Оптимизация кусочно-постоянного приближения сегментированного изображения
Ключевые слова:
кластеры пикселей, сегменты изображения, кусочно-постоянное приближение, оценка качества, оптимизация, среднеквадратическое отклонениеАннотация
В статье анализируется проблема сегментации цветового изображения, аппроксимируемого кусочно-постоянными приближениями. Качество сегментации оценивается по классическому среднеквадратичному отклонению (СКО) пикселей приближения от пикселей изображения. Обсуждаются современные версии классических методов кластеризации пикселей изображения посредством минимизации СКО или суммарной квадратичной ошибки. Описываются четыре основные операции с кластерами пикселей и критерии их выполнения для построения оптимизированных приближений. Предлагаются варианты алгоритма преобразования приближения изображения, которые при неизменном числе сегментов обеспечивают оптимизацию приближения как по СКО, так и по зрительному восприятию.Литература
1. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности // М.: Финансы и статистика. 1989. 607 с.
2. Мандель И.Д. Кластерный анализ // М.: Финансы и статистика. 1988. 176 с.
3. Wang Z., Bovik A. C., Sheikh H. R., Simoncelli E. P. Image quality assessment: From error visibility to structural similarity // IEEE Transactions on Image Processing, Apr. 2004. vol. 13. no. 4. pp. 600–612.
4. Blasch E., Li X., Chen G., Li W. Image Quality Assessment for Performance Evaluation of Image Fusion // Int. IEEE Conf. on Information Fusion. 2008. pp. 583–588.
5. Redding N.J., Crisp D.J., Tang D.H., Newsam G.N. An efficient algorithm for Mumford–Shah segmentation and its application to SAR imagery // Proc. Conf. Digital Image Computing Techniques and Applications (DICTA’99). 1999. pp. 35–41.
6. Харинов М.В. Обобщение трех подходов к оптимальной сегментации цифрового изображения // Труды СПИИРАН. 2013. Вып. 2(25). С. 294–316.
7. Ward J.H., Jr. Hierarchical grouping to optimize an objective function. // J. Am. Stat. Assoc. 1963. vol. 58. Issue 301. pp. 236–244.
8. Mumford D., Shah J. Boundary detection by minimizing functionals, I // Proc. IEEE Comput. Vision Patt. Recogn. Conf., San Francisco. 1985. pp. 22–26.
9. Koepfler G., Lopez C., Morel J. A Multiscale Algorithm for Image Segmentation by Variational Method // SIAM Journal on Numerical Analysis. vol. 31. no 1. 1994. pp. 282–299.
10. Crisp D.J., Tao T.C. Fast Region Merging Algorithms for Image Segmentation // The 5th Asian Conf. on Computer Vision (ACCV2002). Melbourne. Australia. 2002. pp. 1–6.
11. Бугаев А.C., Хельвас А.В. Поисковые исследования и разработка методов и средств анализа и автоматического распознавания потоковой информации в глобальных информационных системах. Шифр «Лацкан». Отчет по НИР // М.: МФТИ. 2001. Т. 1. 140 с.
12. Харинов М.В. Альтернатива иерархическому методу Оцу для цветового изображения // Вестник Бурятского государственного университета. Улан-Удэ: Изд-во Бурятского госуниверситета. 2014. №9. С. 64–72.
13. Dvoenko S.D. Meanless k-means as k-meanless clustering with the bi-partial approach // Pattern Recognition and Information Processing (PRIP’2014) // Proc. of the 12th Int. Conf. Minsk. 2014. pp. 50–54.
14. Jain A.K. Data Clustering: 50 Years Beyond K–Means // Pattern Recognition Letters, vol. 31. no. 8. 2010. pp. 651–666.
15. Чочиа П.А. Пирамидальный алгоритм сегментации изображения // Информационные процессы. 2010. Т. 10. № 1. С. 23–35.
16. Александров В.В., Горский Н.Д. Представление и обработка изображений. Рекурсивный подход. Л.: Наука. 1985. 190 с.
17. Marfil R., Sandoval F. Energy-Based Perceptual Segmentation Using an Irregular Pyramid // Bio-Inspired Systems: Computational and Ambient Intel-ligence. Springer–Verlag: Berlin/Heidelberg. 2009. LNCS 5517. pp. 424–431.
18. Гнидко К.О., Ломако А.Г., Жолус Р.Б. Обнаружение визуальных контаминантов на основе вычисления перцептивного хэша //Труды СПИИРАН. 2015. Т. 2. № 39. С. 193–211.
19. Tarjan R.E. Efficiency of a Good But Not Linear Set Union Algorithm // Journal of the ACM Vol. 22 (2). 1975. pp. 215–225.
20. Sleator D.D., Tarjan R.E. Self–Adjusting Binary Search Trees // Journal of the ACM vol. 32 (3). 1985. pp. 652–686.
21. Nock R., Nielsen F. Statistical Region Merging // IEEE Trans. Pattern Anal. Mach. Intell. vol. 26(11). 2004. pp. 1452–1458.
22. Осипов В.Ю. Аналоговые ассоциативные интеллектуальные системы // Труды СПИИРАН. 2013. Т. 7. № 30. С. 141–155.
23. Toffoli T. Reversible computing // Springer Berlin Heidelberg. 1980. pp. 632–644.
24. Визильтер Ю.В., Желтов С.Ю. Проблемы технического зрения в современных авиационных системах // Механика, управление и информатика. 2011. №6. С. 11–44.
25. Probabilistic Programming for Advancing Machine Learning (PPALM). URL: http://www.darpa.mil/our_work/i2o/programs/probabilistic_programming_for_advanced_machine_learning_(ppaml).aspx (дата обращения: 2015-04-24)
2. Мандель И.Д. Кластерный анализ // М.: Финансы и статистика. 1988. 176 с.
3. Wang Z., Bovik A. C., Sheikh H. R., Simoncelli E. P. Image quality assessment: From error visibility to structural similarity // IEEE Transactions on Image Processing, Apr. 2004. vol. 13. no. 4. pp. 600–612.
4. Blasch E., Li X., Chen G., Li W. Image Quality Assessment for Performance Evaluation of Image Fusion // Int. IEEE Conf. on Information Fusion. 2008. pp. 583–588.
5. Redding N.J., Crisp D.J., Tang D.H., Newsam G.N. An efficient algorithm for Mumford–Shah segmentation and its application to SAR imagery // Proc. Conf. Digital Image Computing Techniques and Applications (DICTA’99). 1999. pp. 35–41.
6. Харинов М.В. Обобщение трех подходов к оптимальной сегментации цифрового изображения // Труды СПИИРАН. 2013. Вып. 2(25). С. 294–316.
7. Ward J.H., Jr. Hierarchical grouping to optimize an objective function. // J. Am. Stat. Assoc. 1963. vol. 58. Issue 301. pp. 236–244.
8. Mumford D., Shah J. Boundary detection by minimizing functionals, I // Proc. IEEE Comput. Vision Patt. Recogn. Conf., San Francisco. 1985. pp. 22–26.
9. Koepfler G., Lopez C., Morel J. A Multiscale Algorithm for Image Segmentation by Variational Method // SIAM Journal on Numerical Analysis. vol. 31. no 1. 1994. pp. 282–299.
10. Crisp D.J., Tao T.C. Fast Region Merging Algorithms for Image Segmentation // The 5th Asian Conf. on Computer Vision (ACCV2002). Melbourne. Australia. 2002. pp. 1–6.
11. Бугаев А.C., Хельвас А.В. Поисковые исследования и разработка методов и средств анализа и автоматического распознавания потоковой информации в глобальных информационных системах. Шифр «Лацкан». Отчет по НИР // М.: МФТИ. 2001. Т. 1. 140 с.
12. Харинов М.В. Альтернатива иерархическому методу Оцу для цветового изображения // Вестник Бурятского государственного университета. Улан-Удэ: Изд-во Бурятского госуниверситета. 2014. №9. С. 64–72.
13. Dvoenko S.D. Meanless k-means as k-meanless clustering with the bi-partial approach // Pattern Recognition and Information Processing (PRIP’2014) // Proc. of the 12th Int. Conf. Minsk. 2014. pp. 50–54.
14. Jain A.K. Data Clustering: 50 Years Beyond K–Means // Pattern Recognition Letters, vol. 31. no. 8. 2010. pp. 651–666.
15. Чочиа П.А. Пирамидальный алгоритм сегментации изображения // Информационные процессы. 2010. Т. 10. № 1. С. 23–35.
16. Александров В.В., Горский Н.Д. Представление и обработка изображений. Рекурсивный подход. Л.: Наука. 1985. 190 с.
17. Marfil R., Sandoval F. Energy-Based Perceptual Segmentation Using an Irregular Pyramid // Bio-Inspired Systems: Computational and Ambient Intel-ligence. Springer–Verlag: Berlin/Heidelberg. 2009. LNCS 5517. pp. 424–431.
18. Гнидко К.О., Ломако А.Г., Жолус Р.Б. Обнаружение визуальных контаминантов на основе вычисления перцептивного хэша //Труды СПИИРАН. 2015. Т. 2. № 39. С. 193–211.
19. Tarjan R.E. Efficiency of a Good But Not Linear Set Union Algorithm // Journal of the ACM Vol. 22 (2). 1975. pp. 215–225.
20. Sleator D.D., Tarjan R.E. Self–Adjusting Binary Search Trees // Journal of the ACM vol. 32 (3). 1985. pp. 652–686.
21. Nock R., Nielsen F. Statistical Region Merging // IEEE Trans. Pattern Anal. Mach. Intell. vol. 26(11). 2004. pp. 1452–1458.
22. Осипов В.Ю. Аналоговые ассоциативные интеллектуальные системы // Труды СПИИРАН. 2013. Т. 7. № 30. С. 141–155.
23. Toffoli T. Reversible computing // Springer Berlin Heidelberg. 1980. pp. 632–644.
24. Визильтер Ю.В., Желтов С.Ю. Проблемы технического зрения в современных авиационных системах // Механика, управление и информатика. 2011. №6. С. 11–44.
25. Probabilistic Programming for Advancing Machine Learning (PPALM). URL: http://www.darpa.mil/our_work/i2o/programs/probabilistic_programming_for_advanced_machine_learning_(ppaml).aspx (дата обращения: 2015-04-24)
Опубликован
2015-06-15
Как цитировать
Харинов, М. В., & Ханыков, И. Г. (2015). Оптимизация кусочно-постоянного приближения сегментированного изображения. Труды СПИИРАН, 3(40), 183-202. https://doi.org/10.15622/sp.40.12
Раздел
Статьи
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
