Вестник БГУ. Математика, информатика
Библиографическое описание:
, Применение метода Уорда для кластеризации пикселей цифрового изображения // Вестник БГУ. Математика, информатика. - 2016. №4. . - С. 34-42.
Заглавие:
Применение метода Уорда для кластеризации пикселей цифрового изображения
Финансирование:
Коды:
Аннотация:
Рассматривается аппроксимация изображения дихотомической последовательностью кусочно-постоянных приближений с различным числом цветов. Иерархия приближений рассчитывается так, что цвета упорядочиваются по убыванию ошибки аппроксимации при разделении надвое множества пикселей данного цвета. Для получения приближений изображения актуального размера предлагается использовать метод Уорда. Скоростные вычисления обеспечиваются сетевой структурой данных на основе динамических деревьев Слейтора-Тарьяна.
Ключевые слова:
изображение, приближение, сегментация, cуммарная квадратичная ошибка, минимизация.
Список литературы:
1. Ward J.H., Jr. Hierarchical grouping to optimize an objective function // J. Am. Stat. Assoc. — 1963. — V. 58. — Issue 301. — P. 236 – 244.
2. Мандель И.Д. Кластерный анализ. — М.: Финансы и статистика,1988. — 176 с.
3. 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.
4. Jenatton R., Gramfort A., Michel V., Obozinski G., Eger E., Bach F., Thirion, B. Multiscale mining of fMRI data with hierarchical structured spar- sity // SIAM Journal on Imaging Sciences. — 2012. — V. 5. — №. 3. — P. 35 – 856.
5. Харинов М.В., Ханыков И.Г. Оптимизация кусочно-постоянного приближения сегментированного изображения. // Труды СПИИРАН. — 2015. — Вып. 3(40). — С. 183 – 202.
6. Kharinov M.V. Reversible Image Merging for Low-level Machine Vi- sion. URL: http://arxiv.org/abs/1604.03832.
7. Toffoli T. Reversible computing, In International Colloquium on Automata, Languages, and Programming,–Springer Berlin Heidelberg. — 1980. —632 – 644.
8. Zongxiang Yan Reversible Three-Dimensional Image Segmentation. US Patent № 20110158503 A1. 2009. — 10 p.
9. Sleator D.D., Tarjan R.E. Self–Adjusting Binary Search Trees // Journal of the ACM. 1985. Vol. 32 , № 3. — 652 –6 86.
10.Nock R., Nielsen F. Statistical Region Merging // IEEE Trans. Pattern Anal. Mach. Intell. — 2004. — V. 26(11). — 1452 – 1458.
11.Харинов М. В., Ханыков И. Г. Комбинированный метод улучшения сегментации изображения // Вестник Бурятского государственного университета. — 2015. — №9. — С. 118 – 124.
12.Малашин Р. О. Методы структурного анализа изображений трехмерных сцен. — Автореф. дис. … канд. техн. наук. — СПб, 2014. — 22 с.
13.Фаворская М. Н., Проскурин А. В. Категоризация сцен на основе расширенных цветовых дескрипторов // Труды СПИИРАН. — 2015. — Т. 3. — №. 40. — С. 203 – 220.
2. Мандель И.Д. Кластерный анализ. — М.: Финансы и статистика,1988. — 176 с.
3. 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.
4. Jenatton R., Gramfort A., Michel V., Obozinski G., Eger E., Bach F., Thirion, B. Multiscale mining of fMRI data with hierarchical structured spar- sity // SIAM Journal on Imaging Sciences. — 2012. — V. 5. — №. 3. — P. 35 – 856.
5. Харинов М.В., Ханыков И.Г. Оптимизация кусочно-постоянного приближения сегментированного изображения. // Труды СПИИРАН. — 2015. — Вып. 3(40). — С. 183 – 202.
6. Kharinov M.V. Reversible Image Merging for Low-level Machine Vi- sion. URL: http://arxiv.org/abs/1604.03832.
7. Toffoli T. Reversible computing, In International Colloquium on Automata, Languages, and Programming,–Springer Berlin Heidelberg. — 1980. —632 – 644.
8. Zongxiang Yan Reversible Three-Dimensional Image Segmentation. US Patent № 20110158503 A1. 2009. — 10 p.
9. Sleator D.D., Tarjan R.E. Self–Adjusting Binary Search Trees // Journal of the ACM. 1985. Vol. 32 , № 3. — 652 –6 86.
10.Nock R., Nielsen F. Statistical Region Merging // IEEE Trans. Pattern Anal. Mach. Intell. — 2004. — V. 26(11). — 1452 – 1458.
11.Харинов М. В., Ханыков И. Г. Комбинированный метод улучшения сегментации изображения // Вестник Бурятского государственного университета. — 2015. — №9. — С. 118 – 124.
12.Малашин Р. О. Методы структурного анализа изображений трехмерных сцен. — Автореф. дис. … канд. техн. наук. — СПб, 2014. — 22 с.
13.Фаворская М. Н., Проскурин А. В. Категоризация сцен на основе расширенных цветовых дескрипторов // Труды СПИИРАН. — 2015. — Т. 3. — №. 40. — С. 203 – 220.
Статья.pdf