Multivariate Gaussian MRF zur multispektralen Szenensegmentierung und Anomalieerkennung

Gaussian Markov-Zufallsfeld-Texturmodelle und multivariate parametrische Clustering-Algorithmen wurden umfassend für die Segmentierung, Wiederherstellung und Anomalieerkennung von einbandigen und multispektralen Bildern eingesetzt. Die vorliegende Arbeit erweitert und kombiniert diese vorherigen Bemühungen, um die gemeinsame räumlich-spektrale Modellierung von multispektralen Bildern zu demonstrieren; ein multivariates (Vektorbeobachtungen) GMRF-Texturmodell wird verwendet. Algorithmen zur Parameterschätzung und Bildsegmentierung werden diskutiert, und eine neue Anomalieerkennungstechnik wird entwickelt. Das Modell wird auf Bilder vom Daedalus-Sensor angewendet. Die Ergebnisse der Bildsegmentierung aus Testbildern werden diskutiert und mit den Ergebnissen des spektralen Clusterns verglichen. Die Testbilder sind Collagen mit bekannten Texturgrenzen, die aus größeren Datenwürfeln erstellt wurden. Ergebnisse der Anomalieerkennung für zwei Daedalus-Bilder werden ebenfalls präsentiert, bewertet anhand von Receiver Operating Characteristic (ROC) Leistungskurven und mit spektralen Clustering-Modellen verglichen. Es wird demonstriert, dass selbst die einfachsten isotropen Texturmodelle erster Ordnung eine signifikante Verbesserung der Bildsegmentierung und Anomalieerkennung gegenüber reinem spektralen Clustern für die untersuchten Datensätze bieten. Die Empfindlichkeit der Anomalieerkennungsleistung gegenüber der Wahl der Parameterschätzungsmethode und der Anzahl der Textursegmente wird für einen Beispiel-Datensatz untersucht.