Библиографическое описание:

Ханыков И. Г.
,
Харинов М. В.
- МОДЕЛЬ ЦИФРОВОГО ИЗОБРАЖЕНИЯ НА ОСНОВЕ МОДИФИЦИРОВАННОГО МЕТОДА УОРДА КЛАСТЕРИЗАЦИИ ПИКСЕЛЕЙ // Вестник БГУ. Математика, информатика. - Улан-Удэ. - 2017. Выпуск 2. - С. 61-70.

Заглавие: МОДЕЛЬ ЦИФРОВОГО ИЗОБРАЖЕНИЯ НА ОСНОВЕ МОДИФИЦИРОВАННОГО МЕТОДА УОРДА КЛАСТЕРИЗАЦИИ ПИКСЕЛЕЙ

УДК: 4.932  DOI: 10.18101/2304-5728-2017-2-61-70

Аннотация:

В статье рассматривается модель детектирования дихотомической иерархии объектов на изображении, предназначенная для предобработки изображений сцен любого содержания. В основе модели лежит метод Уорда кластеризации пикселей. Предусматривается тестирование результатов на правдоподобие посредством обработки стереопар. Обсуждаются особенности применения метода Уорда для кластеризации пикселей. Выполняется сравнение с известным решением, принятым в качестве прототипа.

Ключевые слова:

сегментация изображения; кластеризация пикселей; суммарная квадратичная ошибка; минимизация; кусочно-постоянное приближение; иерархическая последовательность; выпуклая последовательность значений; двухмасштабная модель; метод Уорда; модель Мамфорда-Шаха.

Литература:

Чочиа П. А. Некоторые алгоритмы обнаружения объектов на основе двух- масштабной модели изображения // Информационные процессы. 2014. Т.14, №2. С.117–136.

Чочиа П.А. Теория и методы обработки видеоинформации на основе двух- масштабной модели изображения: дис. … д-ра техн. наук. М.:ИППИ РАН, 2016. 302 с.

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

Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Приклад- ная статистика: Классификация и снижение размерности. М.: Финансы и стати- стика, 1989. 607 с.

Мандель И. Д. Кластерный анализ. М.: Финансы и статистика, 1988. 176 с.

Jain A. K., Murty M.N., Flynn P.J. Data clustering: a review // ACM computing surveys (CSUR). 1999. Vol. 31, №3. P. 264–323.

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.

Бугаев А. C., Хельвас А. В. Поисковые исследования и разработка методов и средств анализа и автоматического распознавания потоковой информации в глобальных информационных системах. Шифр «Лацкан» // Отчет по НИР. М.: Изд-во МФТИ, 2001. Т. 1. 140 с.

Mumford D., Shah J. Boundary detection by minimizing functionals, I // Proc. IEEE Comput. Vision Patt. Recogn. Conf., San Francisco, 1985. P. 22–26.

Jenatton R., Gramfort A., Michel V., Obozinski G., Eger E., Bach F., Thirion

B. Multiscale mining of fMRI data with hierarchical structured sparsity // SIAM Jour- nal on Imaging Sciences. 2012. Vol. 5, №. 3. P. 35–856.

Mumford D., Shah J. Boundary detection by minimizing functionals, I // Proc.

IEEE Comput. Vision Patt. Recogn. Conf., San Francisco, 1985. P. 22–26.

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.

Визильтер Ю. В., Желтов С. Ю. Проблемы технического зрения в современных авиационных системах // Механика, управление и информатика. 2011. №6. С. 11–44.

Луцив В. Р. Объектно-независимый подход к структурному анализу изображений: дис. … д-ра техн. наук. СПб.: ГУАП, 2011. 318 с.

Philipp Galiano, Mikhail Kharinov, Victor Kuzenny. Remote Sensing Data Analysis Based on Hierarchical Image Approximation with Previously Computed Segments // Information Fusion and Geographic Information Systems: Towards the Digital Ocean (IF&GIS’2011) / Proceedings of the Fifth International Workshop 10- 11 May, 2011, Brest (France): Springer, LNG&C. P. 105–115.

Полный текст статьи