In dem Artikel „Extended SLIC superpixels algorithm for application to non-imagery geospatial rasters“, veröffentlicht in der Internationale Zeitschrift für angewandte Erdbeobachtung und GeoinformationForscher der Adam Mickiewicz University und der University of Cincinnati schlugen eine verbesserte Version des beliebten SLIC-Algorithmus zur Bildsegmentierung, bekannt als Extended SLIC, vor, die auf mehrdimensionale räumliche Rasterdatensätze anwendbar ist.
Die Autoren zeigen, dass die Anwendung des erweiterten SLIC-Algorithmus, der eine „native“ Datenentfernung verwendet, zu einer besseren Segmentierung/Regionalisierung führen kann. Sie testeten den Algorithmus an drei Datensätzen unterschiedlicher Größe und Kompressibilität, darunter Rasterdaten von Landbedeckungsanteilen, Klimazeitreihen und Höhendaten.
Im ersten Testbeispiel bestand das Ziel darin, Regionen mit homogener Landbedeckung zu schaffen. Sie fanden heraus, dass der erweiterte SLIC-Algorithmus trotz der hohen Dimensionalität der Daten den ursprünglichen SLIC-Algorithmus hinsichtlich der Segmentierungsgenauigkeit übertraf.
Im zweiten Beispiel verwendeten die Autoren Rasterdaten von Klimazeitreihen mit 24 Variablen, um Regionen mit ähnlicher Temperatur- und Niederschlagsvariabilität zu erstellen. In diesem Fall stellten die Autoren fest, dass der erweiterte SLIC-Algorithmus einen leichten Vorteil gegenüber dem ursprünglichen SLIC-Algorithmus aufwies. Schließlich verwendeten die Autoren im dritten Beispiel eine Reihe topografischer Merkmale, um Dünen in Algerien zu erkennen, was zu den am wenigsten komprimierbaren Daten der drei Beispiele führte. In diesem Fall zeigte der erweiterte SLIC-Algorithmus einen erheblichen Vorteil gegenüber dem ursprünglichen SLIC-Algorithmus.
Ihre Ergebnisse zeigten, dass der Vorteil des erweiterten SLIC-Algorithmus umgekehrt proportional zur Komprimierbarkeit der Daten auf nur drei Dimensionen war. Während die am stärksten komprimierbaren Daten, das Raster der Klimazeitreihen, gemischte Ergebnisse zeigten, wobei fünf von zehn Metriken den erweiterten SLIC und vier den ursprünglichen SLIC bevorzugten, zeigten die am wenigsten komprimierbaren Daten, der Datensatz mit topografischen Merkmalen, einen erheblichen Vorteil für den erweiterten SLIC-Algorithmus.
Diese Forschung hat wichtige Auswirkungen auf die räumliche Regionalisierung, Bildsegmentierung und Datenanalyse in Bereichen wie der Fernerkundung, wo große Datensätze hochdimensionaler und oft komplexer Daten üblich sind. Darüber hinaus unterstreichen die Ergebnisse der Autoren den Bedarf an Algorithmen, die solche Daten effizient und effektiv analysieren und bessere Ergebnisse liefern können als bestehende Methoden. Insgesamt trägt diese Studie zu den laufenden Bemühungen bei, Bildsegmentierungs- und Datenanalysetechniken für komplexe mehrdimensionale räumliche Datensätze zu verbessern.
Mehr Informationen:
Jakub Nowosad et al., Erweiterter SLIC-Superpixel-Algorithmus für Anwendungen auf nicht-bildbasierte Geodatenraster, Internationale Zeitschrift für angewandte Erdbeobachtung und Geoinformation (2022). DOI: 10.1016/j.jag.2022.102935
Zur Verfügung gestellt von der Adam-Mickiewicz-Universität