@PhDThesis{Soares:2019:SeCoIm,
               author = "Soares, Anderson Reis",
                title = "Segmentador contextual de imagens {\'o}ticas baseado na teoria de 
                         campos aleat{\'o}rios condicionais",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2019",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2019-03-22",
             keywords = "Segmenta{\c{c}}{\~a}o de imagens, processamento de imagens, 
                         sensoriamento remoto, image segmentation, image processing, remote 
                         sensing.",
             abstract = "A segmenta{\c{c}}{\~a}o de imagens {\'e} um problema 
                         fundamental no processamento de imagens e uma opera{\c{c}}{\~a}o 
                         comum em Sensoriamento Remoto que tem sido amplamente utilizada, 
                         especialmente na An{\'a}lise Geogr{\'a}fica de Imagens Baseadas 
                         em Objetos. Neste trabalho, {\'e} proposto um novo m{\'e}todo de 
                         segmenta{\c{c}}{\~a}o n{\~a}o supervisionado, baseado em campos 
                         aleat{\'o}rios condicionais. O m{\'e}todo utiliza tr{\^e}s 
                         n{\'{\i}}veis de informa{\c{c}}{\~a}o para a 
                         segmenta{\c{c}}{\~a}o contextual: (1) obtido com uma 
                         classifica{\c{c}}{\~a}o de pixel n{\~a}o supervisionada com o 
                         algoritmo Fuzzy C-M{\'e}dias, em que o n{\'u}mero de grupos 
                         {\'e} obtido usando uma abordagem baseada na morfologia 
                         matem{\'a}tica; (2) a vizinhan{\c{c}}a 8- conectada do pixel; e 
                         (3) de informa{\c{c}}{\~o}es contextuais atrav{\'e}s de 
                         superpixel. O m{\'e}todo foi testado com 4 conjuntos de dados, 
                         uma imagem multiespectral do WorldView-2, com 2 m de 
                         resolu{\c{c}}{\~a}o espacial, uma imagem Quickbird com 60 cm de 
                         resolu{\c{c}}{\~a}o espacial, uma imagem do sensor 
                         OLI/Landsat-8, com 30 m de resolu{\c{c}}{\~a}o espacial e uma 
                         imagem do sensor MUX/CBERS-4, com 20 m de resolu{\c{c}}{\~a}o 
                         espacial. Os resultados foram avaliados com 6 medidas de qualidade 
                         e seu desempenho foi comparado com outros algoritmos de 
                         segmenta{\c{c}}{\~a}o de imagem que s{\~a}o usualmente 
                         aplicados pela comunidade de Sensoriamento Remoto. Os resultados 
                         indicam bom desempenho geral do algoritmo, alcan{\c{c}}ando 
                         resultados similares aos de outros m{\'e}todos tradicionais 
                         aplicados pela comunidade de sensoriamento remoto. ABSTRACT: Image 
                         segmentation is a fundamental problem in image processing and a 
                         common operation in Remote Sensing that has been widely used 
                         especially on Geographic Object-Based Image Analysis. In this 
                         paper, we propose a new unsupervised segmentation algorithm, that 
                         is based on Conditional Random Fields. The method use three levels 
                         of information: (1) obtained with an unsupervised pixel 
                         classification with Fuzzy C-Means algorithm, in which the number 
                         of groups is obtained using a straightforward approach; (2) the 
                         8-connected neighborhood of a pixel; and (3) provision of context 
                         information granted by a priori segmentation. The algorithm was 
                         tested with 4 datasets, a WorldView-2 multispectral image, with 2 
                         m of spatial resolution, a Quickbird image with 60cm of spatial 
                         resolution, an image of OLI/Landsat- 8 sensor, with 30 m of 
                         spatial resolution and an image of MUX/CBERS-4 sensor, with 20 m 
                         of spatial resolution. The results were evaluated with 6 quality 
                         measures, and the method performance was compared with other image 
                         segmentation algorithms that are usually applied by the Remote 
                         Sensing community. Results indicate a good overall performance of 
                         the proposed method, reaching similar results to traditional 
                         methods applied by the remote sensing community.",
            committee = "Novo, Evlyn M{\'a}rcia Le{\~a}o de Moraes (presidente) and 
                         Fonseca, Leila Maria Garcia (orientadora) and K{\"o}rting, Thales 
                         Sehn (orientador) and Sant'Anna, Sidnei Jo{\~a}o Siqueira and 
                         Feitosa, Raul Queiroz and Negri, Rog{\'e}rio Galante",
         englishtitle = "Contextual segmentation method for optical remote sensing imagery 
                         based on the theory of conditional random fields",
             language = "pt",
                pages = "179",
                  ibi = "8JMKD3MGP3W34R/3SUF3QH",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34R/3SUF3QH",
           targetfile = "publicacao.pdf",
        urlaccessdate = "26 abr. 2024"
}