Сравнительный анализ современных алгоритмов автоматизированной сегментации изображений

##plugins.themes.bootstrap3.article.sidebar##

pdf (Українська)
Опубликован: May 29, 2012
DOI: https://doi.org/10.20535/2312-1807.2011.16.5.247555
Ключевые слова:
сегментация изображений, выделение однородных областей на изображениях, анализ качества сегментации

##plugins.themes.bootstrap3.article.main##

О.М. Лысенко
А.Ю. Варфоломеев

Аннотация

Рассмотрены алгоритмы автоматизированной сегментации на основе кластеризации по -средних, максимизации-ожидания, сдвига среднего, нормализированного пересечения графов, взвешенной агрегации, статистического объединения областей, JSEG, HGS и ROI-SEG. Представлены результаты сегментации, а также проведен анализ качества и быстродействия каждого из алгоритмов на естественном, спутниковом и содержащем текстуры изображениях

##plugins.themes.bootstrap3.article.details##

Как цитировать
Лысенко, О. ., & Варфоломеев, А. . (2012). Сравнительный анализ современных алгоритмов автоматизированной сегментации изображений. Электроника и Связь, 16(5), 37–47. https://doi.org/10.20535/2312-1807.2011.16.5.247555
Выпуск
Том 16 № 5 (2011)
Раздел
методы и средства обработки сигналов и изображений
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Авторы, публикующиеся в данном журнале, соглашаются со следующими условиями:

  1. Авторы сохраняют за собой права на авторство своей работы и предоставляют журналу право первой публикации этой работы на условиях лицензии Creative Commons Attribution License, которая позволяет другим лицам свободно распространять опубликованную работу с обязательной ссылокой на авторов оригинальной работы и оригинальную публикацию в этом журнале.
  2. Авторы сохраняют право заключать отдельные договора на неэксклюзивное распространение работы в том виде, в котором она была опубликована этим журналом (например, размещать работу в электронном архиве учреждения или публиковать в составе монографии), с условием сохраниения ссылки на оригинальную публикацию в этом журнале.
  3. Политика журнала разрешает и поощряет размещение авторами в сети Интернет (например в институтском хранилище или на персональном сайте) рукописи работы как до ее подачи в редакцию, так и во время ее редакционной обработки, так как это способствует продуктивной научной дискуссии и положительно сказывается на оперативности и динамике цитирования статьи (см. The Effect of Open Access).

Библиографические ссылки

D. Forsajt and Z. Pons., Komp'yuternoe zrenie [Computer vision], Moscow: Izdatel’skij dom «Vil’yams», 2004, p. 928.

D. Comaniciu and P. Meer, “Mean shift: a robust approach toward feature space analysis”, IEEE Trans. Pattern Anal. Machine Intell., vol. 24, no. 5, pp. 603–619, May 2002. DOI: 10.1109/34.1000236

J. Shi and J. Malik, “Normalized cuts and image segmentation”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 8, pp. 888–905, Aug. 2000. DOI: 10.1109/34.868688

M. Galun, E. Sharon, R. Basri, and A. Brandt, “Texture segmentation by multiscale aggregation of filter responses and shape elements”, in Proceedings Ninth IEEE International Conference on Computer Vision, Nice, France, 2003, vol. 1, pp. 716–723. DOI:10.1109/ICCV.2003.1238418

R. Nock and F. Nielsen, “Statistical region merging”, IEEE Trans. Pattern Anal. Machine Intell., vol. 26, no. 11, pp. 1452–1458, Nov. 2004. DOI: 10.1109/TPAMI.2004.110

Y. Deng and B. Manjunath, “Unsupervised segmentation of color-texture regions in images and video”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 23, no. 8, pp. 800–810, Aug. 2001. DOI: 10.1109/34.946985

M. A. Hoang, J.-M. Geusebroek, and A. W. M. Smeulders, “Color Texture Measurement and Segmentation”, Signal Processing, vol. 85, no. 2, pp. 265–275, 2005.

J. Matas, O. Chum, M. Urban, and T. Pajdla, “Robust Wide Baseline Stereo from Maximally Stable Extremal Regions”, in Procedings of the British Machine Vision Conference 2002, Cardiff, 2002, pp. 36.1–36.10.

M. Donoser and H. Bischof, “ROI-SEG: Unsupervised Color Segmentation by Combining Differently Focused Sub Results”, in 2007 IEEE Conference on Computer Vision and Pattern Recognition, Minneapolis, MN, USA, 2007, pp. 1–8. DOI:10.1109/CVPR.2007.383231

A. Hoover, “An experimental comparison of range image segmentation algorithms”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 18, no. 7, pp. 673–689, Jul. 1996. DOI: 10.1109/34.506791

S. Lloyd, “Least squares quantization in PCM”, IEEE Transactions on Information Theory, vol. 28, no. 2, pp. 129–137, Mar. 1982. DOI: 10.1109/TIT.1982.1056489

A. Bhattacharyya, “On a measure of divergence between two statistical populations defined by their probability distributions”, Bulletin of the Calcutta Mathematical Society, no. 35, pp. 99–109, 1943.

The Prague Texture Segmentation Datagenerator and Benchmark. http://mosaic.utia.cas.cz/index.php 19.05.2011

The Berkeley Segmentation Dataset and Benchmark. http://www.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/ – 19.05.2011

http://maps.yandex.ru/ 19.05.2011