Pattern Recognition

0317725 - ÚTIA 2009 RIV AT eng M - Část monografie knihy
Haindl, Michal - Mikeš, Stanislav
Unsupervised Texture Segmentation.
[Neřízená segmentace textur.]
Pattern Recognition. Vienna: In-Tech, 2008 - (Yin, P.), s. 227-248. ISBN 978-953-7619-24-4
Grant CEP: GA AV ČR 1ET400750407; GA MŠMT 1M0572; GA ČR GA102/08/0593
Grant ostatní: GA MŠk(CZ) 2C06019
Výzkumný záměr: CEZ:AV0Z10750506
Klíčová slova: texture segmentation * image segmentation * unsupervised segmentation
Kód oboru RIV: BD - Teorie informace
http://library.utia.cas.cz/separaty/2008/RO/haindl-unsupervised texture segmentation.pdf

Segmentation is the fundamental process which partitions a data space into meaningful salient regions. Image segmentation essentially affects the overall performance of any automated image analysis system thus its quality is of the utmost importance. Image regions, homogeneous with respect to some usually textural or colour measure, which result from a segmentation algorithm are analysed in subsequent interpretation steps. Several new unsupervised multispectral texture segmentation methods based on underlying Markovian spatial models with unknown number of classes are presented in the chapter. The performances of the presented methods are extensively tested on the Prague segmentation benchmark using the commonest segmentation criteria and compares favourably with several alternative texture segmentation methods.

Segmentace je základní proces, který rozděluje datový prostor na smysluplné charakteristické podprostory. Segmentace obrazu zásadně ovlivňuje celkovou spolehlivost každého automatického systému obrazové analýzy. Oblasti obrazu, homogenní vzhledem k nějaké, obvykle texturní nebo spektrální míře a které jsou výsledkem segmentace, jsou následně analyzovány v interpretační části metod. Kapitola popisuje několik nových metod neřízené segmentace textur, založených na markovských prostorových modelech s neznámým počtem tříd. Tyto metody jsou intenzivně testovány na Pražském segmentačním benchmarku při použití běžných segmentačních kriterií. Výsledky těchto komplexních testů ukazují, že naše metody předčí některé publikované alternativní segmentační metody textur.
Trvalý link: http://hdl.handle.net/11104/0167301