स्थानिक डोमेन:
यह मेरे लिए एक छवि प्रसंस्करण समस्या की तरह लगता है। क्लस्टरिंग विधियाँ मदद कर सकती हैं लेकिन कौन सा मीट्रिक (दूरी, भिन्नता, असन्तुलन ...) और कौन सा एल्गोरिथम (k-mean, mean-shift, EM ...) आपके मामले में सबसे उपयुक्त है जो आपकी छवि टोपोलॉजी और सुविधाओं से निर्धारित होता है। उपयोग करने जा रहे हैं। आप मध्यम और ठीक आपदाओं पर छवि द्विपक्षी को लागू कर सकते हैं। फिर अलग-अलग क्लस्टरिंग तकनीकों को देखने की कोशिश करें, जो आपके मूल माध्यम / ठीक चूहों के साथ तुलना में आपको समग्र सर्वोत्तम सटीकता प्रदान करती है। कुछ पूर्व प्रसंस्करण रणनीतियों के क्रम में-एन डी पैमाने अंतरिक्ष पदानुक्रम मदद कर सकता है। इस रिपोर्ट के अध्याय 3 में दिखाया गया एक पदानुक्रम विभाजन एल्गोरिथ्म है जिसमें आप
(1) एक स्केल स्पेस बनाएँ;
(2) हर पैमाने पर एक्स्ट्रेमा और सैडल का पता लगाएं;
(३) प्रत्येक महत्वपूर्ण बिंदु को एक निश्चित पैमाने के स्तर पर अगले स्केल स्तर पर उसके संबंधित स्थान से लिंक करें, और महत्वपूर्ण पथ खोजें;
(4) आइस-सेंस सतह खोज के आधार पर स्केल स्पेस पदानुक्रम निर्धारण।
क्लस्टरिंग विधियों के लिए जिन्हें यादृच्छिक आरंभीकरण की आवश्यकता होती है, जैसे कि k- साधन, आप पाया गया पदानुक्रम को प्रारंभिक क्लस्टर के रूप में उपयोग कर सकते हैं और आगे क्लस्टरिंग के लिए सेंट्रोइड कर सकते हैं। इसके अलावा, अपनी छवि के पात्रों के आधार पर, आप क्लस्टरिंग एल्गोरिदम में अधिक सुविधाएँ (जैसे बनावट में परिवर्तन, RGB स्थान से अन्य स्थान की जानकारी, आदि) जोड़ना चाह सकते हैं।
टेम्पोरल डोमेन
अब आपके पास अलग-अलग समय के पैमाने के साथ छवियां हैं, लेकिन एक ही संकल्प (उम्मीद है)। यदि आपकी भविष्यवाणी नौकरी महाद्वीप, तूफान, या वर्षा में से कुछ की गति का अनुमान लगाती है, तो आप कलमन फ़िल्टर के साथ गति का अनुमान लगा सकते हैं । प्रत्येक पिक्सेल के लिए गति को क्षेत्र के केन्द्रक की तुलना में उसके मीट्रिक के आधार पर संबंधित क्षेत्र (क्लस्टर) के अंदर भारित किया जा सकता है। आप अल्पकालिक समय अनुक्रम पूर्वानुमान ( अध्याय 3) के लिए तंत्रिका नेटवर्क का उपयोग कर सकते हैंइस थीसिस में)। और चूंकि कलमन ter लेटर केवल बेयस नियम को लागू करने के लिए एक विधि है, इसलिए राज्य अनुमान के लिए अधिकतम संभावना लागू की जा सकती है। राज्य-आकलन प्रक्रियाओं को पुनरावर्ती रूप से लागू किया जा सकता है। पिछले समय के कदम से आगे डायनॉमिक्स मॉडल के माध्यम से चलाया जाता है और वर्तमान समय के कदम से पहले नया हो जाता है। फिर इस अवलोकन को वर्तमान अवलोकन का उपयोग करके एक नए पोस्टीरियर में परिवर्तित किया जा सकता है। परिणामस्वरूप, ईएम जैसे पुनरावृत्ति पैरामीटर पुनर्मूल्यांकन प्रक्रियाओं का उपयोग कलमन फ़िल्टर में मापदंडों को सीखने के लिए किया जा सकता है। एक ही थीसिस के अध्याय 6 , और कलमन स्मूदी पर अध्ययन दोनों ईएम के साथ सीखने के मापदंडों पर अधिक विवरण शामिल हैं।