Комбинированный метод улучшения сегментации изображения
Автор: Харинов Михаил Вячеславович, Ханыков Игорь Георгиевич
Журнал: Вестник Бурятского государственного университета. Философия @vestnik-bsu
Рубрика: Информационные системы и технологии
Статья в выпуске: 9, 2015 года.
Бесплатный доступ
В статье рассматривается задача автоматической сегментации цифровых изображений посредством кусочно-постоянных приближений с ограниченным числом связных сегментов из усредненных пикселей. Решение достигается за счет комбинации глобального улучшения приближения по всему полю изображения и локального улучшения приближения по его участкам. Эффективность комбинированного метода демонстрируется на актуальном примере сегментации снимков сцены, которые сняты в различном ракурсе и объединены в одно изображение.
Изображение, приближение, сегментация, среднеквадратичное отклонение, минимизация
Короткий адрес: https://sciup.org/148183096
IDR: 148183096 | DOI: 10.18097/1994-0866-2015-0-9-118-124
Список литературы Комбинированный метод улучшения сегментации изображения
- Харинов М.В. Улучшение качества приближения цифрового изображения на основе иерархической сегментации//Вестник Бурятского государственного университета. -2014. -№ 9(3). -С. 54-57.
- Прикладная статистика: Классификация и снижение размерности/С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин. -М.: Финансы и статистика, 1989. -607 с.
- Харинов М.В. Альтернатива иерархическому методу Оцу для цветового изображения//Вестник Бурятского государственного университета. -2014. -Вып. 9. -С. 64-72.
- Ward J.H., Jr. Hierarchical grouping to optimize an objective function.//J. Am. Stat. Assoc. 1963. Vol. 58, Issue 301, pp. 236-244.
- Jain V., Turaga S.C., Briggman K., Helmstaedter M.N., Denk W., Seung H.S. Learning to agglomerate superpixel hierarchies//Advances in Neural Information Processing Systems. 2011. pp. 648-656.
- Achanta R., Shaji A., Smith K., Lucchi A., Fua P., Susstrunk S. SLIC superpixels compared to state-of-the-art superpixel methods//Pattern Analysis and Machine Intelligence. IEEE Transactions. 2012. Vol. 34(11). pp. 2274-2282.
- Mumford D., Shah J. Optimal Approximations by Piecewise Smooth Functions and Associated Variational Problems//Communications on Pure and Applied Mathematics. 1989. Vol. XLII, № 4. pp. 577-685.
- Бугаев A.C., Хельвас А.В. Поисковые исследования и разработка методов и средств анализа и автоматического распознавания потоковой информации в глобальных информационных системах. Шифр «Лацкан»//Отчет по НИР. -М.: Изд-во МФТИ, 2001. -Т. 1. -140 с.
- Crisp D.J., Tao T.C. Fast Region Merging Algorithms for Image Segmentation//The 5th Asian Conference on Computer Vision (ACCV2002). 23-25 January 2002. Melbourne, Australia. pp. 1-6.
- Dvoenko S.D. Meanless k-means as k-meanless clustering with the bi-partial approach//Pattern Recognition and Information Processing (PRIP’2014)/Proc. of the 12th Int. Conf., Minsk, 2014. pp 50-54.
- Scharstein D., Szeliski R. A taxonomy and evaluation of dense two-frame stereo correspondence algorithms//Int. Jour. Computer Vision (IJCV). -2002. -No.47 (1/2/3). -Pp.7-42. -URL: http://vision.middlebury.edu/stereo/
- Малашин P.О. Методы структурного анализа изображений трехмерных сцен: автореф. дис.. канд. техн. наук. -СПб., 2014. -22 с.