan. Prosesnya berulang
sampai tidak ada penggabungan yang dibuat selama lulus lengkap.

Kesamaan dan ambang
Kesamaan antara segmen dan objek yang tidak digabungkan digunakan untuk menentukan objek mana
digabung. Nilai jarak yang lebih kecil menunjukkan kecocokan yang lebih dekat, dengan skor kesamaan
nol untuk piksel identik.

Selama pemrosesan normal, penggabungan hanya diperbolehkan ketika kesamaan antara dua segmen
lebih rendah dari nilai ambang batas yang diberikan. Namun, selama umpan terakhir, jika minimum
ukuran segmen 2 atau lebih besar diberikan dengan ukuran kecil parameter, segmen dengan yang lebih kecil
jumlah piksel akan digabungkan dengan tetangganya yang paling mirip meskipun kesamaannya
lebih besar dari ambang batas.

The ambang harus lebih besar dari 0.0 dan lebih kecil dari 1.0. Ambang batas 0 akan memungkinkan
hanya piksel bernilai identik yang akan digabungkan, sementara ambang 1 akan memungkinkan semuanya
untuk digabungkan. Tes empiris awal menunjukkan nilai ambang 0.01 hingga 0.05 adalah
nilai yang masuk akal untuk memulai. Disarankan untuk memulai dengan nilai yang rendah, misalnya 0.01, dan
kemudian lakukan segmentasi hierarkis dengan menggunakan output dari run terakhir sebagai biji untuk
lari berikutnya.

Perhitungan Rumus
Jarak Euclidean dan Manhattan menggunakan definisi normal, dengan mempertimbangkan setiap raster
dalam grup gambar sebagai dimensi. Di masa depan, perhitungan jarak juga akan mengambil
mempertimbangkan karakteristik bentuk segmen. Jarak normalnya adalah
dikalikan dengan bobot radiometrik masukan. Selanjutnya kontribusi tambahan ditambahkan:
(1-radioweight) * {kehalusan * berat kehalusan + kekompakan * (1-berat kehalusan)},
dimana kekompakan = Panjang Keliling / sqrt( Luas ) dan kehalusan = Panjang Keliling /
Kotak Pembatas. Panjang perimeter diperkirakan sebagai jumlah sisi piksel segmen
memiliki.

Benih
Peta benih dapat digunakan untuk menyediakan piksel benih (titik acak atau dipilih dari
yang akan memulai proses segmentasi) atau segmen benih. Jika benih adalah hasil dari
segmentasi sebelumnya dengan ambang batas yang lebih rendah, segmentasi hierarkis dapat dilakukan.
Pendekatan yang berbeda secara otomatis dideteksi oleh program: setiap piksel yang memiliki
nilai benih identik dan bersebelahan akan diberi ID segmen yang unik.

Diharapkan bahwa ukuran kecil akan disetel ke 1 jika peta benih digunakan, tetapi programnya
akan memungkinkan nilai-nilai lain untuk digunakan. Jika kedua opsi digunakan, iterasi terakhir yang
mengabaikan ambang batas juga akan mengabaikan peta benih dan memaksa penggabungan untuk semua piksel (bukan
hanya segmen yang telah tumbuh/gabung dari biji).

Maksimum jumlah of mulai segmen
Untuk algoritma pertumbuhan wilayah tanpa benih awal, setiap piksel berurutan
bernomor. Batas saat ini dengan penyimpanan CELL adalah 2 miliar ID segmen awal. jika
peta awal memiliki jumlah piksel non-null yang lebih besar, ada dua solusi:

1 Gunakan piksel benih awal. (Maksimum 2 miliar piksel dapat diberi label dengan positif
bilangan bulat.)

2 Gunakan segmen benih awal. (Dengan klasifikasi awal atau metode lain.)

Batas kendala
Batasan batas membatasi kedekatan piksel dan segmen. Setiap nilai unik
hadir di batas raster dianggap sebagai MASKER. Jadi tidak ada segmen di final
peta tersegmentasi akan melintasi batas, bahkan jika data spektral mereka sangat mirip.

Minimum Ruas Ukuran
Untuk mengurangi pengaruh garam dan merica, a ukuran kecil lebih besar dari 1 akan menambah satu tambahan
lolos ke pengolahan. Selama lintasan terakhir, ambang batas diabaikan untuk setiap segmen
lebih kecil dari ukuran yang ditetapkan, sehingga memaksa segmen yang sangat kecil untuk bergabung dengan sebagian besar mereka
tetangga yang mirip.

Kebaikan of Cocok
The kebaikan kecocokan untuk setiap piksel dihitung sebagai 1 - jarak piksel ke
objek yang dimilikinya. Jarak dihitung dengan yang dipilih kesamaan metode. SEBUAH
nilai 1 berarti nilai identik, cocok, dan nilai 0 berarti maksimum yang mungkin
jarak, kemungkinan terburuk.

CONTOH

Segmentasi of RGB ortofoto
Contoh ini menggunakan foto orto yang disertakan dalam Kumpulan Data Sampel NC. Siapkan
grup citra:
i.grup grup=ortho_group masukan=ortho_2001_t792_1m@PERMANENT

Atur wilayah ke wilayah uji yang lebih kecil (resolusi diambil dari foto orto input).
g.wilayah -p raster=ortho_2001_t792_1m n=220446 s=220075 e=639151 w=638592
Cobalah ambang batas rendah dan periksa hasilnya.
grup i.segmen = ortho_group output = ortho_segs_l1 ambang batas = 0.02

Dari inspeksi visual, tampaknya ini menghasilkan terlalu banyak segmen. Meningkatkan
ambang batas, menggunakan hasil sebelumnya sebagai benih, dan menetapkan ukuran minimum 2:
i.segment group=ortho_group output=ortho_segs_l2 threshold=0.05 seed=ortho_segs_l1 min=2
i.segment group=ortho_group output=ortho_segs_l3 threshold=0.1 seed=ortho_segs_l2
i.segment group=ortho_group output=ortho_segs_l4 threshold=0.2 seed=ortho_segs_l3
i.segment group=ortho_group output=ortho_segs_l5 threshold=0.3 seed=ortho_segs_l4

Output ortho_segs_l4 dengan ambang=0.2 masih memiliki terlalu banyak segmen, tetapi outputnya
dengan ambang=0.3 memiliki terlalu sedikit segmen. Nilai ambang 0.25 tampaknya bagus
pilihan. Ada juga beberapa noise pada gambar, selanjutnya biarkan semua segmen lebih kecil dari
10 piksel untuk digabungkan menjadi tetangga yang paling mirip (bahkan jika mereka kurang mirip
dari yang dipersyaratkan oleh ambang batas kami):

Atur wilayah agar cocok dengan seluruh peta dalam grup.
g.wilayah -p raster=ortho_2001_t792_1m@PERMANENT

Run i.segmen di peta lengkap:
i.segment group=ortho_group output=ortho_segs_ambang akhir=0.25 mnt=10

Memproses seluruh gambar orto dengan hampir 10 juta piksel membutuhkan waktu sekitar 450 kali lebih banyak
kemudian untuk putaran terakhir.

Segmentasi of pankromatik saluran
Contoh ini menggunakan saluran pankromatik dari adegan Landsat7 yang termasuk di Utara
Kumpulan data sampel Carolina:
# buat grup dengan satu saluran
i.group group=input singleband=lsat7_2002_80
# setel wilayah komputasi ke pita PAN Landsat7
g.region raster=lsat7_2002_80 -p
# lakukan segmentasi dengan minsize=5
i.grup segmen=ambang batas pita tunggal=0.05 ukuran kecil=5 \
output=lsat7_2002_80_segmented_min5 goodness=lsat7_2002_80_goodness_min5
# lakukan segmentasi dengan minsize=100
grup i.segmen = ambang pita tunggal = 0.05 minsize = 100
output=lsat7_2002_80_segmented_min100 goodness=lsat7_2002_80_goodness_min100

Saluran pankromatik asli dari adegan Landsat7

Saluran pankromatik tersegmentasi, ukuran minimal = 5

Saluran pankromatik tersegmentasi, ukuran minimal = 100

SEMUA

Fungsi
· Pengujian lebih lanjut dari karakteristik bentuk (kehalusan, kekompakan), jika
terlihat bagus itu harus ditambahkan. (in kemajuan)

· Jarak Malahanobis untuk perhitungan kemiripan.

penggunaan of Segmentasi Hasil
· Tingkatkan output opsional dari modul ini, atau lebih baik lagi, tambahkan modul untuk
i.segmen.metrik.

· Memberikan pembaruan untuk i.maxlik untuk memastikan output segmentasi dapat digunakan sebagai
masukan untuk fungsi klasifikasi yang ada.

· Integrasi/alur kerja untuk r.kabur (Tambahan).

Kecepatan
· Lihat create_isegs.c

REFERENSI

Proyek ini pertama kali dikembangkan selama GSoC 2012. Dokumentasi proyek, Gambar
Referensi segmentasi, dan informasi lainnya ada di wiki proyek.

Informasi tentang klasifikasi di GRASS tersedia di wiki.

Gunakan i.segmentgrass online menggunakan layanan onworks.net