Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Tytuł pozycji:

Probabilistic morphological modeling of hydrographic networks from satellite imagery using Self-Organizing Maps

Tytuł:
Probabilistic morphological modeling of hydrographic networks from satellite imagery using Self-Organizing Maps
Autorzy:
Zaremba, M.
Palenichka, R.
Powiązania:
https://bibliotekanauki.pl/articles/206609.pdf
Data publikacji:
2002
Wydawca:
Polska Akademia Nauk. Instytut Badań Systemowych PAN
Tematy:
łańcuch Markowa
modelowanie morfologiczne
odwzorowanie samoporządkujące
satelitarne rozpoznawanie obrazów
sieć neuronowa
szkieletyzacja
Markov chains
morphological modeling
neural networks
satellite image processing
self-organizing maps
skeletonization
Źródło:
Control and Cybernetics; 2002, 31, 2; 343-369
0324-8569
Język:
angielski
Prawa:
Wszystkie prawa zastrzeżone. Swoboda użytkownika ograniczona do ustawowego zakresu dozwolonego użytku
Dostawca treści:
Biblioteka Nauki
Artykuł
  Przejdź do źródła  Link otwiera się w nowym oknie
Adequate and concise representation of the shape of irregular objects from satellite imagery is a challenging problem in remote sensing. The conventional methods for cartographic shape representation are usually inaccurate and will provide only a rough shape description if the description process is to be fully automated. The method for automatic cartographic description of water basins presented in this paper is based on Self-Organizing Maps (SOM) - a class of neural networks with unsupervised learning. So-called structured SOM with local shape attributes such as scale and local connections of vertices are proposed for the description of object shape. The location of each vertex of piecewise linear generating curves that represent skeletons of the objects corresponds to the position of a particular SOM unit. The proposed method makes it possible to extract the object skeletons and to reconstruct the planar shapes of sparse objects based on the topological constraints of generating lines and the estimation of local scale. A context-dependent vertex connectivity test is proposed to enhance the skeletonization process. The test is based on the Markov random chain model of vertices belonging to the same generating line and the Bayesian decision-making principle. The experimental test results using Landsat-7 images demonstrate the accuracy of the proposed approach and its potential for fully automated mapping of hydrological objects.

Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies