Unsupervised Hierarchical Weighted Multi-Segmenter

0327029 - ÚTIA 2010 RIV DE eng C - Conference Paper (international conference)
Haindl, Michal - Mikeš, Stanislav - Pudil, Pavel
Unsupervised Hierarchical Weighted Multi-Segmenter.
[Neřízená hierarchická vážená multi-segmentační metoda.]
Multiple Classifier Systems, LNCS 5519. Berlin Heidelberg: Springer, 2009 - (Benediktsson, J.; Kittler, J.; Roli, F.), s. 272-282. Lecture Notes In Computer Science. ISBN 3-642-02325-8. ISSN 0302-9743.
[Multiple Classifier Systems. Reykjavik (IS), 10.06.2009-12.06.2009]
R&D Projects: GA MŠMT 1M0572; GA ČR GA102/08/0593
Grant - others:GA MŠk(CZ) 2C06019
Institutional research plan: CEZ:AV0Z10750506
Keywords : unsupervised image segmentation
Subject RIV: BD - Theory of Information
http://library.utia.cas.cz/separaty/2009/RO/haindl-unsupervised hierarchical weighted multi-segmenter.pdf

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.

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.
Permanent Link: http://hdl.handle.net/11104/0173938