Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2016 - zeszyt 9

Algorithm for selecting optimal clustering parameters used for over-segmentation reduction

10.15199/48.2016.09.61

nr katalogowy: 100549
10.15199/48.2016.09.61

The authors proposed a solution to the over-segmentation of color images processed by watershed segmentation algorithm. The solution utilizes hierarchical cluster analysis and treats watersheds as objects characterized by a number of attributes. This paper briefly discusses the solution (clustering methods, their parameters, selected watershed attributes) and presents an algorithm used for selecting optimal parameters for cluster analysis. Detailed results obtained for a set of test images are presented and discussed. Streszczenie. Autorzy zaproponowali rozwiązanie problem nadsegmentacji obrazów barwnych. Zjawisko to występuje w wyniku zastosowania transformacji wododziałowej. Rozwiązanie wykorzystuje hierarchiczną analizę skupień i traktuje zlewiska jako obiekty opisane zestawami atrybutów. Artykuł, krótko omawia zaproponowaną metodę (metody analizy skupień, jej parametry, wybrane atrybuty zlewisk) a także przedstawia algorytm zastosowany do doboru optymalnych parametrów analizy skupień. Artykuł przedstawia i omawia również wyniki otrzymane dla obrazów testowych. (Algorytm doboru optymalnych parametrów analizy skupień zastosowanej do redukcji nadsegmentacji). Keywords: over-segmentation reduction, watershed transformation, cluster analysis. Słowa kluczowe: redukcja nadsegmentacji, transformacja wododziałowa, analiza skupień. Introduction Watershed transformation is an interesting segmentation method introduced by Beucher and Lantuejoul [1]. The algorithm simulates pouring water onto a landscape created on the basis of a digital image. Water flows with gravity and collects in catchment basins (watersheds) [2]. As input, the algorithm requires an image where higher pixel values indicate the presence of boundaries. Most images do not satisfy this requirement. A gradient filter is frequently used for converting the original image to an appropriate height function. The watershed transformation produces a region for each of the image’[...]

Bibliografia

[1] Beucher S. , Lantuejoul C., Use of watersheds in contour detection, In Real-time Edge and Motion Detection/Estimation, International Workshop on Image Processing, 1979.
[2] Johnson H., Cormick M., Ibanez L., The ITK Software Guide. Book 2: Design and Functionality, itk.org, fourth edition, 2015.
[3] Russ J . , The Image Processing Handbook, CRC Press, fourth edition, 2002.
[4] Beucher S. , Yu X. , Road recognition in complex traffic situations, In 7th IFAC/IFORS Simposium on Transportation Systems: Theory and Application of Advanced Technology, pages 413-418, 1994.
[5] Haris K., Estradiadis S. N., Maglaveras N., Katsaggelos A. K., Hybrid image segmentation using watersheds and fast region merging, IEEE Transactions on Image Processing, 7(12):1684-1699, 1998.
[6] C iecholews ki M. Automated coronal hole segmentation from Solar EUV Images using the watershed transform, Journal of Visual Communications and Image Representation, 33 (2015), 203-218
[7] Hsieh F.-Y. , Han C.-C., Wu N.-S., Chuang T., Fan K. -C. , A novel approach to the detection of small objects with low contrast, Signal Processing, 86(1):71-83, 2006.
[8] Frucci M., Ramella G., Sanniti di Baja G., Using resolution pyramids for watershed image segmentation, Image and Vision Computing, 25(6):1021-1031, 2007.
[9] Wę gl i ński T., Fabijańska A., On Cerebrospinal Fluid Segmentation form CT Brain Scans using Interactive Graph Cuts, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, pages 7-9, 2012(4b)
[10] Meyer F. , The dynamics of minima and contours, In Mathematical Morphology and its Applications to Image and Signal Processing (ISMM’96), 1996.
[11] Kuo W. -F. , Lin C. -Y. , Sun Y. -N. , Brain MR images segmentation using statistical ratio: Mapping between watershed and competitive hopfield clustering network algorithms, Computer Methods and Programs in Biomedicine, 91(3):191-198, 2008.
[12] Smoł ka J . , Watershed based region growing algorithm, Annales UMCS Informatica, AI 3:169-178, 2005.
[13] Tremeau A., Colantoni P., Regions adjacency graph applied to color image segmentation, IEEE Trans. Image Processing, 9(4):735-744, 2000.
[14] Frucci M., Nappi M., Ricco D., Sanniti di Baja G., WIRE: Watershed based iris recognition, Patter Recognition, 52 (2016), 148-159
[15] Scheunders P., Sijbers J., Multiscale watershed segmentation of multivalued images, In 16th International Conference on Pattern Recognition, volume 3, 2002.
[16] J u n g C. , Unsupervised multiscale segmentation of color images. Pattern Recognition Letters, 28(4):523-533, 2007.
[17] Smołka J . , Skublewska-Paszkowska M., Wojdyga A. , Improving performance of watershed clustering algorithm by using wavelet transform, Polish Journal of Environmental Studies, 18(3B):341-346, 2009.
[18] Letteboer M., Olsen O., Dam E., Willems P., Viergever M. , Niessen W. , Segmentation of tumors in magnetic resonance brain images using an interactive multiscale watershed algorithm. Academic Radiology, 11(10), 2004.
[19] Smoł ka J. , Multilevel near optimal thresholding applied to watershed grouping, Annales UMCS Informatica, AI 5:191- 200, 2006.
[20] Zhao C., Zhuang T., A hybrid boundary detection algorithm based on watershed and snake, Pattern Recognition Letters, 26(9):1256-1265, 2005. 256 PRZEGLĄD ELEKTROTECHNICZNY, ISSN 0033-2097, R. 92 NR 9/2016
[21] Dagher I. , El Tom K. , Waterballoons: A hybrid watershed balloon snake segmentation, Image and Vision Computing, 26(7):905-912, 2008.
[22] Smoł ka J. , Hierarchical cluster analysis methods applied to image segmentation by watershed merging, Annales UMCS Informatica, AI 6:73-84, 2007.
[23] Smoł ka J . , Skublews ka-Pasz kowska M. , Watershed merging method for color images, Annales UMCS Informatica, AI 8(1):111-121, 2008.
[24] Lazarek J., Metody analizy obrazu - analiza obrazu mammograficznego na podstawie cech wyznaczonych z tekstury, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, pages 10-13, 2013(4)
[25] Musiał A. , Szczepaniak P. , Optical Character Recognition using Artificial Intelligence Technologies, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, pages 41-44, 2014; 4(2)
[26] Fiderek P., Jaworski T., Wajman R., Kuchars k i J . , Rozmyta klasteryzacja surowych trójwymiarowych danych tomograficznych dla potrzeb rozpoznawania przepływłów dwufazowych, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, pages 12-15, 2015; 5(4)
[27] Hanbury A. G., Serra J ., Morphological operators on the unit circle, IEEE Trans. Image Processing, 10(12):1842-1850, 2001.
[28] Liu J. and Yang Y.-H., Multiresolution color image segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 16(7):689-700, 1994.
[29] Borsot t i M., Campadelli P., Schettini R. , Quantitative evaluation of color image segmentation results, Pattern Recognition Letters, 19:741-747, 1998.
[30] Romesburg H. , Cluster Analysis for Researchers, Lulu Press, 2004.
[31] Everi t t B., Landau S., Leese M., Cluster Analysis, Arnold, fourth edition, 2001.
[32] Avcibas I . , Image Quality Statistics and their Use in Steganalysis and Compression, PhD thesis, Uniwersytet Bogazici, 2001.
[33] W ę gl i ński T., Fabija ń ska A. , Poprawa jakości obrazów tomograficznych o niskiej dawce promieniowania, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, pages 7-9, 2013(4)
[34] Pluim J . , Maint z J . , Viergever M. , Mutual information based registration of medical images: a survey, IEEE Transactions on Medical Imaging, 20, 2003.
[35] Cumani A. , Edge detection in multispectral images, CVGIP: Graphical Models and Image Processing, 53(1):40-51, 1991.
[36] Whi taker R. , Xue X. , Variable-conductance, level-set curvature for image denoising, In Proceedings. 2001 International Conference on Image Processing, 3 (2001) 142- 145.
[37] Mar t in D. , Fowl kes C. , Tal D. , Mal i k J . , A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics, In Proc. 8th Int’l Conf. Computer Vision, volume 2, pages 416-423, July 2001.
[38] Smoł ka J . , Adaptacyjny system wspomagający usuwanie nadsegmentatio w obrazach poddanych transformacji wododziałowej, PhD thesis, Politechnika Śląska 2010
[39] Smołka J. , Skublewska-Paszkowska M. , Comparison of hierarchical cluster analysis methods applied to image segmentation by watershed merging, In Computer Recognitions Systems 2, volume 45 of Advances in Soft Computing, pages 84-91, 2007.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 100549 "Algorithm for selecting o..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2016-9 licencja: Osobista Produkt cyfrowy	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2016-9

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma