کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4972940 1451248 2017 18 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Forest point processes for the automatic extraction of networks in raster data
ترجمه فارسی عنوان
پردازش نقطه جنگل برای استخراج خودکار شبکه ها در داده های شطرنجی
کلمات کلیدی
ترجمه چکیده
در این مقاله، یک رویکرد تصادفی جدید برای تشخیص خودکار ساختارهای شبکه در داده های رادرس ارائه می شود. ما یک شبکه را به عنوان مجموعه ای از درختان با گراف های مسطح آکسیال نشان می دهیم. ما این مدل را در چارچوب احتمالی فرایند نقطه ای فضایی جاسازی می کنیم و با استفاده از روش نمونه گیری تصادفی، احتمال پذیری بیشتر درختان را تعیین می کنیم. به عبارت دیگر، پیکربندی های مختلف به صورت تصادفی با اصلاح پارامترهای گراف و با اضافه کردن یا حذف گره ها و لبه ها از / درخت های کنونی ساخته می شوند. هر پیکربندی بر مبنای احتمالات برای این تغییرات و یک تابع انرژی توصیف انطباق با یک مدل از پیش تعریف شده ارزیابی می شود. با استفاده از نمونه گیر مونت کارلو زنجیره مارکوف پرتوی برگشت پذیر، یک تقریب مطلوب جهانی از عملکرد انرژی به طور پیوسته رسیده است. اگر چه هدف اصلی ما برنامه استخراج رودخانه ها و کانال های جزر و مد در مدل های زمین دیجیتال است، آزمایش با انواع دیگر شبکه ها در تصاویر نشان می دهد قابلیت انتقال به برنامه های کاربردی دیگر. ارزیابی کیفی و کمی نشان دهنده رقابت رویکرد ما با توجه به الگوریتم های موجود است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر سیستم های اطلاعاتی
پیش نمایش مقاله
پردازش نقطه جنگل برای استخراج خودکار شبکه ها در داده های شطرنجی
چکیده انگلیسی
In this paper, we propose a new stochastic approach for the automatic detection of network structures in raster data. We represent a network as a set of trees with acyclic planar graphs. We embed this model in the probabilistic framework of spatial point processes and determine the most probable configuration of trees by stochastic sampling. That is, different configurations are constructed randomly by modifying the graph parameters and by adding or removing nodes and edges to/ from the current trees. Each configuration is evaluated based on the probabilities for these changes and an energy function describing the conformity with a predefined model. By using the Reversible jump Markov chain Monte Carlo sampler, an approximation of the global optimum of the energy function is iteratively reached. Although our main target application is the extraction of rivers and tidal channels in digital terrain models, experiments with other types of networks in images show the transferability to further applications. Qualitative and quantitative evaluations demonstrate the competitiveness of our approach with respect to existing algorithms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: ISPRS Journal of Photogrammetry and Remote Sensing - Volume 126, April 2017, Pages 38-55
نویسندگان
, , , , ,