Вестник БГУ. Математика, информатика
Библиографическое описание:
МЕТОДИКА УСКОРЕНИЯ КЛАССИЧЕСКОГО МЕТОДА УОРДА ДЛЯ КЛАСТЕРИЗАЦИИ ПИКСЕЛЕЙ ИЗОБРАЖЕНИЯ // Вестник БГУ. Математика, информатика. - 2018. №3. . - С. 60-71.
Заглавие:
МЕТОДИКА УСКОРЕНИЯ КЛАССИЧЕСКОГО МЕТОДА УОРДА ДЛЯ КЛАСТЕРИЗАЦИИ ПИКСЕЛЕЙ ИЗОБРАЖЕНИЯ
Финансирование:
Коды:
Аннотация:
Сегментация относится к стадии предварительной обработки изображений. От ее результатов зависит дальнейшее выделение объектов, распознавание признаков, анализа сцен и прогнозирования ситуаций. К современным алгоритмам сегментации предъявляют требования: отказ от использования априорной информации, наличие функционала качества для оценки результата, варьируемое число сегментов в разбиении исходного изображения, линейная вычислительная сложность и адекватность результатов сегментации. Среди методов кластерного анализа, удовлетворяющих большинству из приведенных требований, подходящим является метод Уорда. Однако его высокая вы- числительная сложность препятствует его прямому применению. Цель ис- следования заключается в поиске способа преодоления чрезмерно высокой вычислительной сложности классического метода Уорда. Методы: сопостав- ляются классические методы кластерного анализа, удовлетворяющие акту- альным требованиям к современным алгоритмам сегментации изображений. Обосновывается выбор классического метода Уорда. Приводятся его достоинства и недостатки. Описывается применение идеи обратимых операций в обработке изображений. Результаты: приводится ряд отдельных модификаций вычислительного процесса метода Уорда. Предлагается типовая блок- схема последовательности алгоритмов, позволяющая обойти проблему вычислительной сложности, характерную для метода Уорда. Приводятся экспериментальные результаты по улучшению качества традиционной сегментации. Практическая значимость: предлагаемая схема позволяет обойти проблему вычислительной сложности за счет разделения процесса обработки на три последовательных этапы. Схема пригодна к улучшению качества любой традиционной сегментации.
Ключевые слова:
кластерные методы; иерархическая сегментация изображений; метод Уорда; обратимые вычисления; улучшение качества изображения.
Список литературы:
Поршнев С. В., Левашкина А. О. Универсальная классификация алгорит- мов сегментации изображений // Журнал научных публикаций аспирантов и док- торантов. 2008. Т. 3. С. 163–172.
Ward J. H., Jr. Hierarchical grouping to optimize an objective function // J. Am. Stat. Assoc. 1963. Vol. 58, Issue 301. P. 236–244.
Otsu N. A threshold selection method from gray-level histograms // IEEE trans- actions on systems, man, and cybernetics. 1979. Т. 9, №. 1. С. 62–66.
Lloyd S. P. Least squares quantization in PCM // IEEE Transactions on Informa- tion Theory. 1957/1982. Т. 28, №. 2. С. 129–137. DOI: 10.1109/TIT.1982.1056489.
Mumford D., Shah J. Boundary detection by minimizing functionals // IEEE Conference on Computer Vision and Pattern Recognition. 1985. Т. 17. С. 137–154.
Mumford D., Shah J. Optimal approximations by piecewise smooth functions and associated variational problems // Communications on pure and applied mathemat- ics. 1989. Т. 42, №. 5. С. 577–685.
Wang Z., Bovik A. C. A universal image quality index // IEEE signal processing letters. 2002. Т. 9, №. 3. С. 81–84.
Харинов М. В., Ханыков И. Г. Применение метода Уорда для кластериза- ции пикселей цифрового изображения // Вестник Бурятского государственного университета. Математика, информатика. 2016. № 4. С. 34–42.
Харинов М. В., Ханыков И. Г. Оптимизация кусочно-постоянного прибли- жения сегментированного изображения // Труды СПИИРАН. 2015. Т. 3, №. 40. С. 183–202.
Khanykov I. G., Kharinov M. V., Patel C. Image Segmentation Improvement by Reversible Segment Merging. (2017, December 1-2). Int. Conf. on Soft Computing and its Engineering Applications, icSoftComp-2017, IEEE Gujarat Section Proceedings. C. 1–8. DOI: 10.1109/icsoftcomp.2017.8280096.
Kharinov M. Reclassification formula that provides to surpass K-means method // arXiv preprint arXiv:1209.6204. 2012. C. 1–4.
Dvoenko S. D. Meanless k-means as k-meanless clustering with the bi-partial approach // Proceedings of PRIP 2014 Conference, Minsk. 2014. С. 50–54.
Toffoli T. Reversible computing // International Colloquium on Automata, Lan- guages, and Programming. Springer, Berlin, Heidelberg, 1980. С. 632–644.
Ward J. H., Jr. Hierarchical grouping to optimize an objective function // J. Am. Stat. Assoc. 1963. Vol. 58, Issue 301. P. 236–244.
Otsu N. A threshold selection method from gray-level histograms // IEEE trans- actions on systems, man, and cybernetics. 1979. Т. 9, №. 1. С. 62–66.
Lloyd S. P. Least squares quantization in PCM // IEEE Transactions on Informa- tion Theory. 1957/1982. Т. 28, №. 2. С. 129–137. DOI: 10.1109/TIT.1982.1056489.
Mumford D., Shah J. Boundary detection by minimizing functionals // IEEE Conference on Computer Vision and Pattern Recognition. 1985. Т. 17. С. 137–154.
Mumford D., Shah J. Optimal approximations by piecewise smooth functions and associated variational problems // Communications on pure and applied mathemat- ics. 1989. Т. 42, №. 5. С. 577–685.
Wang Z., Bovik A. C. A universal image quality index // IEEE signal processing letters. 2002. Т. 9, №. 3. С. 81–84.
Харинов М. В., Ханыков И. Г. Применение метода Уорда для кластериза- ции пикселей цифрового изображения // Вестник Бурятского государственного университета. Математика, информатика. 2016. № 4. С. 34–42.
Харинов М. В., Ханыков И. Г. Оптимизация кусочно-постоянного прибли- жения сегментированного изображения // Труды СПИИРАН. 2015. Т. 3, №. 40. С. 183–202.
Khanykov I. G., Kharinov M. V., Patel C. Image Segmentation Improvement by Reversible Segment Merging. (2017, December 1-2). Int. Conf. on Soft Computing and its Engineering Applications, icSoftComp-2017, IEEE Gujarat Section Proceedings. C. 1–8. DOI: 10.1109/icsoftcomp.2017.8280096.
Kharinov M. Reclassification formula that provides to surpass K-means method // arXiv preprint arXiv:1209.6204. 2012. C. 1–4.
Dvoenko S. D. Meanless k-means as k-meanless clustering with the bi-partial approach // Proceedings of PRIP 2014 Conference, Minsk. 2014. С. 50–54.
Toffoli T. Reversible computing // International Colloquium on Automata, Lan- guages, and Programming. Springer, Berlin, Heidelberg, 1980. С. 632–644.
Статья.pdf