Skip to main content
top

Bibliography

Conference Paper (international conference)

Unsupervised Hierarchical Weighted Multi-Segmenter

Haindl Michal, Mikeš Stanislav, Pudil Pavel

: Multiple Classifier Systems, LNCS 5519, p. 272-282 , Eds: Benediktsson J.A., Kittler J., Roli F.

: Multiple Classifier Systems, (Reykjavik, IS, 10.06.2009-12.06.2009)

: CEZ:AV0Z10750506

: 1M0572, GA MŠk, GA102/08/0593, GA ČR, 2C06019, GA MŠk

: unsupervised image segmentation

: http://library.utia.cas.cz/separaty/2009/RO/haindl-unsupervised hierarchical weighted multi-segmenter.pdf

(eng): An unsupervised multi-spectral, multi-resolution, multiple-segmenter for textured images with unknown number of classes is presented. The segmenter is based on a weighted combination of several unsupervised segmentation results, each in different resolution, using the modified sum rule. Multi-spectral textured image mosaics are locally represented by four causal directional multi-spectral random field models recursively evaluated for each pixel. The single-resolution segmentation part of the algorithm is based on the underlying Gaussian mixture model and starts with an over segmented initial estimation which is adaptively modified until the optimal number of homogeneous texture segments is reached. The performance of the presented method is extensively tested on the Prague segmentation benchmark using the commonest segmentation criteria and compares favourably with several leading alternative image segmentation methods.

(cze): Příspěvek prezentuje neřízenou multispektrální víceměřítkovou multisegmentační metodu segmentace textur s neznámým počtem tříd. Neřízená segmentace je založena na vážené kombinaci několika neřízených segmentačních výsledků, každý v jiném rozlišení, při použití upraveného sumačního pravidla. Multispektrální texturní mozaiky jsou lokálně reprezentovány čtyřmi kauzálními směrovými multispektrálními modely náhodných polí rekurzivně odhadované pro každý pixel. Jednoměřítková segmentační část algoritmu je založena na gaussovském směsovém modelu a začíná s přesegmentovaným počátečním odhadem, který se adaptivně modifikuje až se dosáhne optimální počet homogenních texturních oblastí. Vlastnosti předložené metody jsou rozsáhle testovány na Pražském segmentačním benchmarku při použití množiny běžných segmentačních kritérií. Metoda převyšuje několik špičkových alternativních srovnávaných obrazových segmentačních metod.

: BD