Система признаков для расширенного суперпиксельного представления изображений

Система признаков для расширенного суперпиксельного представления изображений

Автор: Егорова Анна Александровна, Сергеев Владислав Викторович

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 4 т.45, 2021 года.

Бесплатный доступ

Как правило, при решении прикладных задач анализа и обработки изображений на основе суперпиксельного представления используется малый набор признаков суперпикселей. Расширение описания суперпикселей может повысить качество обрабатывающих алгоритмов. В статье предлагается набор из 25 базовых признаков суперпикселей, характеризующих их форму, яркость, геометрические параметры и положение на плоскости. Предлагаемые признаки отвечают требованиям низкой сложности вычисления в процессе сегментации изображения и достаточности для решения широкого класса прикладных задач. На их основе представлена модификация известного подхода к формированию суперпикселей, которая заключается в быстрой первичной суперпиксельной сегментации изображения со строгим предикатом однородности, обеспечивающим получение суперпикселей, с высокой точностью сохраняющих информацию исходного растрового изображения, и последующем укрупнении суперпикселей при более мягких предикатах однородности. Экспериментально показано, что такой подход позволяет существенно сократить число элементов изображения, что способствует снижению сложности обрабатывающих алгоритмов, а расширенные суперпиксели более точно соответствуют содержательным областям изображения.

Еще

Суперпиксельная сегментация, признак, моментные инварианты, полиномиальная аппроксимация

Короткий адрес: https://sciup.org/140290251

IDR: 140290251   |   DOI: 10.18287/2412-6179-CO-876

Список литературы Система признаков для расширенного суперпиксельного представления изображений

  • Введение в цифровую обработку изображений / Л.П. Ярославский. - М.: Сов. радио, 1979. - 312 с.
  • Pratt, W.K Digital image processing / W.K. Pratt. - 4th ed. -Hoboken, NJ: John Wiley & Sons, Inc., 2007. - 812 p.
  • Обработка изображений в автоматизированных системах научных исследований / В.А. Виттих, В.В. Сергеев, В .А. Сойфер. - М.: Наука, 1982. - 214 с.
  • Алгоритмы машинной графики и обработки изображений / Т. Павлидис. - М.: Радио и связь, 1986. - 400 с.
  • Методы компьютерной обработки изображений / М.В. Гашников и др.; под ред. В.А. Сойфера. - Изд. 2-е, испр. - М.: Физматлит, 2003. - 784 с.
  • Gonzalez, R.C. Digital image processing / R.C. Gonzalez, R.E. Woods. - London: Pearson, 2018. - 1168 p.
  • Achanta, R. SLIC superpixels compared to state-of-the-art superpixel methods / Achanta [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2012. -Vol. 34, Issue 11. - P. 2274-2282.
  • Stutz, D. Superpixels: An evaluation of the state-of-the-art / D. Stutz, A. Hermans, B. Leibe // Computer Vision and Image Understanding. - 2018. - Vol. 166. - P. 1-27.
  • Felzenszwalb, P.F. Efficient graph-based image segmentation / P.F. Felzenszwalb, D.P. Huttenlocher // International Journal of Computer Vision. - 2004. - Vol. 59, Issue 2. -P. 167-181.
  • Vedaldi, A. Quick shift and kernel methods for mode seeking / A. Vedaldi, S. Soatto // Proceedings of the European Conference on Computer Vision. - 2008. - P. 705-718.
  • Levinshtein, A. Turbopixels: Fast superpixels using geometric flows / A. Levinshtein [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2009. -Vol. 31, Issue 12. - P. 2290-2297.
  • Veksler, O. Superpixels and supervoxels in an energy optimization framework / O. Veksler, Y. Boykov, P. Mehrani. - In: Computer Vision - ECCV 2010 / ed. by K. Daniilidis, P. Maragos, N. Paragios. - Berlin, Heidelberg: SpringerVerlag, 2010. - P. 211-224.
  • Блохинов, Ю.Б. Разработка алгоритма семантической сегментации аэрофотоснимков реального времени / Ю.Б. Блохинов, В.А. Горбачев, Ю.О. Ракутин, А. Д. Никитин // Компьютерная оптика. - 2018. - Т. 42, № 1. - С. 141-148. - DOI: 10.18287/2412-6179-2018-42-1141-148.
  • Liu, M. Entropy rate superpixel segmentation / M. Liu [et al.] // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. - 2011. - P. 2097-2104.
  • Wang, J. VCells: Simple and efficient superpixels using edge-weighted centroidal Voronoi tessellations / J. Wang, X. Wang // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2012. - Vol. 34, Issue 6. - P. 1241-1247.
  • Conrad, C. Contour-relaxed superpixels / C. Conrad, M. Mertz, R. Mester. - In: Energy minimization methods in computer vision and pattern recognition / ed. by A. Heyden, F. Kahl, C. Olsson, M. Oskarsson, X.-C. Tai. - Heidelberg: Springer, 2013. - P. 280-293.
  • Shen, J. Lazy random walks for superpixel segmentation / J. Shen, Y. Du, W. Wang, X. Li // IEEE Transactions on Image Processing. - 2014. - Vol. 23, Issue 4. - P. 1451-1462.
  • Neubert, P. Compact watershed and preemptive SLIC: On improving trade-offs of superpixel segmentation algorithms / P. Neubert, P. Protzel // 2014 22nd International Conference on Pattern Recognition. - 2014. - P. 996-1001.
  • Van den Bergh, M. SEEDS: Superpixels extracted via energy-driven sampling / M. Van den Bergh [et al.] // International Journal of Computer Vision. - 2015. - Vol. 111, Issue 3. - P. 298-314.
  • Li, Z. Superpixel segmentation using linear spectral clustering / Z. Li, J. Chen // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). - 2015. - P. 1356-1363.
  • Wei, X. Superpixel hierarchy / X. Wei [et al.] // IEEE Transactions on Image Processing. - 2018. - Vol. 27, Issue 10. - P. 4838-4849.
  • Fu, K. A survey on image segmentation / K. Fu, J. Mui // Pattern Recognition. - 1981. - Vol. 13, Issue 1. - P. 3-16.
  • Денисов, Д.А. Сегментация изображений на ЭВМ / Д.А. Денисов, В.А. Низовкин // Зарубежная радиоэлектроника. - 1985. - № 10. - C. 5-31.
  • Haralick, R. Image segmentation techniques / R. Haralick, L. Shapiro // Computer Vision, Graphics and Image Processing. - 1985. - Vol. 29. Issue 2. - P. 100-132.
  • Pal, N. A review on image segmentation techniques / N. Pal, S. Pal // Pattern Recognition. - 1993. - Vol. 26, Issue 9. - P. 1277-1294.
  • Mehnert, A. An improved seeded region growing algorithm / A. Mehnert, O. Jackway // Pattern Recognition Letters. -1997. - Vol. 18, Issue 10. - P. 1065-1071.
  • Чукин, Ю.В. Структуры данных для представления изображений / Ю.В. Чукин // Зарубежная радиоэлектроника. - 1983. - № 8. - С. 35-47.
  • Wang, M. Superpixel segmentation: A benchmark / M. Wang [et al.] // Signal processing: Image Communication. - 2017. - Vol. 56. - P. 28-39.
  • Neubert, P. Superpixel benchmark and comparison / P. Neubert, P. Protzel // Forum Bildverarbeitung. - 2012. -P. 1-12.
  • Schick, A. An evaluation of the compactness of superpixels / A. Schick, M. Fischer, R. Stiefelhagen // Pattern Recognition Letters. - 2014. - Vol. 43. - P. 71-80.
  • Schick, A. Measuring and evaluating the compactness of superpixels / A. Schick, M. Fischer, R. Stiefelhagen // Proceedings of the International Conference on Pattern Recognition. - 2012. - P. 930-934.
  • Сергеев, В.В. Имитационная модель изображения и метод сжатия данных / В.В Сергеев, В.А Сойфер // Автоматика и вычислительная техника. - 1978. - Т. 12, № 3. - С. 76-78.
  • Сергеев, В.В. Метод сжатия видеоданных с использованием критерия равномерного приближения / В. В Сергеев // Вопросы кибернетики. Кодирование и передача информации в вычислительных сетях. - 1978. - № 42. - С. 146-149.
  • Csillik, O. Fast segmentation and classification of very high resolution remote sensing data using SLIC superpixels / O. Csillik // Remote Sensing. - 2017. - Vol. 9, Issue 3. - P. 1-19.
  • Li, S. Multi-scale superpixel spectral-spatial classification of hyperspectral images / S. Li [et al.] // International Journal of Remote Sensing. - 2016. - Vol. 37, Issue 20. -P. 4905-4922.
  • Левчук, В.А. Методика количественного описания биомедицинских изображений на основе словарей суперпикселов / В.А. Левчук, В.А. Ковалев // Информатика. - 2016. - Т. 1. - С. 49-57.
  • Lucks, L. Superpixel-wise assessment of building damage from aerial images / L. Lucks [et al.] // Proceedings of the 14th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications. - 2019. - Vol. 4. - P. 211-220.
  • Gould, S. Multi-class segmentation with relative location prior / S. Gould [et al.] // International Journal of Computer Vision. - 2008. - Vol. 80. - P. 300-316.
  • Barnard, K. Matching words and pictures / K. Barnard [et al.] // Journal of Machine Learning Research. - 2003. -Vol. 3, Issue 2. - P. 1107-1135.
  • Hoiem, D. Geometric context from a single image / D. Hoiem, A.A. Efros, M. Hebert // Tenth IEEE International Conference on Computer Vision (ICCV'05). - 2005. - Vol. 1. - P. 654-661.
  • Tighe, J. SuperParsing: Scalable nonparametric image parsing with superpixels / J. Tighe, S. Lazebnik // International Journal of Computer Vision. - 2010. - Vol. 101, Issue 2. - P. 352-365.
  • Malisiewicz, T. Recognition by association via learning per-exemplar distances / T. Malisiewicz, A.A. Efros // 2008 IEEE Conference on Computer Vision and Pattern Recognition. - 2008. - P. 1-8.
  • Hoiem, D. Recovering occlusion boundaries from a single image / D. Hoiem [et al.] // 2007 IEEE 11th International Conference on Computer Vision. - 2007. - P. 1-8.
  • Cheng, J. Superpixel classification for initialization in model based optic disc segmentation / J. Cheng, J. Liu, Y. Xu // Annual International Conference of the IEEE Engineering in Medicine and Biology Society. - 2012. - P. 1450-1453.
  • Pont-Tuset, J. Multiscale combinatorial grouping for image segmentation and object proposal generation / J. Pont-Tuset [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2016. - Vol. 39, Issue 1. - P. 128-140.
  • Ильясова, Н.Ю. Алгоритмы автоматической кластеризации изображения микрочастиц / Н.Ю. Ильясова, А.В. Устинов, А.Г. Храмов // Компьютерная оптика. -1993. - Вып. 13. - С. 39-46.
  • Абрамов, Н.С. Распознавание на основе инвариантных моментов / Н.С. Абрамов, В.М. Хачумов // Вестник РУДН. Серия Математика. Информатика. Физика. -2014. - № 2. - C. 142-149.
  • Распознавание и цифровая обработка изображений / Б.В. Анисимов, В.Д. Курганов, В.К. Злобин. - М.: Высшая школа, 1983. - 295 с.
  • Hu, M.K. Visual pattern recognition by moment invariants / M.K. Hu // IRE Transactions on Information Theory. -1962. - Vol. 8, Issue 2. - P. 179-187.
  • Maitra, S. Moment invariants / S. Maitra // Proceedings of the IEEE. - 1979. - Vol. 67, Issue 4. - P. 697-699.
  • Глумов, Н.И. Построение и применение моментных инвариантов для обработки изображений в скользящем окне / Н.И. Глумов // Компьютерная оптика. - 1995. -Вып. 14-15, Часть 1. - С. 46-54.
  • Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений / А.Ю. Линник. - М.: Физматлит, 1962. - 349 c.
  • Liu, T. Image segmentation using hierarchical merge tree / T. Liu, M. Seyedhosseini, T. Tasdizen // IEEE Transactions on Image Processing. - 2016. - Vol. 25, Issue 10. -P. 4596-4607.
  • Setyanto, A. Hierarchical visual content modelling and query based on trees / A. Setyanto, J. Woods // Electronic Letters on Computer Vision and Image Analysis. - 2016. -Vol. 15, Issue 2. - P. 40-42.
  • Jiao, X. An unsupervised image segmentation method combining graph clustering and high-level feature representation / X. Jiao, Y. Chen, R. Dong // Neurocomputing. - 2020. -Vol. 409. - P. 83-92.
  • Galväo, F.L. Image segmentation using dense and sparse hierarchies of superpixels / F.L. Galväo [et al.] // Pattern Recognition. - 2020. - Vol. 108. - P. 1-14.
  • Treméau, A. Regions adjacency graph applied to color image segmentation / A. Treméau, P. Colantoni // IEEE Transactions on Image Processing. - 2000. - Vol. 9, Issue 4. - P. 735-744.
  • Harary, F. Graph theory / F. Harary. - Boston: Addison-Wesley, 1971. - 274 p.
  • Ren, Z. Image Segmentation by cascaded region agglomeration / Z. Ren, G. Shakhnarovich // 2013 IEEE Conference on Computer Vision and Pattern Recognition. - 2013. -P. 2011-2018.
  • Wang, K. End-to-end trainable network for superpixel and image segmentation / K. Wang, L. Li, J. Zhang // Pattern Recognition Letters. - 2020. - Vol. 140. - P. 135-142.
  • Chang, K. Machine learning based image segmentation / K. Chang. - Paris: Université PSL, 2019. - 153 p.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp