Основы модели квазиоптимальных приближений изображения // Вестник БГУ. Математика, информатика. - 2016. №1. . - С. 60-72.

Основы модели квазиоптимальных приближений изображения

DOI: 10.18101/2304-5728-2016-1-60-72 УДК: 004.932

В статье обобщаются результаты исследований, представленных в серии предыдущих публикаций по, так называемой, «проблеме сегментации» или автоматического выделения объектов на изображении. Для компьютерного выделения объектов формулируется постановка задачи и предлагается модель сегментации цифрового изображения. Перечисляются основные положения модели. Приводятся результаты очередного эксперимента и обсуждаются особенности организации скоростных вычислений в ограниченном объеме оперативной памяти компьютера.

сегментация, кусочно-постоянное приближение, суммарная квадратичная ошибка, минимизация, обратимые вычисления.

1. Sleator D.D., Tarjan R.E. Self–Adjusting Binary Search Trees // Journal of the ACM. — 1985. — Vol. 32.— № 3. — P. 652–686.

2. Харинов М. В. Разработка динамических структур данных системы автоматизированного распознавания изображений: автореф. дис. ... канд. техн. наук / руков. В.В. Александров. — СПб., 1993. — 20 с.

3. Nock R., Nielsen F. Statistical Region Merging // IEEE Trans. Pattern Anal. Mach. Intell. — Vol. 26(11). — 2004. — P. 1452–1458.

4. Харинов М.В. Запоминание и адаптивная обработка информации цифровых изображений / под ред. Р.М. Юсупова. — СПб.: Изд-во С.Петерб. ун-та, 2006. — 138 с.

5. Харинов М.В. Обобщение трех подходов к оптимальной сегмента- ции цифрового изображения // Труды СПИИРАН. — 2013. — Вып. 2(25).— С. 294–316.

6. Mumford D., Shah J. Boundary detection by minimizing functionals, I // Proceedings of IEEE Computer. Vision Pattern. Recognition Conference. — San Francisco, 1985. — P. 22–26.

7. Bar L., Chan T.F., Chung G., Jung M., Vese L.A., Kiryati N., Sochen N. Mumford and Shah Model and Its Applications to Image Segmentation and Image Restoration // Handbook of Mathematical Methods in Imaging. — 2015.— P. 1539-1597.

8. Toffoli T. Reversible computing. — Springer Berlin Heidelberg. — 1980. — P. 632–644.

9. Kharinov M.V. Pixel Clustering for Color Image Segmentation // Pro- gramming and Computer Software.— 2015. — Vol. 41.— №. 5. — P. 258–266.

10. Kharinov M.V. Model of the quasi-optimal hierarchical segmentation of a color image // Journal of Optical Technology.— 2015. — Vol. 82.— Issue 7.— P. 425–429.

11. Харинов М.В., Ханыков И.Г. Комбинированный метод улучшения сегментации изображения // Вестник Бурятского государственного университета. — Вып.9. Математика и информатика.— 2015. — С. 118–124.

12. Харинов М.В., Ханыков И.Г. Оптимизация кусочно-постоянного приближения сегментированного изображения. // Труды СПИИРАН. — 2015. — Вып. 3(40). – С. 183–202.

13. 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.

14. 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. — P. 35–41.

15. Ward J.H., Jr. Hierarchical grouping to optimize an objective function. // J. Am. Stat. Assoc. — 1963. — Vol. 58.— Issue 301. — P. 236–244.

16. 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. — P. 50–54.