Підвищення завадостійкості методу зсуву середнього при сегментації кольорових зображень
Основний зміст сторінки статті
Анотація
Розроблено модифікований метод зсуву середньої сегментації кольорових зображень. Він ґрунтується на багатоетапному уточненні центрів кластерів ознакового простору за допомогою адаптивного вибору ширини парзенівського вікна при непараметричному оцінюванні. Це дозволило сегментувати кольорові зображення з високою стійкістю до перешкод.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
R. Gonzalez and R. Woods, Digital processing of images, Moscow: Tekhnosfera, 2005, p. 1072.
M. Herbin, N. Bonnet, and P. Vautrot, “A clustering method based on the estimation of the probability density function and on the skeleton by influence zones. Application to image processing”, Pattern Recognition Letters, vol. 17, no. 11, pp. 1141–1150, Sep. 1996. DOI:10.1016/0167-8655(96)00085-2
I. Mandel, Cluster analysis, Moscow: Finance and statistics, 1988, p. 176.
A. Touzani and J.-G. Postaire, “Clustering by mode boundary detection”, Pattern Recognition Letters, vol. 9, no. 1, pp. 1–12, Jan. 1989. DOI:10.1016/0167-8655(89)90022-6
R. Wilson and M. Spann, “A new approach to clustering”, Pattern Recognition, vol. 23, no. 12, pp. 1413–1425, Jan. 1990. DOI:10.1016/0031-3203(90)90087-2
D. Comaniciu, “An algorithm for data-driven bandwidth selection”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 25, no. 2, pp. 281–288, Feb. 2003. DOI:10.1109/TPAMI.2003.1177159
E. Stolnits, T. DeRose, and D. Salesin, Wavelets in computer graphics, Izhevsk: NITs RKhD, 2002, p. 272.
D. Comaniciu and P. Meer, “Mean shift: a robust approach toward feature space analysis”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 5, pp. 603–619, May 2002. DOI:10.1109/34.1000236
M. Aoki, Introduction to Optimization Methods: Fundamentals and Applications of Nonlinear Programming, Moscow: Nauka, 1977, p. 344.
R. Duda and P. Hart, Pattern Recognition and Scene Analysis, Moscow: Mir, 1978, p. 510.
W. Pratt and D. Lebedev, Digital Image Processing: In 2 volumes, vol. 2. Moscow: Mir, 1982, p. 790.
V. Abakumov, V. Krylov, and S. Antoshchuk, “Increasing the efficiency of processing image information in automatedsystems”, Electronics and Communications, no. Part 1, pp. 100–105, 2005.
