Porównanie funkcji oceny segmentacji w kontekście metody redukcji nadsegmentacji obrazów barwnych

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

Warianty tytułu

IT

Comparison of segmentation quality assessment functions in context of color image over-segmentation reduction method

• Języki publikacji: PL

Abstrakty

PL

Artykuł dotyczy jednego z problemów transformacji wododziałowej, jakim jest nadmierna segmentacja (nadsegmentacja) obrazów. Przedstawia on porównanie funkcji oceny segmentacji, które były wykorzystywane do określenia jakości wyniku redukcji nadsegmentacji w obrazach poddanych działaniu transformacji wododziałowej. Przedstawiono krótko zaproponowaną wcześniej, a opartą na analizie skupień, metodę redukcji nadsegmentacji oraz scharakteryzowano zastosowane funkcje oceny. Dzięki wspomnianym funkcjom możliwy jest półautomatyczny wybór liczby klas w końcowej segmentacji. Wyniki porównania funkcji omówiono i zilustrowano za pomocą wykre-sów oraz przykładowych segmentacji obrazów testowych.

EN

The paper concerns one problem in watershed transformation: over-segmentation. It compares segmentation quality assesment functions used to assess the quality of over-segmentation reduction in images first segmented by means of watershed transformation. It presents briefly a method of over-segmentation reduction based on cluster analysis, a method proposed earlier by the authors. Using the above functions allows for semi-automatic selection of the number of classes in the final segmentation. Results are discussed and illustrated with charts and sample test images of segmentation.

Słowa kluczowe

PL

transformacja wododziałowa; analiza skupień; ocena segmentacji; porównanie

EN

watershed transformation; over-segmentation reduction; compares segmentation

• Wydawca: Sieć Badawcza Łukasiewicz - Instytut Elektrotechniki
• Czasopismo: Prace Instytutu Elektrotechniki
• Rocznik: 2012
• Tom: Z. 260
• Strony: 143--156
• Opis fizyczny: Bibliogr. 27 poz., r

Twórcy

autor

Smołka J.

autor

Skublewska-Paszkowska M.

• Politechnika Lubelska,

Bibliografia

• 1. Beucher S., Bilodeau M., Yu X.: Road segmentation by watersheds algorithms. In Proc. of PROMETHEUS workshop, Sophia-Antipolis, 1990.
• 2. Beucher S., Bilodeau M.: Road segmentation and obstacle detection by a fast watershed transformation. In Intelligent Vehicles ’94 Symposium, Proceedings of the, 296–301, 1994.
• 3. Beucher S., Yu. X.: Road recognition in complex traffic situations. In 7th IFAC/IFORS Simposium on Transportation Systems: Theory and Application of Advanced Technology, 413–418, 1994.
• 4. Borsotti M., Campadelli P., Schettini R.: Quantitative evaluation of color image segmentation results. Pattern Recognition Letters, 19, 741–747, 1998.
• 5. Dagher I., Tom K. E.. Waterballoons: A hybrid watershed balloon snake segmentation. Image and Vision Computing, 26(7), 905–912, 2008.
• 6. Everitt B. S., Landau S., Leese M.: Cluster Analysis. Arnold, 2001.
• 7. Frucci M., Ramella G., Sanniti di Baja G.: Using resolution pyramids for watershed image segmentation. Image and Vision Computing, 25(6), 1021–1031, 2007.
• 8. 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.
• 9. Hsieh F. Y., Han C. C., Wu N. S., Chuang T. C., Fan. K. C.: A novel approach to the detection of small objects with low contrast. Signal Processing, 86(1), 71–83, 2006.
• 10. Ibanez L., Schroeder W., Ng L., Cates J. i in.: The ITK Software Guide. Kitware Inc., 2005.
• 11. Jung C. R.: Unsupervised multiscale segmentation of color images. Pattern Recognition Letters, 28(4), 523–533, 2007.
• 12. Liu J., Yang Y. H.: Multiresolution color image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 16(7), 689–700, 1994.
• 13. Romesburg H. Ch.: Cluster Analysis for Researchers. Lulu Press, 2004.
• 14. Sapiro G., Ringach D. L.. Anisotropic diffusion of multivalued images with applications to color filtering. Image Processing, IEEE Transactions on, 5 (11), 1582–1586, 1996.
• 15. Scheunders P., Sijbers J.: Multiscale watershed segmentation of multivalued images. In 16th International Conference on Pattern Recognition, 3, 2002.
• 16. Sijbers J., Scheunders P., Verhoye M., Van der Linden A., van Dyck D., Raman E.: Watershed-based segmentation of 3D MR data for volume quantization. Magnetic Resonance Imaging, 15(6), 679–688, 1997.
• 17. Smołka J.: Watershed based region growing algorithm. Annales UMCS Informatica, AI 3, 169–178, 2005.
• 18. Smołka J.: Multilevel near optimal thresholding applied to watershed grouping. Annales UMCS Informatica, AI 5, 191–200, 2006.
• 19. Smołka J.: Hierarchical cluster analysis methods applied to image segmentation by watershed merging. Annales UMCS Informatica, AI 6, 73–84, 2007.
• 20. Smołka J., Skublewska-Paszkowska M.: Usuwanie nadmiernej segmentacji w transformacji wododziałowej za pomocą analizy skupień, AGH Automatyka, Tom 12, Zeszyt 2, 463-482, 2008
• 21. 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.
• 22. Trémeau A. and Colantoni P.: Regions adjacency graph applied to color image segmentation. IEEE Trans. Image Processing, 9(4), 735–744, 2000.
• 23. Wegner S., Harms T., Oswald H., Fleck E.: Medical image segmentation using the watershed transformation on graphs. In ICIP, III, 37–40, 1996.
• 24. Wegner S, Harms T., Oswald H., Fleck E.: The watershed transformation on graphs for the segmentation of CT images. In ICPR, III, 498–502, 1996.
• 25. Whitaker R. T., Xue. X.: Variable-conductance, level-set curvature for image denoising. Proceedings of 3rd International Conference on Image Processing, 142–145, 2001.
• 26. Zhao C. G. and Zhuang T. G.: A hybrid boundary detection algorithm based on watershed and snake. Pattern Recognition Letters, 26(9), 1256–1265, 2005.
• 27. Zhang H., Fritts J. E., Goldman S. A.: Image segmentation evaluation: A survey of unsupervised methods. Computer Vision and Image Understanding, 110(2), 260-280, 2008.