Сегментация изображений с помощью кластеризации
Автор: Лошкарев Алексей Сергеевич
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Новые информационные технологии
Статья в выпуске: 4 т.15, 2017 года.
Бесплатный доступ
Рассмотрены вопросы сегментации изображений, полученных при помощи систем телевизионной регистрации. В качестве объектов исследования выступают алгоритмы: метод Otsu, Adaptive Threshold, Iterative Self-Organizing Data Analysis Technique. Приводится математическое описание исследуемых методов, проведено тестирование на изображениях, которые могут быть получены с их применением. Сделан вывод о том, что при необходимости оценочной сегментации пригоден метод Otsu, тогда как в других случаях нужно использовать алгоритмы, которые показывают более точные результаты.
Сегментация, бинаризация, телевизионная регистрация, система технического зрения (стз), обнаружение объектов
Короткий адрес: https://sciup.org/140255677
IDR: 140255677 | УДК: 004.932.2 | DOI: 10.18469/ikt.2017.15.4.11
Image segmentation using clusterization
Threshold based methods are the most frequently used methods of image segmentation due to their intuitive nature and ease of implementation. In this article, we consider methods of automatic threshold selection, as well as methods for threshold adjustment in accordance with local image properties. The studies were conducted using Matlab software. Global threshold processing cannot produce the desired result if the image background is highly heterogeneous in brightness. In such cases, it is necessary to apply pre-processing to compensate for variations in background brightness, after which a global threshold transformation can be performed. One way to choose a threshold is to visually examine the image histogram. If the histogram has two distinct modes, then it is easy to choose the threshold separating them. Another approach to threshold selection is based on the trial and error method, when different thresholds are selected and checked until the result of the threshold processing satisfies the requirements.
Список литературы Сегментация изображений с помощью кластеризации
- Image Processing Toolbox // Usеr's Guide, Version 5.0.1. The Math Works, Inc., 2004. - 2 p.
- Fuzzy Logic Toolbox // Usеr's Guide, Version 2.2. The Math Works, Inc., 2004. - 5 p.
- Hyperspectral Image Analysis Toolbox 1.0 // Laboratory for Applied Remote Sensing and Image Processing, 2004. - P.4.
- Bewley A. Real-Time Volume Estimation of a Dragline Payload // IEEE International Conference on Robotics and Automation, 2011. - P.1571-1576. 5979898. DOI: 10.1109/ICRA.2011
- Basak S.C., Magnuson V.R., Niemi C.J. et al. Determining Structural Similarity of Chemicals Using Graph Theoretic Indices // Discrete Applied Mathematics. Vol. 19, 1988. - P. 17-44.
- Huth R. et al. Classifications of Atmospheric Circulation Patterns: Recent Advances and Applications // Annals of the New York Academy of Sciences. 2008. - P.105-152. DOI: 10.1196/annals.1446.019
- Achtert E., Böhm C., Kriegel H-P. et al. Finding Hierarchies of Subspace Clusters // Knowledge Discovery in Databases: PKDD 2006, 2006. - P. 446-453.
- Fowlkes E.B., Mallows C.L. A Method for Comparing Two Hierarchical Clusterings // Journal of the American Statistical Association, Vol. 78, No. 383, 1983. - P. 553-569. DOI: 10.1080/01621459.1983.10478008
- Tian Zhang, Raghu Ramakrishnan, Miron Livny. An Efficient Data Clustering Method for Very Large Databases // Proceedings of the 1996 ACM SIGMOD International Conference on Management of Data. Vol. 25, No. 2, 1996. - P. 103-114.
- Achtert E., Böhm C., Kröger P. et al. Mining Hierarchies of Correlation Clusters // Proceedings of the 18th International Conference on Scientific and Statistical Database Management (SSDBM), 2008. - P. 119-128.
