PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

K-means clustering in textured image: example of lamellar microstructure in titanium alloys

Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Klasteryzacja k-średnich obrazów teksturowych lamelarnych mikrostruktur stopów tytanu
Języki publikacji
EN
Abstrakty
EN
This paper presents an implementation of the k-means clustering method, to segment cross sections of X-ray micro tomographic images of lamellar Titanium alloys. It proposes an approach for estimating the optimal number of clusters by analyzing the histogram of the local orientation map of the image and the choice of the cluster centroids used to initialize k-means. This is compared with the classical method considering random coordinates of the clusters.
PL
W artykule przedstawiono implementację metody klasteryzacji k-średnich, do segmentacji dwuwymiarowych rentgenowskich obrazów mikro tomograficznych lamelarnych stopów tytanu. Zaproponowano metody szacowania optymalnej liczbę klastrów oraz wyboru centro idów poprzez analizę histogramu mapy lokalnych kierunków obrazu. Dokonano porównania zaproponowanych metod z losowym doborem początkowego położenia klastrów.
Rocznik
Strony
43--46
Opis fizyczny
Bibliogr. 11 poz., rys., tab.
Twórcy
  • Lodz University of Technology, Institute of Applied Computer Science
autor
  • Lodz University of Technology, Institute of Applied Computer Science
autor
  • Lodz University of Technology, Institute of Applied Computer Science
Bibliografia
  • [1] Al Darwich R., Babout L.: Optimization of 3 Local Orientation Map Calculation in the Matlab Framework IAPGOŚ 2/2015 , 22–24.
  • [2] Babout L., Jopek Ł , Janaszewski M.: A New Directional Filter Bank for 3D Texture Segmentation: Application to Lamellar Microstructure in Titanium Alloys. MVA 2013, 419–422.
  • [3] Babout L., Jopek L., Preuss M.: 3D characterization of trans- and inter-lamellar fatigue crack in (α+β) Ti alloy aterials haracterization, 98/2014, 130–139.
  • [4] Bijnen E.J.: Cluster analysis. Tilburg University Press, Netherlands, 1973.
  • [5] Calinski T., Harabasz J.: A dendrite method for cluster analysis. Communications in Statistics, 3/1974, 1–27.
  • [6] Comaniciu D., Meer P.: Mean shift: A robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24/2002, 603–619.
  • [7] Chandler D.: The norm of the Schur product operation. Numerische Mathematik 4.1, 1962, 343–344.
  • [8] Duda R.O., Hart P.E.: Pattern Classification and Scene Analysis. Wiley, New York, 1973.
  • [9] Jeulin D., Moreaud M.: Segmentation of 2D and 3D textures from estimates of the local orientation. Image Anal Stereo, 27/2008, 183–192.
  • [10] Milligan G.W., Cooper M.C.: An examination of procedures for determining the number of clusters in a data set. 1985, 159–179.
  • [11] Yan M.: Methods of Determining the Number of Clusters in a Data Set and a New Clustering Criterion. Blacksburg, Virginia 2005.
Uwagi
Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-71f680d2-0e94-41b2-a949-c3ba914a83ed
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.