Algorithm for selecting optimal clustering parameters used for over-segmentation reduction

• Autorzy: Smołka J. , Skublewska-Paszkowska M. , Łukasik E.

Identyfikatory

DOI

10.15199/48.2016.09.61

Warianty tytułu

PL

Algorytm doboru optymalnych parametrów analizy skupień zastosowanej do redukcji nadsegmentacji

• Języki publikacji: EN

Abstrakty

EN

The authors proposed a solution to the over-segmentation of color images processed by watershed segmentation algorithm. The solution utilizes hierarchical cluster analysis and treats watersheds as objects characterized by a number of attributes. This paper briefly discusses the solution (clustering methods, their parameters, selected watershed attributes) and presents an algorithm used for selecting optimal parameters for cluster analysis. Detailed results obtained for a set of test images are presented and discussed.

PL

Autorzy zaproponowali rozwiązanie problem nadsegmentacji obrazów barwnych. Zjawisko to występuje w wyniku zastosowania transformacji wododziałowej. Rozwiązanie wykorzystuje hierarchiczną analizę skupień i traktuje zlewiska jako obiekty opisane zestawami atrybutów. Artykuł, krótko omawia zaproponowaną metodę (metody analizy skupień, jej parametry, wybrane atrybuty zlewisk) a także przedstawia algorytm zastosowany do doboru optymalnych parametrów analizy skupień. Artykuł przedstawia i omawia również wyniki otrzymane dla obrazów testowych.

Słowa kluczowe

EN

over-segmentation reduction; watershed transformation; cluster analysis

PL

redukcja nadsegmentacji; transformacja wododziałowa; analiza skupień

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2016
• Tom: R. 92, nr 9
• Strony: 250--256
• Opis fizyczny: Bibliogr. 39 poz., rys., tab.

Twórcy

autor

Smołka J.

• Politechnika Lubelska, Wydział Elektrotechniki i Informatyki, Instytut Informatyki, ul. Nadbystrzycka 36B, 20-618 Lublin

autor

Skublewska-Paszkowska M.

• Politechnika Lubelska, Wydział Elektrotechniki i Informatyki, Instytut Informatyki, ul. Nadbystrzycka 36B, 20-618 Lublin

autor

Łukasik E.

• Politechnika Lubelska, Wydział Elektrotechniki i Informatyki, Instytut Informatyki, ul. Nadbystrzycka 36B, 20-618 Lublin

Bibliografia

• [1] Beucher S. , Lantuejoul C., Use of watersheds in contour detection, In Real-time Edge and Motion Detection/Estimation, International Workshop on Image Processing, 1979.
• [2] Johnson H., Cormick M., Ibanez L., The ITK Software Guide. Book 2: Design and Functionality, itk.org, fourth edition, 2015.
• [3] Russ J . , The Image Processing Handbook, CRC Press, fourth edition, 2002.
• [4] Beucher S. , Yu X. , Road recognition in complex traffic situations, In 7th IFAC/IFORS Simposium on Transportation Systems: Theory and Application of Advanced Technology, pages 413–418, 1994.
• [5] Haris K., Estradiadis S. N., Maglaveras N., Katsaggelos A. K., Hybrid image segmentation using watersheds and fast region merging, IEEE Transactions on Image Processing, 7(12):1684–1699, 1998.
• [6] Ciecholewski M. Automated coronal hole segmentation from Solar EUV Images using the watershed transform, Journal of Visual Communications and Image Representation, 33 (2015), 203-218
• [7] Hsieh F.-Y. , Han C.-C., Wu N.-S., Chuang T., Fan K. -C. , A novel approach to the detection of small objects with low contrast, Signal Processing, 86(1):71–83, 2006.
• [8] Frucci M., Ramella G., Sannitidi Baja G., Using resolution pyramids for watershed image segmentation, Image and Vision Computing, 25(6):1021–1031, 2007.
• [9] Węgliński T., Fabijańska A., On Cerebrospinal Fluid Segmentation form CT Brain Scans using Interactive Graph Cuts, Informatyka, Automatyka, Pomiary w Gospodarce iOchronie Środowiska, pages 7-9, 2012(4b)
• [10] Meyer F. , The dynamics of minima and contours, In Mathematical Morphology and its Applications to Image andSignal Processing (ISMM’96), 1996.
• [11] Kuo W. -F. , Lin C. -Y. , Sun Y. -N. , Brain MR images segmentation using statistical ratio: Mapping between watershed and competitive hopfield clustering network algorithms, Computer Methods and Programs in Biomedicine, 91(3):191–198, 2008.
• [12] Smołka J., Watershed based region growing algorithm, Annales UMCS Informatica, AI 3:169–178, 2005.
• [13] Tremeau A., Colantoni P., Regions adjacency graph applied to color image segmentation, IEEE Trans. Image Processing, 9(4):735–744, 2000.
• [14] Frucci M., Nappi M., Ricco D., Sannitidi Baja G., WIRE: Watershed based iris recognition, Patter Recognition, 52 (2016), 148-159
• [15] Scheunders P., Sijbers J., Multiscale watershed segmentation of multivalued images, In 16th International Conference on Pattern Recognition, volume 3, 2002.
• [16] Jung C. , Unsupervised multiscale segmentation of color images. Pattern Recognition Letters, 28(4):523–533, 2007.
• [17] Smołka J., Skublewska-Paszkowska M., Wojdyga A. , Improving performance of watershed clustering algorithm by using wavelet transform, Polish Journal of Environmental Studies, 18(3B):341–346, 2009.
• [18] Letteboer M., Olsen O., Dam E., Willems P., Viergever M. , Niessen W. , Segmentation of tumors in magnetic resonance brain images using an interactive multiscale watershed algorithm. Academic Radiology, 11(10), 2004.
• [19] Smołka J. , Multilevel near optimal thresholding applied to watershed grouping, Annales UMCS Informatica, AI 5:191– 200, 2006.
• [20] Zhao C., Zhuang T., A hybrid boundary detection algorithm based on watershed and snake, Pattern Recognition Letters, 26(9):1256–1265, 2005.
• [21] Dagher I. , El Tom K., Waterballoons: A hybrid watershed balloon snake segmentation, Image and Vision Computing, 26(7):905–912, 2008.
• [22] Smołka J. , Hierarchical cluster analysis methods applied to image segmentation by watershed merging, Annales UMCS Informatica, AI 6:73–84, 2007.
• [23] Smołka J., Skublewska-Paszkowska M., Watershed merging method for color images, Annales UMCS Informatica, AI 8(1):111–121, 2008.
• [24] Lazarek J., Metody analizy obrazu – analiza obrazu mammograficznego na podstawie cech wyznaczonych z tekstury, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, pages 10-13, 2013(4)
• [25] Musiał A. , Szczepaniak P., Optical Character Recognition using Artificial Intelligence Technologies, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, pages 41-44, 2014; 4(2)
• [26] Fiderek P., Jaworski T., Wajman R., Kucharski J., Rozmyta klasteryzacja surowych trójwymiarowych danych tomograficznych dla potrzeb rozpoznawania przepływłów dwufazowych, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, pages 12-15, 2015; 5(4)
• [27] Hanbury A. G., Serra J ., Morphological operators on the unit circle, IEEE Trans. Image Processing, 10(12):1842–1850, 2001.
• [28] Liu J. and Yang Y.-H., Multiresolution color image segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 16(7):689–700, 1994.
• [29] Borsotti M., Campadelli P., Schettini R. , Quantitative evaluation of color image segmentation results, Pattern Recognition Letters, 19:741–747, 1998.
• [30] Romesburg H. , Cluster Analysis for Researchers, Lulu Press, 2004.
• [31] Everitt B., Landau S., Leese M., Cluster Analysis, Arnold, fourth edition, 2001.
• [32] Avcibas I . , Image Quality Statistics and their Use in Steganalysis and Compression, PhD thesis, Uniwersytet Bogazici, 2001.
• [33] Węgliński T., Fabijańska A. , Poprawa jakości obrazów tomograficznych o niskiej dawce promieniowania, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, pages 7-9, 2013(4)
• [34] Pluim J. , Maintz J. , Viergever M. , Mutual information based registration of medical images: a survey, IEEE Transactions on Medical Imaging, 20, 2003.
• [35] Cumani A. , Edge detection in multispectral images, CVGIP: Graphical Models and Image Processing, 53(1):40–51, 1991.
• [36] Whitaker R. , Xue X. , Variable-conductance, level-set curvature for image denoising, In Proceedings. 2001 International Conference on Image Processing, 3 (2001) 142– 145.
• [37] Martin D. , Fowlkes C. , Tal D. , Malik J . , A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics, In Proc. 8th Int’l Conf. Computer Vision, volume 2, pages 416–423, July 2001.
• [38] Smołka J., Adaptacyjny system wspomagający usuwanie nadsegmentatio w obrazach poddanych transformacji wododziałowej, PhD thesis, Politechnika Śląska 2010
• [39] Smołka J., Skublewska-Paszkowska M., Comparison of hierarchical cluster analysis methods applied to image segmentation by watershed merging, In Computer Recognitions Systems 2, volume 45 of Advances in Soft Computing, pages 84–91, 2007.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.