Mekansal Alan Adı:
Bana daha çok bir görüntü işleme sorunu gibi geliyor. Kümeleme yöntemleri yardımcı olabilir, ancak hangi metriğin (mesafe, varyans, memnuniyetsizlik ...) ve hangi algoritmanın (k-ortalamaları, ortalama-kaydırma, EM ...) sizin durumunuza en uygun olduğu görüntü topolojiniz ve sizin özellikleriniz tarafından belirlenir kullanacak. Görüntü bölmesini orta ve ince rasterlere uygulayabilirsiniz. Ardından, hangisinin size orijinal orta / ince rasterlerinizle karşılaştırıldığında genel olarak en iyi segmentasyon doğruluğunu sağladığını görmek için farklı kümeleme tekniklerini deneyin. Ölçek alanı hiyerarşisini bulmak için bazı ön işleme stratejileri yardımcı olabilir. Bu raporun 3. Bölümünde gösterilen bir hiyerarşi segmentasyon algoritması vardır.
(1) Ölçek alanı oluşturun;
(2) Her ölçek düzeyinde ekstrema ve eyerleri bulun;
(3) Belirli bir ölçek düzeyindeki her bir kritik noktayı sonraki ölçek düzeyindeki karşılık gelen konumuna bağlayın ve kritik yolları bulun;
(4) İzo-yoğunluk yüzey araştırmasına dayalı olarak ölçek alanı hiyerarşisinin belirlenmesi.
K-araçları gibi rasgele başlatmanın gerekli olduğu kümeleme yöntemleri için, bulunan hiyerarşiyi ilk kümeler ve daha fazla kümeleme için centroid olarak kullanabilirsiniz. Ayrıca, görüntünüzün karakterlerine bağlı olarak, kümeleme algoritmalarına daha fazla özellik (doku değişiklikleri, RGB alanından başka alan bilgileri vb.) Eklemek isteyebilirsiniz.
Geçici Alan Adı
Şimdi farklı zaman ölçeğine sahip ancak aynı çözünürlükteki görüntüler var (umarım). Tahmin işiniz kıtanın, fırtınaların veya yağışların bazılarının hareketini tahmin ediyorsa, Kalman filtresiyle hareket tahminini deneyebilirsiniz . Her piksel için hareket, bölgenin merkezi ile karşılaştırıldığında metriğine göre ilgili bölgenin (küme) içinde ağırlıklandırılabilir. Sinir ağını kısa süreli zaman dizisi tahmini için kullanabilirsiniz ( bölüm 3bu tezde). Kalman Filtresi sadece Bayes kuralını uygulamak için bir yöntem olduğundan, devlet tahmini için maksimum olasılık uygulanabilir. Durum tahmini prosedürleri özyinelemeli olarak uygulanabilir. Önceki zaman adımındaki posterior, dinamik modelden geçirilir ve mevcut zaman adımından önce yeni olur. Daha sonra bu önceden mevcut gözlem kullanılarak yeni bir posteriora dönüştürülebilir. Sonuç olarak, Kalman filtresindeki parametreleri öğrenmek için EM gibi yinelemeli parametre yeniden tahmin prosedürleri kullanılabilir. Aynı tezin 6. Bölümü ve Kalman yumuşatma çalışması EM ile öğrenilen parametreler hakkında daha fazla ayrıntı içermektedir.