Η επεξεργασία εικόνας πλέον είναι απαραίτητη σε ένα μεγάλο πεδίο εφαρμογών που χρησιμοποιούν εκατομμύρια χρήστες σε όλο τον κόσμο. Σίγουρα οι αισθητήρες σύλληψης της εικόνας έχουν βελτιωθεί κατά πολύ με την ραγδαία εξέλιξη που έχει ο χώρος των ηλεκτρονικών. Η ελαττωμένη χωρική ανάλυση των εικόνων οφείλεται στους περιορισμούς που εμφανίζουν οι αισθητήρες. Η αύξηση της χωρικής ανάλυσης είναι και το αντικείμενο της παρούσας εργασίας. Στην εργασία αυτή μελετήσαμε διάφορες τεχνικές με τις οποίες προσπαθούμε να αυξήσουμε την χωρική ανάλυση για να βελτιώσουμε την ποιότητα της εικόνας [1]. Η υλοποίηση της έγινε με την βοήθεια των εκτιμητών πυκνότητας πιθανότητας (Kernels). Ως συγκριτική μέθοδος χρησιμοποιήσαμε την συνάρτηση παρεμβολής του matlab (interp2) [8]. Επίσης, το μέσω τετραγωνικό σφάλμα ( Mean Square Error ) και ο μέγιστος λόγος σήματος προς θόρυβο ( Peak Signal to Noise Ratio ) είναι δύο από τους βασικούς τρόπους σύγκρισης της τεχνική μας με την μέθοδο παρεμβολής του matlab. Θα πρέπει να αναφέρουμε ότι τα αποτελέσματά μας αν και χρησιμοποιήσαμε στατιστικά πρώτης τάξης είναι ικανοποιητικά παραπλήσια της μεθόδου παρεμβολής του matlab. Ως σημείο αναφοράς της σύγκριση της τεχνική μας με την μέθοδο παρεμβολής του matlab είναι η αρχική εικόνα. Τέλος, στην προσπάθεια μας να βελτιώσουμε την τεχνική μας, δοκιμάσαμε και άλλες τεχνικές, οι οποίες θα περιγραφούν με λεπτομέρεια στην εργασία αυτή, τα αποτελέσματα των οποίων δεν ήταν τα επιθυμητά. / The image processing is now needed in a wide range of applications used by millions of users around the world. Certainly the design of image sensors have improved greatly with the rapid development that has an area of electronics. The reduced spatial resolution of images due to the limitations inherent in the sensors. Increased spatial resolution is the subject of this work. This thesis reviews various techniques that try to increase the spatial resolution to improve the image quality [1]. Driving done with the help of probability density estimators (Kernels). As a comparative method used the interpolation function of matlab (interp2) [8]. Also, the means square error (Mean Square Error) and the maximum signal to noise ratio (Peak Signal to Noise Ratio) are two basic ways of comparing our technique with the method of interpolation matlab. It should be mentioned that although our results using statistical first order is approaching a satisfactory method of interpolation matlab. As a benchmark comparison of our technique with the method of interpolation matlab is the original image. Finally, in our efforts to improve our technique, testing and other techniques, which will be described in detail in this work, the results of which were not desired.

Câmaras não métricas acopladas a Veículos Aéreos Não Tripulados (VANT) possibilitam coleta de imagens com alta resolução espacial e temporal. Além disso, o custo de operação e manutenção desses equipamentos são reduzidos. A classificação da cobertura da terra por meio dessas imagens são dificultadas devido à alta variabilidade espectral dos alvos e ao grande volume de dados gerados. Esses contratempos são contornados utilizando Análise de Imagens Baseada em Objetos (Object-Based Image Analysis – OBIA) e algoritmos de mineração de dados. Um algoritmo empregado na OBIA são as Árvores de Decisão (AD). Essa técnica possibilita tanto a seleção de atributos mais informativos quanto a classificação das regiões. Novas técnicas de AD foram desenvolvidas e, nessas inovações, foram inseridas funções para selecionar atributos e para melhorar a classificação. Um exemplo é o algoritmo C5.0, que possui uma função de redução de dados e uma de reforço. Nesse contexto, este trabalho tem como objetivo (i) avaliar o método de segmentação por crescimento de regiões em imagens com altíssima resolução espacial, (ii) determinar os atributos preditivos mais importantes na discriminação das classes e (iii) avaliar as classificações das regiões em relação aos parâmetros de seleção dos atributos (winnow) e de reforço (trial), que estão contidos no algoritmo C5.0. A segmentação da imagem foi efetuada no programa Spring, já as regiões geradas na segmentação foram classificadas pelo modelo de AD C5.0, que está disponível no programa R. Como resultado foi identificado que a segmentação crescimento de regiões possibilitou uma alta correspondência com regiões geradas pelo especialista, resultando em valores de Reference Bounded Segments Booster (RBSB) próximos a 0. Os atributos mais importantes na construção dos modelos por AD foram a razão entre a banda do verde com a azul (r_v_a) e o Modelo Digital de Elevação (MDE). Para o parâmetro de reforço (trial), não foi identificada melhora na acurácia da classificação ao aumentar seu valor. Já o parâmetro winnow possibilitou uma redução no número de atributos preditivos, sem perdas estatisticamente significativas na acurácia da classificação. A função de reforço (trial) não melhorou a classificação da cobertura da terra. Também não foram constatadas diferenças estatisticamente significativas quando winnow selecionado como verdadeiro, mas se encontrou o benefício desse último parâmetro reduzindo a dimensionalidade dos dados. Nesse sentido, este trabalho contribuiu para a classificação da cobertura da terra em imagens coletadas por VANT, uma vez que se desenvolveu algoritmos para automatizar os processos da OBIA e para avaliar a classificação das regiões em relação às funções de reforço (winnow) e de seleção do atributo (winnow) do classificador por árvore de decisão C5.0. / Non-metric cameras attached to Unmanned Aerial Vehicles (UAV) enable collection of images with high spatial and temporal resolution. In addition, the cost of operation and maintenance of equipment are reduced. The land cover classification through these images are hampered due to high spectral variability of the targets and the large volume of data generated. These setbacks are contoured using Image Analysis Based on Objects (OBIA) and data mining algorithms. An algorithm used in OBIA are Decision Trees (AD). This technique allows the selection of the most informative attributes as the classification of regions. New AD techniques have been developed and these innovations, were functions inserted to select attributes and to improve classification. One example is a C5.0 algorithm, which has a data reduction function and of boosting. In this context, this paper aims to (i) evaluate the segmentation method for growing regions in images with high spatial resolution, (ii) determine the most important predictive attributes in the discrimination of classes and (iii) evaluate the classifications of regions regarding the attributes selection parameters (winnow) and boosting (trial), which are contained in the C5.0 algorithm. The image segmentation was performed in Spring program, since the regions generated in segmentation were classified by model C5.0 , which is available in the program R. As a result it was identified that the segmentation by region growing provided a high correlation with regions generated by the expert, resulting in Reference Bounded Segments Booster values (RBSB) near 0. The most important features in the construction of models of decision tree are the ratio between the band of green with the blue (r_v_a) and the Digital Elevation Model (DEM). Was not identified improvement in classification accuracy when was increased value of trial parameter. Already winnow parameter enabled a reduction in the number of predictive attributes, with no statistically significant losses in the accuracy of the classification. The boosting function (trial) did not improve the classification of land cover. Also were not found statistically significant differences when winnow selected as true, but was found the benefit of the latter parameter to reducing the dimensionality of the data. Thus, this work contributed to the land cover classification in images collected by UAV, once that were developed algorithms to automate the processes of integration OBIA and decision tree (C5.0).

Câmaras não métricas acopladas a Veículos Aéreos Não Tripulados (VANT) possibilitam coleta de imagens com alta resolução espacial e temporal. Além disso, o custo de operação e manutenção desses equipamentos são reduzidos. A classificação da cobertura da terra por meio dessas imagens são dificultadas devido à alta variabilidade espectral dos alvos e ao grande volume de dados gerados. Esses contratempos são contornados utilizando Análise de Imagens Baseada em Objetos (Object-Based Image Analysis – OBIA) e algoritmos de mineração de dados. Um algoritmo empregado na OBIA são as Árvores de Decisão (AD). Essa técnica possibilita tanto a seleção de atributos mais informativos quanto a classificação das regiões. Novas técnicas de AD foram desenvolvidas e, nessas inovações, foram inseridas funções para selecionar atributos e para melhorar a classificação. Um exemplo é o algoritmo C5.0, que possui uma função de redução de dados e uma de reforço. Nesse contexto, este trabalho tem como objetivo (i) avaliar o método de segmentação por crescimento de regiões em imagens com altíssima resolução espacial, (ii) determinar os atributos preditivos mais importantes na discriminação das classes e (iii) avaliar as classificações das regiões em relação aos parâmetros de seleção dos atributos (winnow) e de reforço (trial), que estão contidos no algoritmo C5.0. A segmentação da imagem foi efetuada no programa Spring, já as regiões geradas na segmentação foram classificadas pelo modelo de AD C5.0, que está disponível no programa R. Como resultado foi identificado que a segmentação crescimento de regiões possibilitou uma alta correspondência com regiões geradas pelo especialista, resultando em valores de Reference Bounded Segments Booster (RBSB) próximos a 0. Os atributos mais importantes na construção dos modelos por AD foram a razão entre a banda do verde com a azul (r_v_a) e o Modelo Digital de Elevação (MDE). Para o parâmetro de reforço (trial), não foi identificada melhora na acurácia da classificação ao aumentar seu valor. Já o parâmetro winnow possibilitou uma redução no número de atributos preditivos, sem perdas estatisticamente significativas na acurácia da classificação. A função de reforço (trial) não melhorou a classificação da cobertura da terra. Também não foram constatadas diferenças estatisticamente significativas quando winnow selecionado como verdadeiro, mas se encontrou o benefício desse último parâmetro reduzindo a dimensionalidade dos dados. Nesse sentido, este trabalho contribuiu para a classificação da cobertura da terra em imagens coletadas por VANT, uma vez que se desenvolveu algoritmos para automatizar os processos da OBIA e para avaliar a classificação das regiões em relação às funções de reforço (winnow) e de seleção do atributo (winnow) do classificador por árvore de decisão C5.0. / Non-metric cameras attached to Unmanned Aerial Vehicles (UAV) enable collection of images with high spatial and temporal resolution. In addition, the cost of operation and maintenance of equipment are reduced. The land cover classification through these images are hampered due to high spectral variability of the targets and the large volume of data generated. These setbacks are contoured using Image Analysis Based on Objects (OBIA) and data mining algorithms. An algorithm used in OBIA are Decision Trees (AD). This technique allows the selection of the most informative attributes as the classification of regions. New AD techniques have been developed and these innovations, were functions inserted to select attributes and to improve classification. One example is a C5.0 algorithm, which has a data reduction function and of boosting. In this context, this paper aims to (i) evaluate the segmentation method for growing regions in images with high spatial resolution, (ii) determine the most important predictive attributes in the discrimination of classes and (iii) evaluate the classifications of regions regarding the attributes selection parameters (winnow) and boosting (trial), which are contained in the C5.0 algorithm. The image segmentation was performed in Spring program, since the regions generated in segmentation were classified by model C5.0 , which is available in the program R. As a result it was identified that the segmentation by region growing provided a high correlation with regions generated by the expert, resulting in Reference Bounded Segments Booster values (RBSB) near 0. The most important features in the construction of models of decision tree are the ratio between the band of green with the blue (r_v_a) and the Digital Elevation Model (DEM). Was not identified improvement in classification accuracy when was increased value of trial parameter. Already winnow parameter enabled a reduction in the number of predictive attributes, with no statistically significant losses in the accuracy of the classification. The boosting function (trial) did not improve the classification of land cover. Also were not found statistically significant differences when winnow selected as true, but was found the benefit of the latter parameter to reducing the dimensionality of the data. Thus, this work contributed to the land cover classification in images collected by UAV, once that were developed algorithms to automate the processes of integration OBIA and decision tree (C5.0).

Câmaras não métricas acopladas a Veículos Aéreos Não Tripulados (VANT) possibilitam coleta de imagens com alta resolução espacial e temporal. Além disso, o custo de operação e manutenção desses equipamentos são reduzidos. A classificação da cobertura da terra por meio dessas imagens são dificultadas devido à alta variabilidade espectral dos alvos e ao grande volume de dados gerados. Esses contratempos são contornados utilizando Análise de Imagens Baseada em Objetos (Object-Based Image Analysis – OBIA) e algoritmos de mineração de dados. Um algoritmo empregado na OBIA são as Árvores de Decisão (AD). Essa técnica possibilita tanto a seleção de atributos mais informativos quanto a classificação das regiões. Novas técnicas de AD foram desenvolvidas e, nessas inovações, foram inseridas funções para selecionar atributos e para melhorar a classificação. Um exemplo é o algoritmo C5.0, que possui uma função de redução de dados e uma de reforço. Nesse contexto, este trabalho tem como objetivo (i) avaliar o método de segmentação por crescimento de regiões em imagens com altíssima resolução espacial, (ii) determinar os atributos preditivos mais importantes na discriminação das classes e (iii) avaliar as classificações das regiões em relação aos parâmetros de seleção dos atributos (winnow) e de reforço (trial), que estão contidos no algoritmo C5.0. A segmentação da imagem foi efetuada no programa Spring, já as regiões geradas na segmentação foram classificadas pelo modelo de AD C5.0, que está disponível no programa R. Como resultado foi identificado que a segmentação crescimento de regiões possibilitou uma alta correspondência com regiões geradas pelo especialista, resultando em valores de Reference Bounded Segments Booster (RBSB) próximos a 0. Os atributos mais importantes na construção dos modelos por AD foram a razão entre a banda do verde com a azul (r_v_a) e o Modelo Digital de Elevação (MDE). Para o parâmetro de reforço (trial), não foi identificada melhora na acurácia da classificação ao aumentar seu valor. Já o parâmetro winnow possibilitou uma redução no número de atributos preditivos, sem perdas estatisticamente significativas na acurácia da classificação. A função de reforço (trial) não melhorou a classificação da cobertura da terra. Também não foram constatadas diferenças estatisticamente significativas quando winnow selecionado como verdadeiro, mas se encontrou o benefício desse último parâmetro reduzindo a dimensionalidade dos dados. Nesse sentido, este trabalho contribuiu para a classificação da cobertura da terra em imagens coletadas por VANT, uma vez que se desenvolveu algoritmos para automatizar os processos da OBIA e para avaliar a classificação das regiões em relação às funções de reforço (winnow) e de seleção do atributo (winnow) do classificador por árvore de decisão C5.0. / Non-metric cameras attached to Unmanned Aerial Vehicles (UAV) enable collection of images with high spatial and temporal resolution. In addition, the cost of operation and maintenance of equipment are reduced. The land cover classification through these images are hampered due to high spectral variability of the targets and the large volume of data generated. These setbacks are contoured using Image Analysis Based on Objects (OBIA) and data mining algorithms. An algorithm used in OBIA are Decision Trees (AD). This technique allows the selection of the most informative attributes as the classification of regions. New AD techniques have been developed and these innovations, were functions inserted to select attributes and to improve classification. One example is a C5.0 algorithm, which has a data reduction function and of boosting. In this context, this paper aims to (i) evaluate the segmentation method for growing regions in images with high spatial resolution, (ii) determine the most important predictive attributes in the discrimination of classes and (iii) evaluate the classifications of regions regarding the attributes selection parameters (winnow) and boosting (trial), which are contained in the C5.0 algorithm. The image segmentation was performed in Spring program, since the regions generated in segmentation were classified by model C5.0 , which is available in the program R. As a result it was identified that the segmentation by region growing provided a high correlation with regions generated by the expert, resulting in Reference Bounded Segments Booster values (RBSB) near 0. The most important features in the construction of models of decision tree are the ratio between the band of green with the blue (r_v_a) and the Digital Elevation Model (DEM). Was not identified improvement in classification accuracy when was increased value of trial parameter. Already winnow parameter enabled a reduction in the number of predictive attributes, with no statistically significant losses in the accuracy of the classification. The boosting function (trial) did not improve the classification of land cover. Also were not found statistically significant differences when winnow selected as true, but was found the benefit of the latter parameter to reducing the dimensionality of the data. Thus, this work contributed to the land cover classification in images collected by UAV, once that were developed algorithms to automate the processes of integration OBIA and decision tree (C5.0).

Magistro darbe yra nagrinėjamos neparametrinio knn (k-nearest neighbor) metodo taikymo galimybės Lietuvos sąlygomis vertinant tradicinius miško taksacinius rodiklius bet kokiame šalies teritorijos taške. Darbo objektas – Dubravos miškų urėdijos Dubravos miškas. Darbo tikslas – įvertinti neparametrinio knn (k-nearest neighbor) metodo taikymo Lietuvos miškų inventorizacijose galimybes. Darbo rezultatai. Nustatyta, kad taksacinių rodiklių įvertinimo knn metodu tikslumas kyla didinant apskaitos vienetų, išmatuotų vietovėje, skaičių. Pagrindiniai knn metodo parametrai, kuriais gauti geriausi rezultatai, buvo: 10 artimiausių kaimynų (k reikšmė), atvirkščiai proporcingo atstumo schema, nusakant kiekvieno iš artimiausių kaimynų svertus. Papildomos pagalbinės informacijos – tradicinės sklypinės miškų inventorizacijos metu nustatytų medynų taksacinių rodiklių – panaudojimas kartu su kosminiais Spot Xi vaizdais padidina taksacinių rodiklių įvertinimo tikslumą. Pritaikius optimalų knn metodo taikymo taktikos variantą, mažiausios pasiektos taksacinių rodiklių nustatymo vidutinės kvadratinės paklaidos sudarė 27% medyno vidutinio skersmens, 20% vidutinio aukščio, 40% skerspločių sumos, 35% vidutinio amžiaus, 43% tūrio viename ha, 33% spygliuočių procento rodiklio. Pasitelkus 1999 metų Spot Xi kosminius vaizdus, 1986 apskaitos bareliuose išmatuotas pagrindines medynų taksacines charakteristikas bei 1988 metų sklypinės miškotvarkos duomenis, knn metodu nustatyti pagrindinių taksacinių... [toliau žr. visą tekstą] / The research is dealing with investigations of non-parametric knn (k-nearest neighbor) method for estimation of standard forest characteristics at any point of an area under Lithuanian conditions. Study object: Dubrava forest, managed by Dubrava experimental forest enterprise. Objectives: to assess the usability of non-parametric knn (k-nearest neighbor) method in Lithuanian forests inventory. Results. The increase in number of sample plots with known field information was found to improve the estimation accuracy. The most important parameters for use of knn methods were the following: 10 nearest neighbors (value of k), inverse distance weighted scheme for defining the weights of selected neighbors. Integrating of additional auxiliary information – characteristics of forest compartments, estimated during the conventional stand-wise inventory – to be used together with Spot Xi images improved the overall accuracy of estimations. The lowest achieved root mean square errors were 27% of the average value of all plots within the study area for mean diameter, 20% for mean height, 40% for basal area, 35% for mean age, 43% for volume per 1ha and 33% for the percent of coniferous species in stand tree species composition, when the optimal knn tactics were applied. Spot Xi images from the year 1999, main forest characteristics from 1986 field measured sample plots and data of conventional stand-wise forest inventory from the year 1988 were utilized to estimate using knn method the... [to full text]

在這篇研究朵莉絲．萊辛＜暴力之子＞系列第五冊＜四門之城＞裡空間和心靈互動關係的論文中，筆者所要探討的主題有二，第一點旨在分析作者如何透過空間意象呈現角色的內在心理狀態；第二點所要探討的是主角在城市空間和建築空間中的漫遊如何象徵其對心靈統合的追尋。以空間和心靈間的互動關係為主軸，筆者認為空間意象乃是內在心靈活動和外在環境刺激的語言化結晶，而空間意象所呈現的將不只是外在的物理表象更包含了小說人物的內在心理實態。於是本論文試圖以空間意象出發，探討如何以此些意象和容格的個體化理論說明主角的心靈旅行。 第一章，我將分析都市空間的主要兩個意象，疆界(boundary)與層疊漫渙(palimpsest)，以及主角瑪莎與心理原型面具(the archetype persona)的遭逢。在此我將探討主角作為一個城市的觀察者和批判者如何察覺那些可見或不可見分隔都市空間的疆界。同時也將說明主角在面對面具原型時如何解決內在退縮和成長的衝突。在下兩章，我將討論兩個建築空間和主角內在心靈的關係。首先，在傑克的房子裡，主角探索記憶和身體的連結並初探被深深壓抑的自我仇恨。其後，在科利奇的豪宅，主角則把自我狀態從防衛性的貝殼意象轉化為開放空間裡的流動中心點。同時，主角亦透過潛入瘋狂和內在暗影(the archetype shadow)的經驗，習得如何面對暗影與探掘其心靈的潛意識。 / In this study of Doris Lessing’s fifth and final volume of her Children of Violence series, The Four-Gated City, I would like to explore how the spatial imagery illustrates the inner landscape of the protagonist and how the protagonist’s wandering journey in the urban and architectural space symbolizes her inner quest for psychic integration. With an emphasis on the interchange between space and psyche, the spatial imagery is read as linguistic crystallization of psychic activities and environmental stimuli, which mirrors not only the physical appearance of the surroundings but also the psychological reality of the characters. As a result, with this spatial imagery as point of departure, I will also employ Jung’s individuation theory to account for the protagonist’s psychic journey. In the first chapter, I examine the two major urban spatial images, the boundary and palimpsest, and Martha’s encounter with the archetype persona. In this part, I would like to present the protagonist, Martha Quest, as an astute city observer and critic, who perceives the visible and invisible boundaries demarcating the urban space. I will also explicate how Martha is brought to confront the archetype persona and resolves the tension between regressive impulse and inner urge for growth. In the following two chapters, I will probe into how two architectures symbolize Martha’s intrapsychic space. In Jack’s house, Martha explores the nexus of body and memory and intimates the repressed self-hater. In Coldridge’s grand mansion she transforms her self-image from a defensive “shell” into a circulating center in a fluid open space. Then, in a symbolic descent to the madness and the inner shadow, Martha learns to confront the inner shadow and explore this unconscious aspect of her psyche.