8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 21.13 руб.

Ecognion, основанный на учебном заведении изображений объектов Гуань Юансиу и других профессиональных науки и техники естественные науки землетрясение Синьхуа

Цена: 2 097руб.    (¥99.2)
Артикул: 607451286183

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:读者图书专营店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥18.74396руб.
¥20.74439руб.
¥ 124.1 106.772 257руб.
¥63.71 346руб.
  • Информация о товаре
  • Фотографии

Учебное пособие по объектно-ориентированному анализу изображений ECOGNITION

делать  Гуань Юаньсю ждет
Конечно   цена:128
вне&Ensp; издание&Encp; Общество:Science Press
Дата публикации:01 марта 2019 г.
Страница &Nbsp; номер:276
Пакет   кадр:Оплата в мягкой обложке
ISBN:9787030608673
Оглавление
●Оглавление
Предисловие
Теоретическая статья
Глава Введение 3
1.1 Объектно-ориентированный анализ изображений 3
1.2 Требования к анализу изображений высокого разрешения 4
1.3 Требования к быстрому обновлению пространственно-географической информации 5
1.4 Широко используемое программное обеспечение для объектно-ориентированного анализа изображений 6
Глава 2 Анализ изображений дистанционного зондирования 15
2.1 Уровни анализа изображений дистанционного зондирования 15
2.2 Сущность анализа изображений дистанционного зондирования Земли 16
2.3 Система анализа изображений дистанционного зондирования 18
Глава 3 Объектно-ориентированный анализ изображений eCognition 25
3.1 Моделирование когнитивных процессов человека 25
3.2 Объединение данных из нескольких источников 27
3.3 Система выражения знаний 28
3.4 Обзор алгоритма 33
3.5 Сегментация изображения 38
3.6 Обзор функций 44
3.7 Классификация объектов 50
3.8 Обрезка объекта 64
3.9 Векторная обработка 65
3.10 Оценка точности 67
Основная глава
Глава 4. Интерфейс разработки набора правил 73
4.1 Вид интерфейса 73
4.2 Общая панель инструментов 74
4.3 Часто используемые представления 75
Глава 5. Сегментация изображений 77
5.1 Создать проект 77
5.2 Создание разделенного процесса 79
5.3 Сохранение наборов правил и проектов 92
Глава 6 Классификация порогов 93
6.1 Создать проект 93
6.2 Сегментация изображения 95
6.3 Различают водные и неводные объекты 95
6.4 Различие между растительностью и нерастительностью 100
6.5 Объединение похожих объектов 103
6.6 Удаление мелких пятен 104
6.7 Сглаживание 105
Глава 7. Классификация членства 109
7.1 Создать проект 109
7.2 Сегментация изображения 110
7.3 Различают водные и неводные объекты 110
7.4 Различие между растительностью и нерастительностью 113
7.5 Сравнение пороговой классификации и классификации членства 117
Глава 8. Классификация ближайших соседей 119
8.1 Создать проект 119
8.2 Сегментация изображения 120
8.3 Отбор пробы 120
8.4 Классификация ближайших соседей 124
Глава 9. Классификаторы машинного обучения 127
9.1 Создать проект 127
9.2 Сегментация изображения 128
9.3 Просмотр файлов примеров 129
9.4 Преобразование векторов в образцы 129
9.5 Классификация с использованием классификатора CART 131
Глава 0 Оценка точности 135
10.1 Создать проект 135
10.2 Комбинированная векторная сегментация 136
10.3 Преобразование точек проверки в образцы 137
10.4 Оценка точности и экспорт результатов 140
Хорошая статья
Глава 1. Простое извлечение зданий 145
11.1 Процесс разработки набора правил 145
11.2 Анализ проекта 148
11.3 Создать проект 149
11.4 Оценка содержания данных 149
11.5 Создание объектов изображения 150
11.6 Классификация объектов высотой 151
11.7 Уточнение на основе DSM 153
11.8 Уточнение на основе спектральной информации 155
11.9 Контекстное уточнение 156
11.10 Уточнение формы 158
Глава 2. Комплексная эвакуация зданий 160
12.1 Анализ проекта 160
12.2 Создать проект 161
12.3 Технология фильтрации для глубокого анализа данных DSM 161
12.4 Создание объектов изображений 164
12.5 Классификация крутых склонов 166
12.6 Классифицированные этажи 167
12.7 Классифицированные здания 170
12.8 Усовершенствованная классификация зданий 172
12.9 Уборка объектов на крутых склонах 173
12.10 Уборка строительных объектов 182
12.11 Подготовка к экспорту 185
12.12 Экспорт векторных файлов 187
Глава 3 Картирование непроницаемых городских территорий 189
13.1 Анализ проекта 189
13.2 Создать проект 190
13.3 Сегментация, объединяющая векторы участков 190
13.4 Классификация земель 191
13.5 Классификация непроницаемых зон 192
13.6 Анализ доли непроницаемых участков на участке 196
13.7 Экспорт статистических данных 197
13.8 Экспорт векторных данных 200
13.9 Повышение эффективности и улучшение качества 201
Глава 4. Выделение границ водоема методом выращивания семян 206
14.1 Классификация семенных объектов в водных объектах 207
14.2 Создание буферов объектов-кандидатов для исходных объектов 209
14.3 Использование средней разницы для определения растущего водоема 212
14.4 Систематизация результатов классификации и исключение низкогабаритных объектов 215
14.5 Использование переменных для улучшения переносимости набора правил 216
14.6 Автоматизированная обработка 219
Глава 5. Извлечение крестовых символов на основе сверточной нейронной сети 223
15.1 Сверточная нейронная сеть 223
15.2 От тепловой карты классификации к оценке точности 229
Глава 6. Обнаружение изменений 233
16.1 Создать проект 234
16.2 Копирование карт 234
16.3 Отдельная классификация 236
16.4 Синхронизация карт 241
16.5 Обнаружение изменений 245
Глава 7. Изменение формы объекта 248
17.1 Региональный рост 248
17.2 Формирование объектов на основе пикселей: сглаживание границ и регуляризация 250
17.3 Формирование объектов на основе пикселей: нормализация спектральных характеристик 255
17.4 Объединение объектов изображений 257
Ссылки 260
Приложение 1 Дополнительная помощь и информация 262
Приложение 2. Основные понятия и терминология 263
Пунктирное содержание

краткое введение

Эта книга основана на первоклассных учебных материалах программного обеспечения eCognition и составлена автором на основе многолетних исследований в области анализа изображений объектов и практического опыта. В этой статье систематически представлены принципы объектно-ориентированного анализа изображений и методы анализа изображений. В дополнение к традиционным методам классификации изображений на основе правил он также фокусируется на методах классификации машинного обучения, которые стали более популярными в последние годы. Вся книга разделена на три части: теория, основы и основы, всего 16 глав. Теоретическая часть разделена на 3 главы, которые в основном знакомят с предысторией, историей развития, широко используемым программным обеспечением, основными технологиями и принципами технологии объектно-ориентированного анализа изображений;основная часть разделена на 7 глав, включая терминологию разработки набора правил и операции интерфейса, часто используемую сегментацию, методы классификации и оценку точности, а также другое основное содержание объектно-ориентированного анализа.Содержание разделено на 6 глав. В основном он представляет разработку цикла PDCA на основе наборов правил объекта.На примере зданий, непроницаемых территорий, извлечения водных объектов и обнаружения изменений он подробно знакомит с процессом анализа изображений, включая технологию улучшения набора правил, технологию формирования формы, автоматизированную пакетную обработку и другие передовые технологии разработки наборов правил.

Захватывающий контент

     Теория
    Введение в главу
    1.1 Объектно-ориентированный анализ изображений
    Объектно-ориентированный анализ изображений (OBIA) имитирует процесс визуальной интерпретации человека, используя не отдельный пиксель, а объект изображения, состоящий из однородных пикселей, в качестве единицы анализа.В отличие от классификации на основе пикселей, которая может полагаться только на спектральную информацию пикселей, объекты изображения не только имеют спектральную информацию, но также добавляют информацию о форме, информацию о текстуре и контекстную информацию.Ядром технологии объектно-ориентированного анализа изображений являются сегментация и классификация.Сначала изображение сегментируется на значимые объекты изображения, и объектам изображения присваиваются различные характеристические атрибуты, а затем изображения классифицируются на основе пространства признаков (Hay and Castilla, 2006).
    Объектно-ориентированный анализ изображений всегда переводился как&«Лапша...»