Повышение помехоустойчивости метода сдвига среднего при сегментации цветных изображений
##plugins.themes.bootstrap3.article.main##
Аннотация
Разработан модифицированный метод сдвига среднего сегментации цветных изображений. Он основан на многоэтапном уточнении центров кластеров признакового пространства с помощью адаптивного выбора ширины парзеновского окна при непараметрическом оценивании. Это позволило сегментировать цветные изображения с высокой помехоустойчивостью
##plugins.themes.bootstrap3.article.details##
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, публикующиеся в данном журнале, соглашаются со следующими условиями:- 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.
- 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.
- 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
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.
