Acceso Abierto | Fecha de Publicación:

Evaluación de métodos alternativos para la segmentación no supervisada de la vegetación urbana en imágenes aéreas multiespectrales de muy alta resolución

Año: 2020 | Colección: Investigación | Categoría:
11 lecturas


Para analizar tipos y patrones de tendencias de ecologización en una ciudad, este estudio busca identificar un método para crear mapas de vegetación urbana de muy alta resolución que se escalen en el espacio y el tiempo.

La vegetación plantea desafíos únicos para la segmentación de imágenes porque es irregular, tiene límites irregulares y una gran heterogeneidad en su clase. Los conjuntos de datos públicos existentes y emergentes con la resolución espacial necesaria para identificar la vegetación urbana granular carecen de una profundidad de datos de capacitación etiquetados asequibles y accesibles, lo que hace deseable la segmentación sin supervisión.

Este estudio evalúa tres métodos no supervisados ​​de segmentar la vegetación urbana:

  1. Agrupamiento con k-medias utilizando k-medias ++ siembra;
  2. Agrupamiento con un modelo de mezcla gaussiana (GMM); y
  3. Una red neuronal convolucional (CNN) de retropropagación sin supervisión con superpíxeles de agrupación lineal iterativa simple.

Cuando se compara con métricas de validez interna y datos codificados a mano, k-means es más preciso que GMM y CNN en la segmentación de la vegetación urbana. Sin embargo, K-means no puede diferenciar entre agua y sombras, y cuando este segmento es importante, GMM es mejor para identificar probabilísticamente la pertenencia a una clase de cobertura terrestre secundaria.

Aunque encontramos que la CNN sin supervisión muestra altos grados de precisión en las características del paisaje urbano construido, su precisión al segmentar la vegetación no justifica su complejidad.

A pesar de las limitaciones, para segmentar la vegetación urbana, k-means tiene el mayor rendimiento, es el más simple y es más eficiente que las alternativas.

Título Original:

"Assessing alternative methods for unsupervised segmentation of urban vegetation in very high-resolution multispectral aerial imagery"

Autor/es:

Allison Lassiter, Mayank Darbari
Este recurso está relacionado con las siguientes temas de salud:

Tipo de Documento:

 En Web

Idioma:

Inglés

Año de publicación:

2020

Tamaño del recurso:

0.00 KB

Accesos al recurso:

19
Esta web utiliza cookies.   
Privacidad