Непараметрическое оценивание количества классов, отличающихся средней яркостью, на тепловизионных изображениях

Автор: Галянтич А.Н., Райфельд М.А.

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 5 т.47, 2023 года.

Бесплатный доступ

При синтезе алгоритмов автоматической пороговой сегментации изображений по яркостному признаку важной информацией является количество яркостных классов и, как следствие, проблема определения числа порогов. Решение задачи оценивания количества классов на изображении может базироваться на представлении его распределения в виде смеси распределений яркостных классов с неизвестными априорными вероятностями либо оценке количества мод гистограмм. При этом известно, что задача расщепления смеси имеет решение лишь для некоторых видов распределений, а моды гистограммы не всегда различимы. В общем случае, когда распределения яркостных классов неизвестны, возникают трудности применения указанных методов. В статье предлагается непараметрический подход к определению количества классов, отличающихся средней яркостью, основанный на ранговых гистограммах и использующий свойство локальной пространственной группировки элементов каждого яркостного класса на изображении.

Еще

Сегментация изображений, непараметрический алгоритм, гистограмма рангов, собственные числа, ортогонализация грамма-шмидта, метод главных компонент

Короткий адрес: https://sciup.org/140301847

IDR: 140301847   |   DOI: 10.18287/2412-6179-CO-1284

Список литературы Непараметрическое оценивание количества классов, отличающихся средней яркостью, на тепловизионных изображениях

  • Chochia PA. Image segmentation based on analysis of distances in feature space. Optoelectron Instrum Data Process 2015; 50(6): 613-624. DOI: 10.3103/S8756699014060107.
  • Aivazyan SA, Buchstaber VM, Yenyukov IS, Meshalkin LD. Applied statistics: classification and reduction of dimensionality. Moscow: "Finansy i Statistica" Publisher; 1989. ISBN: 5-297-00054-X.
  • Sezgin M, Sankur B. Survey over image thresholding techniques and quantitative performance evaluation. J Electron Imaging 2004, 13(1): 146-168. DOI: 10.1117/1.1631315.
  • Kittler J, Illingworth J. Minimum error thresholding. Pattern Recogn 1986, 19(1): 41-47. DOI: 10.1016/0031-3203(86)90030-0.
  • Devijver PA, Kittler J. Pattern recognition: A statistical approach. Englewood Cliffs, NJ: Prentice Hall; 1982.
  • Akaike H. A new look at the statistical model identification. IEEE Trans Automat Contr 1974, 6(1): 716-723. DOI: 10.1109/TAC.1974.1100705.
  • Schwarz G. Estimating the dimension of a model. Annals of Statistics 1978, 6(2): 461-464. DOI: 10.1214/AOS/1176344136.
  • Podrezov RV, Raifeld MA. Nonparametric method of estimating number of classes in image segmentation. Optoe-lectron Instrum Data Process 2020; 56(3): 280-287.
  • Andrukovich PF. Application of the principal component method in practical research. Moscow: "Izdatel'stvo mos-kovskogo universiteta" Publisher; 1973.
  • James AT. The distribution of the latent roots of the covar-iance matrix. Ann Math Statist 1960; 31(1): 151-158. DOI: 10.1214/aoms/1177705994.
  • Anderson GA. An asymptotic expansion for the distribution of the latent roots of the estimated covariance matrix. Ann Math Statist 1965; 36(4): 1153-1173. DOI: 10.1214/aoms/1177699989.
  • Kim J-O, Mueller CW. Factor analysis: Statistical methods and practical issues. Newbury Park, CA: Sage Publications Inc; 1978. ISBN: 978-0-8039-1166-6.
  • Cangelosi R, Goriely A. Component retention in principal component analysis with application to cDNA microarray data. Biology Direct 2007; 2: 2.
  • Akaike H. A Bayesian analysis of the minimum AIC procedure. Ann Inst Statist Math 1978; 30(A): 9-14. DOI: 10.1007/BF02480194.
  • Korolev VY. EM-algorithm, its modifications and their application to the problem of separation of mixtures of probability distributions. Moscow: IPI RAN Publisher; 2007.
Еще
Статья научная