The accuracy of contextual classifier can be improved when its context distribution is properly estimated. Current methods of estimating context distribution function are "classify-and-count" method, GTGM (ground-truth-guided-method), and unbiased estimator etc..
In this thesis we suggest NSCC (NonStationary Contextual Classifier) whose context distribution is substituted for context probability which is estimated from transition probability. It is shown that by substituting context distribution for context probability the classification accuracy increases considerably much more than classical method. For estimating context probability from transition probability context probability is nonstationary in spatial domain, i.e., it varies at each pixel.
As an unsupervised classification pyramid image segmentation method is introduced and its theoretical basis is presented. The expansion of pyramid image segmentation method to two band case is studied for the multispectral image data.
Pseudo color image is made from nonstationary contextual classifier and pyramid segmentation method. And its application to edge detection and area-perimeter calculation is described.
The performances of above methods are compared with those of classical methods by experimental results.
Contextual classifier 는 context distribution 을 어떻게 구하느냐에 따라 그 정확도가 결정된다. 본 논문에서는 Context distribution을 Spatial domain 에서 nonstationary 하게 구할 수 있는 방법을 제시하며 실험을 통해 그 방법의 우월성을 입증했다.
또한 training sample 이 없는 경우의 영상 분할 방법인 Pyramid Se gmentation 의 위성 영상에 대한 적용과 변형을 다루었으며 위의 두가지 방법으로 부터 얻어진 pseudo color image 로 부터 경계선을 구하고 각 Class별 면적 및 둘레를 구할 수 있는 방법에 대해 연구 하였다.
위의 방법들은 data의 량과 계산이 복잡하나 VLSL 기술의 발달과 parallel processing 등을 적절히 사용하면 높은 정확도가 요구되는 분야에 적절히 사용 될 수 있다.
