项目理念 | （用于土地覆盖制图的基于对象的超像素图像分析优化）

抽象的：
基于对象的图像分析的先决条件是生成足够的片段。然而，图像分割算法的参数通常是手动定义的。因此，理想分割级别的生成通常成本高昂且取决于用户。采用超像素算法(SP)介绍了一种基于对象的多时态数据分类半自动优化策略。超像素轮廓算法用于生成一组不同级别的分割，使用各种参数组合。最后，基于 SP 提供的袋外 (OOB) 错误等交叉验证选择最佳参数组合。通过移动选定的组合，可以找到隐藏的对象。与基于手动的图像分割所获得的结果相比，这种使用 OOB 误差来选择理想分割级别的策略提供了相似的分类精度。该系统可操作且易于处理，因此可以节省茂密森林中丢失物体的发现。

执行

分类为多个段是基于决策树。

• 决策树是组合在一起的单个学习器。它们是通常用于数据探索的最流行的学习方法之一。
• 一种类型的决策树称为 CART 分类和回归树。
• CART-贪婪、自上而下的二元递归分区，将特征空间划分为不相交的矩形区域集。
  • 就响应变量而言，区域应该是纯的。
  • 每个区域都适合简单的模型——分类的多数票，回归的常数值。

研究：

基于超像素的图像分割。

工具：
Java为网络和图像处理提供了丰富的库。 Java和 Netbeans 可以从以下链接下载：
http://www.oracle.com/technetwork/java Java

结论

            在这个项目中，从用户那里获取静态图像，然后使用超像素算法通过分割技术检测物体的像素。与其他算法相比，如果发现超级像素算法最准确，则使用她。

进一步处理分割的帧以获得必须找到的目标图像的确切位置。这有助于找到在茂密森林中丢失的物体。

在看到在茂密的森林中寻找物体的困难之后，我们受到激励和启发，创建了这个可以减轻他们负担的项目。该项目帮助他们轻松定位对象在森林环境中的确切位置。因此，可以减少人力、能源和成本。这有望使他们更聪明地工作。

未来的增强

i) 人体检测

• 该项目可以扩展为 3D 图像，以找到框架中的人。可以对输出进行进一步处理，以区分视野中的人类和非人类。
• 这可以通过使用对象识别算法来实现。之后可以执行模板匹配。
• 通过使用模板匹配，可以将人体检测到的帧与数据库中存储的多个图像进行匹配。
• 因此，如果存在匹配，则可以匹配帧的身份。因此，通过添加这些特征，可以引入更精确和更精细的细节。

ii) 运动追踪

• 所提出的系统可以通过将其与嵌入式硬件和软件以及摄像头集成来实现可穿戴。
• 这增强了可移植性并提高了可访问性。
• 该项目的进一步扩展将包括感兴趣对象的运动跟踪。
• 用于轻松定位丢失的物体。
• 这可用于机器人视觉和监视系统。

参考：

Shin, KG 和 Mckay, ND (1984) “超像素图像分割”，Proc.Amer.Contr.Conf.，加利福尼亚州圣地亚哥，第 1231-1236 页。