Sensoriamento Remoto, maior palmeira.

Sensoriamento Remoto, maior palmeira.

Sensoriamento Remoto, maior palmeira.

Autor a quem correspondência deve ser endereçada; Tel. + 66-02-141-4603.

Abstrato

palmeira de óleo; detecção; contando; agricultura de precisão

1. Introdução

1.1. A necessidade de detecção do óleo da palmeira

1.2. Métodos relacionados

O objetivo da detecção de palmeira de óleo é em localizar ou contar palmeiras de óleo no mapa, imagem aérea ou imagem de satélite. Esta informação é o fator chave para o manejo de plantações de óleo de palma e acompanhamento em cada área de plantação. Sabendo a quantidade de palmeira de óleo em cada área de plantação pode facilitar a previsão dos rendimentos. A maneira mais simples para detectar a palma de óleo é marcar manualmente as palmeiras de óleo sobre imagens ou levantamento de campo usando GPS para coletar as posições de palmeiras de óleo e exibir a sua posição sobre a imagem. No entanto, se há um monte de áreas de plantação da palma de óleo, que pode ser grande e contêm mais de 1.000 óleo de palma árvores, detecção manual e campo de levantamento pode ser um processo demorado e caro consumir. Este caso é técnica de sensoriamento remoto onde.

De um modo geral, a detecção de palmeira de óleo pode ser considerado como o problema de detecção de árvore que está em curso um problema de pesquisa em sensoriamento remoto. O objetivo da detecção de árvore é extrair posições de árvores ou copas das árvores a partir de dados fornecidos, ou seja, fotografia ou nuvem de pontos laser. Os métodos existentes para a detecção da árvore podem ser agrupados em termos de dados utilizados. Este trabalho concentra-se sobre o uso de imagem de alta resolução, em vez de LiDAR. A desvantagem do uso de LiDAR para a detecção de árvores é a exigência de alta densidade de ponto, que é caro e requer armazenamento de dados de grande porte. Além disso, o uso de imagens de alta resolução, palmeira de óleo pode ser facilmente reconhecido e identificado nas imagens.

O estudo relatado neste artigo trata do problema da detecção de palmeira de óleo a partir de uma imagem de uma área de plantação de dendezeiros em alta resolução de imagens multi-espectral. Isto é, um algoritmo novo é proposto. Uma vantagem do método proposto é que a imagem multi-espectral único satélite de alta resolução é necessária em contraste com o [15 -17] que exigem muito alta resolução ou imagens hiperespectral. O conceito do método proposto é baseado na detecção de picos locais na imagem um índice de vegetação. Uma vez que existem vários índices de vegetação existentes, propomos usar o índice de vegetação ter o maior poder na discriminação entre óleo de palma e objetos palma não-petrolíferos. Com o processo de selecção característica, o método proposto é versátil porque alguns índices não pode ser extraído a partir de algumas imagens ou quando a informação é transformada radiométrica. Por exemplo, a informação radiométrica da imagem-pan afiada se transforma; radiância transformação não pode ser calculado. Como resultado, NDVI não pode mostrar o verdadeiro fenologia de árvores.

O restante do artigo está organizado da seguinte; na secção 2, o método proposto e também o conjunto de dados usado na experiência são introduzidos. O resultado experimental e avaliação de desempenho são relatados na Seção 3. A exactidão e discussão de detecção será na Seção 4. A conclusão deste trabalho será apresentado na Seção 5.

2. Material e Métodos

2.1. dataset

Em nossos experimentos, para avaliar o desempenho do nosso método de detecção de palma proposto, QuickBird imaginário da província de Phang-nga na região sul da Tailândia centrado em 8,4397 ° N, 98,5181 ° E foi utilizada. Esta área tem sido tradicionalmente cultivada intensamente com dendezeiros e seringueiras. O pan imagens afiadas tem terreno distância de amostragem cerca de 60 cm por pixel e 4 bandas, incluindo, no infravermelho próximo-verde, vermelho e azul. Com esta resolução espacial, pode ser reconhecido e identificado uma coroa de cada árvore, cujo raio é maior do que 2 ou 3 m. Foram selecionadas manualmente as áreas de plantação da palma e marcou seus limites. Além disso, pan-afiada WorldView-2 imaginário da província de Phuket centrado em 7,8900 ° N, 98,3983 ° E também foi usado para demonstrar o desempenho do método proposto. Ambas as imagens usadas neste trabalho foram já orto-retificadas sem transformação radiância.

2.2. Fluxo de trabalho da Árvore Método de Detecção de óleo de palma

Neste trabalho, um método para a detecção de palmeiras de óleo individuais usando imagens de alta resolução multi-espectrais, particularmente em áreas de plantio é proposto. As imagens usadas neste métodos já são orto-retificadas e pode ser RGB ou RGB com NIR. Depois que o limite da área de plantação foi marcado manualmente, é aplicada uma abordagem de detecção de pico local. Nesta abordagem, o ápice de copa é suposto para ter números digitais localmente maximal, por exemplo, reflectância ou índice de vegetação, maior do que a dos vizinhos vizinhas dentro da janela.

A detecção de pico local é aplicado em uma imagem índice de vegetação derivado da imagem multi-espectral. Existem vários índices pré-definidos. O melhor índice é escolhido, onde melhor é definido como o índice que maximiza inter-classe de dissimilaridade palmeiras de óleo e amostras de palma não-petrolíferos.

Após o recurso de índice de vegetação apropriada e tamanho da janela são determinados, o método prossegue para o reforço da imagem de índice. A fim de maximizar a distinção entre dendezeiros e palmeiras não petrolíferas, uma transformação classificação é aplicado à imagem índice de vegetação. Os picos locais são, então, detectados com um algoritmo de supressão não máxima utilizando o tamanho da janela obtida a partir da técnica semi-variograma 2D. O fluxo de trabalho do método proposto é resumido na Figura 1.

2.3. Cálculo da vegetação Índices

Em [20], Guijarro et ai. utilizados vários índices na segmentação de imagens agrícolas. Tais índices incluem excesso Green (Gex), Excesso Red (EXR), Excesso Blue (ExB) e excesso de verde menos Red excesso (ExGR). Dada uma imagem no espaço de cor RGB, o cálculo desses índices começa a partir da normalização do vermelho espectral (R), verde (G) e azul (B) componentes em um determinado pixel:

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

Como consequência, o espectral normalizado r, g e b são no intervalo [0, 1]. Os índices são então calculada como se segue:

Em [21], Woebbecke et ai. utilizado faixas verdes e vermelhas para calcular Diferença Normalizada Index (NDI) para distinguir as plantas do solo:

Os índices acima mencionados são muito úteis para segmentar uma imagem em vegetação quando apenas bandas vermelhas, verdes e azuis espectral estão disponíveis. No entanto mais remota satélites de sensoriamento fornecer imagens no espaço RGB-NIR. Dada uma imagem com uma maior resolução espectral, o espectro de NIR pode ser tida em conta na definição índices de vegetação. O índice de vegetação mais simples, utilizando o espectro NIR é a razão simples [22]:

onde NIR é a banda espectral do infravermelho próximo. Diferença Normalizada Índice de Vegetação (NDVI) é definida como [23]:

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

É o índice de vegetação mais comumente usado. Seus valores variam entre -1 e 1. O NDVI pode ser modificado para obtidos Transformed Vegetation Index (TVI):

GNDVI = NIR – G NIR + G.

que é chamado a Diferença Normalizada Verde Índice de Vegetação (GNDVI). Sripada et ai. [25] definidos índices de vegetação para determinar os requisitos de azoto no início da temporada no milho. Tais índices são a normalização do vermelho do espectro, verde e NIR:

Normalizada Green (GN) = G NIR + R + G

Normalizada Red (NR) = R NIR + R + G

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

Em geral, a transformação irradiação deve ser realizada antes de calcular índices de vegetação, a fim de obter índices de vegetação verdadeiros. No entanto, neste trabalho, os índices de vegetação não são usados ​​para monitorar o verdadeiro fenologia da palmeira de óleo; eles são realmente utilizados para diferenciar palmeira de óleo e fundos. Os índices de vegetação verdadeiros não são, portanto, necessários.

2.4. Seleção de recursos

Como foi discutido anteriormente, índices de vegetação diferentes foram definidos para tarefas específicas. Seu desempenho relativo no problema de detecção de palmeira pode variar. Outra razão para a realização de seleção de recurso é que alguns índice não pode ser sempre calculado. Por exemplo, quando a banda não está disponível NIR, NDVI, que é amplamente utilizado na detecção remota para a separação do solo e da vegetação, não pode ser calculado. O processo de seleção recurso irá selecionar um índice adequado de todos os índices que podem ser computados a partir da imagem. Os dados de entrada para o método proposto, por conseguinte, não está limitado a apenas imagens multi-espectral ou satélite. Ou seja, podem ser utilizados imagem RGB ou fotografia aérea. Além disso, a seleção de características pode fazer a proposta mais robusta quando o conteúdo radiométricas são distorcidos ou transformados, ou seja, o caso de imagens pan-afiada. Neste caso, os índices calculados não são os verdadeiros; o índice vulgarmente utilizado, por exemplo, NDVI é um adequado para a classificação.

2.5. Estimativa do tamanho apropriado de janela

Para estimar o tamanho da janela adequada para a transformação classificação e supressão não máxima, presume-se que o padrão espacial de palmeira é bem estruturado, por exemplo, duas palmeiras consecutivos são igualmente espaçados. A técnica de semi-variograma é empregado para extrair o padrão espacial da fazenda palmeira. Como resultado, a uma distância aproximada entre duas árvores vizinho de palma podem ser obtidos e usados ​​como o limite superior para o tamanho da janela de classificação transformar e supressão não máxima.

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

Onde você é o lag direcional, S é o conjunto de pixels em que a imagem que está definido, S você = lt;p ∈ S |p + você S gt ;, cartão () a cardinalidade de um conjunto, que é o número de elementos do conjunto, e d é a distância entre os valores de pixel. Para obter uma imagem multi-espectral, a função distância d pode ser definida como:

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

Onde M é uma matriz definida positiva simétrica. Duas opções comuns para a matriz M são a matriz de identidade ou o inverso da matriz de variância-covariância.

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

F – medida = (1 + α) x Precision × Lembre-α × Precision + Recuperar.

onde α é um escalar não-negativo. Neste artigo, está definido para 0,5 como usado em [34]. Neste contexto, a precisão pode ser interpretado como a probabilidade de que uma palmeira de óleo detectado é válido e recall é a probabilidade de que a palmeira de óleo correcto (ground truth) é detectado. Tal como mostrado na Equação (23). o F-medida é definida como a (ponderada) média harmônica entre precisão e recall. Isto é, a precisão e retirada são combinadas em um único medida de desempenho. Como consequência, ele pode ser usado como uma métrica de desempenho global.

3. Resultados experimentais

3.1. Seleção de recursos

Como explicado na Seção 2.4, a abordagem para seleção de características utilizada neste trabalho é baseado na dissimilaridade métrica comparar os histogramas de palmeira e fundo, para os vários índices de vegetação que são considerados. Para gerar os histogramas de palmeira e áreas não-palmeira, palmeiras e de fundo a partir de imagens de subconjuntos são recolhidos e todos os índices apresentados na Seção 2.4 para cada pixel é calculado. Em seguida, os histogramas dos índices calculados são gerados. As figuras 2 e 3 mostram os histogramas de cada índice usando imagens QuickBird. Em seguida, as métricas comparando o histograma da palmeira e fundo pixels são computados. Note-se que todas as métricas apresentados na Tabela 1, excepto a métrica intersecção dar um grande valor, quando dois histogramas são dissemelhantes. A métrica de intersecção irá dar um grande número se dois histogramas são semelhantes. Por exemplo, a métrica de intersecção entre dois histogramas serão idênticos 1. Para facilitar a comparação dos indicadores, subtraiu-se a métrica de intersecção do valor máximo de 1 e a utilização que o valor nos quadros transformado.

Tabela 2 relata as métricas de dissimilaridade de imagens QuickBird. A análise mostra que o índice ExGR produziu o menor valor métrico total. Neste índice, palmeira e fundo são muito semelhantes. O índice de NDI deu a maior métrica e, portanto, pode ser considerado como sendo o melhor característica para utilização no processo de detecção de imagens QuickBird.

3.2. O óleo de palma Detecção de Resultados

4. precisão de detecção e Discussão

A fim de mostrar a necessidade de um processo de selecção característica, o excesso de índice verde da área de ensaio na Figura 4 é mostrada na Figura 9. O excesso índice verde tem a menor métrica entre o histograma de palmeira e que de fundo. Pode-se observar que o índice de excesso de verde de palmeiras e de fundo que são muito semelhantes e difícil discriminar. O resultado detecção utilizando o excesso índice verde é ilustrada na Figura 10. Sua pode ser observado que resultado de detecção utilizando o excesso de verde é pior do que a de NDI, que deu o maior dissimilaridade entre palmeira de óleo e de volta à terra. Isto porque o excesso de índice de verde de palmeiras e de fundo que são muito semelhantes.

Na Figura 11. O resultado de detecção sem o uso de classificação de transformação antes da detecção de picos locais é ilustrada. Ou seja, detector de pico local é aplicado diretamente sobre a imagem de índice, ou seja, NDI. Pode-se observar que um monte de palmeiras de óleo não são detectados. Isto é porque as diferenças entre a vegetação de palmeiras e de fundo que não são amplificados. Este resultado mostra utilidade da aplicação de classificação de transformação de imagem de índice antes de executar detecção de pico local.

5. Conclusões

A detecção de óleo de palma ou a contagem é uma tarefa importante na gestão da área de plantação de dendezeiros. Neste trabalho, um novo método para a detecção de palmeira de óleo com alta resolução de imagens multiespectrais de satélite é proposto. Supõe-se que as palmeiras de óleo estão localizados nos picos locais da imagem índice de vegetação dentro da área de plantação de óleo de palma. Os componentes críticos de sucesso e a contribuição do algoritmo proposto são processo de seleção de recursos ea transformação rank. Em contraste com outros métodos que utilizam diretamente NDVI como o recurso de detecção, neste trabalho, o processo de seleção de recurso é utilizado para selecionar o índice de vegetação tendo um poder mais elevado de discriminação entre as palmeiras de óleo e fundo. A transformação classificação é então aplicada à imagem índice de vegetação a fim de aumentar a separabilidade entre palmeiras de óleo e de fundo que resultem na redução das falhas na detecção.

O desempenho do método proposto foi testado em várias áreas de plantio em imagens de satélite de alta resolução, ou seja, QuickBird e WorldView-2. A precisão (taxa de detecção), recall e F-medida foram utilizados para avaliar o desempenho do método proposto. O desempenho global foi excelente, com uma precisão (taxa de detecção) variando de 0,916 a 0,998, valor de recuperação que varia de 0,861 a 0,998 e F-medir os valores que variam de 0,897 a 0,993. Comparando com o método proposto em [17], que usa uma imagem hiperespectral, o método proposto neste trabalho pode fornecer a taxa de detecção semelhante cerca de 90%, utilizando imagens de satélite multiespectral única. A partir dos resultados experimentais, foi mostrado que o uso da imagem índice de vegetação sem aperfeiçoamento separability, ou seja, classificação transformação pode levar à detecção perdida. Além disso, observou-se também que o índice de vegetação apropriados devem ser seleccionados de modo a obter uma elevada taxa de detecção.

A principal vantagem do método proposto é que é versátil. Particularmente, os dados de entrada não está limitado a apenas imagens de satélite multi-espectral. A razão é que a característica processo de selecção irá seleccionar recurso adequado, que pode ser obtido a partir de um sensor especial. Como resultado, o método proposto pode usar os dados de outros sensores e plataformas, por exemplo, fotografia aérea de UAV com apenas bandas RGB. Outra vantagem do método proposto é que não é dispendiosa.

Agradecimentos

Autor Contribuições

P. Srestasathiern realizada análise de dados e é o principal autor de todas as seções do manuscrito. P. Rakwatin supervisionado pesquisa e editou o manuscrito.

Conflitos de interesse

Os autores declaram não haver conflito de interesses.

Referências

  1. Palma Facts petróleo e Figuras. Disponível on-line: http: // http: //www.simedarby.com/upload/Palm_Oil_Facts_and_Figures.pdf (acessado em 6 de junho de 2014).
  2. Tan, K.P .; Kanniah, k.D .; Cracknell, A. P. Utilização de UK-DMC 2 e ALOS PALSAR para estudar a idade de palmeiras de óleo no sul da Malásia peninsular. Int. J. Sens remoto 2013. 34. 7424-7446. [Google Scholar ]
  3. Santoso, H .; Gunawan, T .; Jatmiko, R .; Darmosarkoro, W .; Minasny, B. Mapeamento e identificação de doenças com a podridão basal em palmeiras de óleo em Sumatra do Norte com imagens QuickBird. Precis. Agric 2011. 12. 233-248. [Google Scholar ]
  4. Tan, K.P .; Kanniah, k.D .; Cracknell, A. P. Uma revisão de modelos de produtividade de detecção com base remotas e sua adequação para estudar a produtividade da palma de óleo em regiões tropicais. 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, ​​estimativas E. biomassa e cálculos de estoque de carbono nas plantações de palmeiras de óleo de Africano derivados savanas usando dados IKONOS. Int. J. Sens remoto 2004. 25. 5.447-5.472. [Google Scholar ]
  6. Morel, A.C .; Fisher, J. B .; Malhi, Y. Avaliando o potencial para monitorar a biomassa acima do solo na floresta e óleo de palma em Sabah, Malásia, para 2000-2008 com Landsat ETM + e ALOS-PALSAR. Int. J. Sens remoto 2012. 33. 3614-3639. [Google Scholar ]
  7. Morel, A.C .; Saatchi, S.S .; Malhi, Y .; Berry, N.J .; Banin, G .; Burslem, D .; Nilo, R .; Ong, R.C. Estimativa de biomassa acima do solo na floresta e óleo de palma plantação em Sabah, Bornéu malaio usando dados ALOS PALSAR. Para. Ecol. Manag 2011. 262. 1786-1798. [Google Scholar ]
  8. Wulder, M .; Niemann, K .; Goodenough, D. G. filtragem de máximas locais para a extração de locais de árvores e área basal de alta imagens de resolução espacial. Sens remoto. Environ 2000. 73. 103-114. [Google Scholar ]
  9. Wulder, M. A .; Niemann, K.O .; Goodenough, D. G. métodos de redução de erro de filtragem máximo local de alta imagens de resolução espacial para a localização de árvores. Lata. J. Sens remoto 2002. 28. 621-628. [Google Scholar ]
  10. Wulder, M .; Branco, J .; Niemann, O .; Nelson, T. Comparação de dados espaciais altas aéreas e de satélite de resolução para a identificação de árvores individuais com filtragem máximos locais. Int. J. Sens remoto 2004. 25. 2225-2232. [Google Scholar ]
  11. Wulder, M. A .; Branco, J.C .; Cooperativas, N.C .; Butson, análise C. R. multi-temporal de alta imagens de resolução espacial para o monitoramento perturbação. Sens remoto. Environ 2008. 112. 2729-2740. [Google Scholar ]
  12. Gebreslasie, M.T .; Ahmed, F.B .; Van Aardt, J.A.N .; Blakeway, detecção de árvore de F. Pessoa com base no tamanho da janela de filtragem máximos locais fixos e variáveis ​​aplicadas às imagens IKONOS de mesma idade florestas plantadas de eucalipto. Int. J. Sens remoto 2011. 32. 4141-4154. [Google Scholar ]
  13. Szantoi, Z .; Malone, S .; Escobedo, F .; Missas, O .; Smith, S .; Dewitt, B. Uma ferramenta para rápida pós-furacão árvore urbana estimativas de detritos usando alta resolução de imagens aéreas. Int. J. Appl. Observ Terra. Geoinf 2012. 18. 548-556. [Google Scholar ]
  14. Culvenor, D.S. TIDA: Um algoritmo para o delineamento de copas em alta resolução espacial detectada remotamente imagens. Comput. Geosci 2002. 28. 33-44. [Google Scholar ]
  15. Jiang, M .; Lin, o reconhecimento árvore de folha caduca Y. individual na resolução espacial ultrahigh aérea folha-off sentiu remotamente imagens. IEEE Geosci. Sens remoto. Lett 2013. 10. 38-42. [Google Scholar ]
  16. Ardila, J .; Bijker, W .; Tolpekin, V .; Stein, A. Gaussian localizada contornos ativos para análise multitemporal de copas das árvores urbanas. Em Proceedings of the 2012 IEEE Internacional Geoscience and Remote Sensing Symposium (IGARSS), Munique, Alemanha, 22-27 julho de 2012; pp. 6.971-6.974.
  17. Shafri, H.Z.M .; Hamdan, N .; Saripan, M.I. detecção semi-automática e contagem de palmeiras de óleo de alta resolução espacial imaginário no ar. Int. J. Sens remoto 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. Produção de imagens de referência Landsat ETM + de áreas queimadas dentro savanas da África Austral: Comparação de métodos e aplicação de MODIS. Int. J. Sens remoto 2007. 28. 2753-2775. [Google Scholar ]
  19. Jiang, Z .; Huete, A.R. .; Didan, K .; Miura, T. Desenvolvimento de uma de duas bandas índice de vegetação melhorado sem uma faixa azul. Sens remoto. Environ 2008. 112. 3833-3845. [Google Scholar ]
  20. Guijarro, M .; Pajares, G .; Riomoros, I .; Herrera, P .; Burgos-Artizzu, X .; Ribeiro, A. segmentação automática de texturas relevantes em imagens agrícolas. Comput. Elétron. Agric 2011. 75. 75-83. [Google Scholar ]
  21. Woebbecke, D.M. .; Meyer, G.E .; von Bargen, K .; Mortensen, D. A. espécies de plantas de identificação, tamanho e enumeração usando técnicas de visão de máquina em imagens quase binários. Proc. SPIE 1993. 1836. 208-219. [Google Scholar ]
  22. Jordan, CF. Derivação de índice de área foliar da qualidade da luz no chão da floresta. Ecologia 1969. 50. 663-666. [Google Scholar ]
  23. Rouse, J.W .; Haas, H.R .; Schekk, J.A. .; Deering, D. W. Sistemas de monitoramento de vegetação nas grandes planícies com ERTS. Disponível on-line: http://www.researchgate.net/publication/246866091_Monitoring_vegetation_systems_in_the_Great_Plains_with_ERTS?ev=auth_pub (acessado em 16 de setembro de 2014).
  24. Gitelson, A.A .; Kaufman, Y.J .; Merzlyak, M. N. O uso de um canal verde em sensoriamento remoto da vegetação global de EOS-MODIS. Sens remoto. Environ 1996. 58. 289-298. [Google Scholar ]
  25. Sripada, R.P .; Heiniger, R.W .; Branco, J.G .; Meijer, AD aérea cor fotografia infravermelha para determinar os requisitos de azoto no início da temporada no milho. Agronomia 2006. 98. 968-977. [Google Scholar ]
  26. Stricker, M .; Orengo, M. Semelhança de imagens coloridas. Proc. SPIE 1995. 2420. 381-392. [Google Scholar ]
  27. Pekalska, E .; Duin, R. P. Ao combinar representações de dissimilaridade. Em sistemas classificadores múltipla; Kittler, J. Roli, F. Eds .; Springer Berlin Heidelberg: Berlin / Heidelberg, Alemanha, 2001; Volume 2096, pp. 359-368. [Google Scholar ]
  28. Atkinson, P .; classificação Lewis, P. geoestatística para sensoriamento remoto: Uma introdução. Comput. Geosci 2000. 26. 361-371. [Google Scholar ]
  29. Trias-Sanz, orientação R. Textura e estimador de prazo para discriminar entre florestas, pomares, vinhas e campos cultivados. IEEE Trans. Geosci. Sens remotos 2006. 44. 2755-2760. [Google Scholar ]
  30. Szantoi, Z .; Escobedo, F .; Abd-Elrahman, A .; Smith, S .; Pearlstine, L. Analisando a composição do pantanal fina escala utilizando recursos de imagens e texturas de alta resolução. Int. J. Appl. Observ Terra. Geoinf 2013. 23. 204-212. [Google Scholar ]
  31. Zabih, R .; Woodfill, J. não paramétricos transformações locais para calcular a correspondência visuais. Em Computer Vision-ECCV; Springer: Berlin / Heidelberg, Alemanha, 1994; pp. 151-158. [Google Scholar ]
  32. Hirschmuller, H .; Scharstein, D. Avaliação dos custos correspondentes estéreo em imagens com diferenças radiométricas. IEEE Trans. Padrão Anal. Mach. Intell 2009. 31. 1582-1599. [Google Scholar ]
  33. Neubeck, A .; van Gool, L. eficiente supressão não máxima. Em Anais da 18ª Conferência Internacional sobre Reconhecimento de Padrões (CIPR ’06), Hong Kong, China, 20-24 agosto de 2006; 3, pp. 850-855.
  34. Liu, T .; Yuan, Z .; Sun, J .; Wang, J .; Zheng, N .; Tang, X .; Shum, H.Y. Aprender a detectar um objeto saliente. IEEE Trans. Padrão Anal. Mach. Intell 2011. 33. 353-367. [Google Scholar ]
  35. Rosin, P. L. Um método simples para detectar regiões salientes. padrão Recognit 2009. 42. 2363-2371. [Google Scholar ]
  36. Marchesotti, G .; Cifarelli, C .; Csurka, G. Um quadro para a detecção de saliência visual, com aplicações para thumbnailing imagem. Em Proceedings da Conferência Internacional IEEE 12 em Visão Computacional, Kyoto, Japão, 29 setembro – 2 outubro de 2009; pp. 2232-2239.

Figura 1. Fluxo de trabalho do método proposto. Por favor, veja o texto para explicação detalhada.

Figura 1. Fluxo de trabalho do método proposto. Por favor, veja o texto para explicação detalhada.

posts relacionados

  • Palmeira Facts para miúdos, cerca de palmeira.

    Visão geral Enquanto você pode ou não ter palmeiras que crescem para fora, onde você mora, a árvore é um dos mais versáteis e generalizada, com espécies nativas encontradas em todas as regiões mais quentes …

  • Requisitos de solo orgânico palma, mistura de palma solo árvore.

    Os 2.500 espécies de palmeiras têm requisitos culturais semelhantes, incluindo o solo em que crescem. Nativo de regiões tropicais e subtropicais de todo o mundo, palmeiras são um dos …

  • Fora da Box Fazer uma palmeira, fazendo palmeiras.

    Fiz árvores palma partido muitos ao longo dos anos. A maioria deles tinha a mesma lata com cimento pregado a uma base quadrada de madeira 12, como eu descrevi no meu último post sobre como fazer decorações de PVC. O topo…

  • Imagens Palmeira – fotos …

    As imagens de Palms consistem em fotos de espécies resistentes frios Palmeira. As imagens representam Palms que foram cultivadas em áreas limítrofes e que são consideradas frias resistentes palmeiras. Nisto…

  • Palma Informação da árvore, água …

    palmeiras Por que recém-plantadas precisam de tanta água? árvores recém-plantadas perdem muito do seu sistema radicular durante a escavação. Devido a isso, eles são muito menos eficazes em levar-se água, e …

  • Serviços Palm Tree – Árvore Doctor AZ, palmeiras em az.

    Ursos estão entre um dos mamíferos mais adaptáveis ​​e versáteis na terra; seu comportamento desperta admiração, admiração e curiosidade, bem como o medo no melhor de nós; todos os quais também podem ser dito sobre …