دانلود مقاله قطعه بندی نظارت نشده SAR با استفاده از ابهام در همجوشانی اطلاعات برچسب گذاری شده در مدل سه گانه فیلدهای مارکوف
تعداد کلمات فایل انگلیسی:3116کلمه 5صفحه pdf
تعداد صفحات فایل ترجمه:12صفحه word فونت14 Arial
چکیده: به تازگی فیلدهای سه گانه مارکوف (TMF) مدل تصویر ناپایدار قبلی را با توانایی مدل سازی خود افرایش داده و یک زمینه کمکی را معرفی کرده اند. در این مقاله با استفاده از مدل TMF، یک مدل کلی TMF را مبتنی بر ابهام در همجوشانی اطلاعات برچسب گذاری شده (ALF-TMF) و به منظور تشخیص قطعه بندی های تصویر رادار روزنه مصنوعی (SAR) ارائه می دهیم که با تکیه بر همان فناوری رادار در حال تصویربرداری است. زمینه کمکی جدید تعریف شده در ALF-TMF نشان دهنده محتوای منطقه ای است و قطعه های نامتناوب تصاویر SAR را نشان می دهد. برای کاهش تاثیر مشاهدات غیر قابل اطمینان ناشی از نویز لکه، فیلد اصلی با تطبیق بر ابهام مبتنی بر مشاهدات تصویری و اطلاعات غیر متناوب محلی محصور می شود. با توجه به برچسب فیلد توسعه یافته، اصطلاحات پیشین و احتمالات، برای تصحیح قطعه بندی از طریق قانون تلفیق بیزی به کار برده می شود. در آزمایش ها از تصاویر واقعی استفاده می شود و تجزیه و تحلیل و اثربخشی روش پیشنهادی بر این اساس تأیید شده است.
سیستم های تصویربرداری طیف سنجی از راه دور در مقایسه با سایر سیستم های تصویربرداری از راه دور مانند رادار روزنه مصنوعی (SAR)، به دلیل مکانیزم تصویربرداری همگرا، دارای قابلیت های تطبیق با شرایط گوناگون آب و هوایی و سازگاری با شرایط متفاوت در شبانه روز هستند. بنابراین سیستم SAR یک ابزار منظم و قدرتمند برای برنامه های کاربردی مختلف مانند نظارت بر محیط زیست و شناسایی هدف است. تقسیم بندی یک تصویر SAR ، پراکندگی SAR در مناطق غیر قابل تغییر را مطابق با همگن بودن شدت پیکسل های شناخته شده، نشان می دهد که معمولاً به عنوان یک واحد بنیادی در این برنامه های پیچیده شناخته می شود. با این حال، نویز لکه در تصاویر SAR اجتناب ناپذیر است، و همین امر سبب می شود تقسیم تصاویر SAR کاری چالش برانگیزتر از تصاویر طبیعی باشد.
Unsupervised SAR Image Segmentation Using Ambiguity Label Information Fusion in Triplet Markov Fields Model
Abstract— The recently proposed triplet Markov fields (TMF) model enhances the nonstationary image prior modeling ability by introducing an auxiliary field. Motivated by the TMF model, we propose a generalized TMF model based on ambiguity label information fusion (ALF-TMF) for synthetic aperture radar (SAR) image segmentation. The redefined auxiliary field in ALF-TMF indicates the dominant direction of local image contents and gives explicit nonstationary divisions of SAR images. To reduce the influence of unreliable observations caused by speckle noise, the original label field is adaptively generalized by introducing ambiguity class based on image observation and local nonstationary contextual information. Given the extended label field, prior and likelihood terms are constructed and merged to provide the posterior segmentation decision via the Bayesian fusion rule. Real SAR images are utilized in the experimental analysis, and the effectiveness of the proposed method is validated accordingly.
Introduction
COMPARED with other remote sensing imaging systems, synthetic aperture radar (SAR) systems have all-weatherand all-day capabilities due to the active coherent microwave imaging mechanism. Therefore, the SAR system has become a regular and powerful tool for various applications, such as environment surveillance and target detection. The segmenta- tion of an SAR image, known as partitioning an SAR image into nonoverlapping regions according to the homogeneity of pixels intensities [1], is usually recognized as a fundamental step among these sophisticated applications. However, speckle noise is inevitable in SAR images, and that makes the seg- mentation of SAR images a more challenging task than that of natural images
کد:12381
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله قطعه بندی نظارت نشده SAR با استفاده از ابهام در همجوشانی اطلاعات برچسب گذاری شده در مدل سه گانه فیلدهای مارکوف
تعداد کلمات فایل انگلیسی:3116کلمه 5صفحه pdf
تعداد صفحات فایل ترجمه:12صفحه word فونت14 Arial
چکیده: به تازگی فیلدهای سه گانه مارکوف (TMF) مدل تصویر ناپایدار قبلی را با توانایی مدل سازی خود افرایش داده و یک زمینه کمکی را معرفی کرده اند. در این مقاله با استفاده از مدل TMF، یک مدل کلی TMF را مبتنی بر ابهام در همجوشانی اطلاعات برچسب گذاری شده (ALF-TMF) و به منظور تشخیص قطعه بندی های تصویر رادار روزنه مصنوعی (SAR) ارائه می دهیم که با تکیه بر همان فناوری رادار در حال تصویربرداری است. زمینه کمکی جدید تعریف شده در ALF-TMF نشان دهنده محتوای منطقه ای است و قطعه های نامتناوب تصاویر SAR را نشان می دهد. برای کاهش تاثیر مشاهدات غیر قابل اطمینان ناشی از نویز لکه، فیلد اصلی با تطبیق بر ابهام مبتنی بر مشاهدات تصویری و اطلاعات غیر متناوب محلی محصور می شود. با توجه به برچسب فیلد توسعه یافته، اصطلاحات پیشین و احتمالات، برای تصحیح قطعه بندی از طریق قانون تلفیق بیزی به کار برده می شود. در آزمایش ها از تصاویر واقعی استفاده می شود و تجزیه و تحلیل و اثربخشی روش پیشنهادی بر این اساس تأیید شده است.
سیستم های تصویربرداری طیف سنجی از راه دور در مقایسه با سایر سیستم های تصویربرداری از راه دور مانند رادار روزنه مصنوعی (SAR)، به دلیل مکانیزم تصویربرداری همگرا، دارای قابلیت های تطبیق با شرایط گوناگون آب و هوایی و سازگاری با شرایط متفاوت در شبانه روز هستند. بنابراین سیستم SAR یک ابزار منظم و قدرتمند برای برنامه های کاربردی مختلف مانند نظارت بر محیط زیست و شناسایی هدف است. تقسیم بندی یک تصویر SAR ، پراکندگی SAR در مناطق غیر قابل تغییر را مطابق با همگن بودن شدت پیکسل های شناخته شده، نشان می دهد که معمولاً به عنوان یک واحد بنیادی در این برنامه های پیچیده شناخته می شود. با این حال، نویز لکه در تصاویر SAR اجتناب ناپذیر است، و همین امر سبب می شود تقسیم تصاویر SAR کاری چالش برانگیزتر از تصاویر طبیعی باشد.
Unsupervised SAR Image Segmentation Using Ambiguity Label Information Fusion in Triplet Markov Fields Model
Abstract— The recently proposed triplet Markov fields (TMF) model enhances the nonstationary image prior modeling ability by introducing an auxiliary field. Motivated by the TMF model, we propose a generalized TMF model based on ambiguity label information fusion (ALF-TMF) for synthetic aperture radar (SAR) image segmentation. The redefined auxiliary field in ALF-TMF indicates the dominant direction of local image contents and gives explicit nonstationary divisions of SAR images. To reduce the influence of unreliable observations caused by speckle noise, the original label field is adaptively generalized by introducing ambiguity class based on image observation and local nonstationary contextual information. Given the extended label field, prior and likelihood terms are constructed and merged to provide the posterior segmentation decision via the Bayesian fusion rule. Real SAR images are utilized in the experimental analysis, and the effectiveness of the proposed method is validated accordingly.
Introduction
COMPARED with other remote sensing imaging systems, synthetic aperture radar (SAR) systems have all-weatherand all-day capabilities due to the active coherent microwave imaging mechanism. Therefore, the SAR system has become a regular and powerful tool for various applications, such as environment surveillance and target detection. The segmenta- tion of an SAR image, known as partitioning an SAR image into nonoverlapping regions according to the homogeneity of pixels intensities [1], is usually recognized as a fundamental step among these sophisticated applications. However, speckle noise is inevitable in SAR images, and that makes the seg- mentation of SAR images a more challenging task than that of natural images
کد:12381
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com