The Directional Neighborhoods Approach to Contextual Classification of Images From Noisy Data
噪声图像上下文分类的方向邻域方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究遥感图像分类与空间邻域选择，没有经济网络干扰或其他指定细分方向的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
噪声图像上下文分类的方向邻域方法
- 研究问题
- 如何从含噪遥感数据中为每个像素选择较同质的方向邻域，以改善上下文分类并重建原始图像？
- 方法与思路
- 作者提出结合贝叶斯与数据分析的方向邻域方法，先作无邻域预分类，再依据同质性准则选择邻域并完成最终分类。
- 材料陈述的贡献
- 摘要提出邻域同质性准则，并报告在双总体图像的蒙特卡洛实验中，该方法明显改善了参考贝叶斯上下文分类结果。
- 阅读关注点
- 应核对同质性准则、非对称邻域的选择机制、预分类误差传播，以及模拟中的噪声设置和参考方法比较条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；改进幅度、模拟细节和实际图像验证未说明，不能据此声称普遍分类优势。
原文摘要
The directional neighborhoods approach (DNA) to classifying pixels and reconstructing images from remotely sensed noisy data is a newly proposed computer-intensive procedure that is partly Bayesian and partly data analytic. It uses the observational data to select an optimal, generally asymmetric, but relatively homogeneous neighborhood for contextually classifying pixels. A criterion for “homogeneity of neighborhood” is developed. DNA involves two stages: a zero-neighbor preclassification stage, followed by selection of the most homogeneous neighborhood, and then a final classification. We provide Monte Carlo simulations for a two-population image and compare DNA results with those from a reference Bayesian contextual classification. We show that DNA improves substantially on the reference classification procedure.