Wybrane techniki klasteryzacyjne w przestrzeni barw

• Autorzy: Palus H.

Warianty tytułu

EN

Selected clustering techniques in the colour space

• Konferencja: XV Krajowa Konferencja Automatyzacji Procesów Dyskretnych, Zakopane, 20-23 września 2006r.
• Języki publikacji: PL

Abstrakty

PL

W pracy są rozpatrywane 3 techniki klasteryzacyjne: klasyczna k-means oraz dwie nowe (optimal-cut, max quantization error). Ich porównanie przeprowadzono na 5 obrazach scen naturalnych przy klasteryzacji na 12 i 6 klasterów i zastosowaniu 2 kryteriów: błędu kwantyzacji barwy oraz oceny jakości segmentacji obrazu. Badania potwierdziły efektywność techniki optymalnego cięcia (OpC).

EN

In this paper are investigated three following clustering techniques: the classical k-means and two new techniques: the optimal-cut (OpC) and the max quantization error (MQE). The comparison presented here is based on testing of five natural color images for clustering into 12 and 6 clusters. In evaluation process two criteria were used: the colour quantization error and the image segmentation quality measure. During tests the effectivity of OpC technique has been proved.

Słowa kluczowe

PL

technika klasteryzacyjna; klasteryzacja; segmantacja obrazów

EN

clustering technique; image segmentation

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Zeszyty Naukowe. Automatyka / Politechnika Śląska
• Rocznik: 2006
• Tom: z. 145
• Strony: 163--170
• Opis fizyczny: Bibliogr. 7 poz.

Twórcy

autor

Palus H.

• Instytut Automatyki Politechniki Śląskiej, 44-100 Gliwice, ul.Akademicka 16, tel. [phone],

Bibliografia

• 1. Jain A.K., Dubes R.C.: Algorithms for Clustering Data. Prentice Hall, Englewood Cliffs, N.J, 1988.
• 2. Palus H.: On color image quantization by the k-means algorithm. In: Droege D., Paulus D., /Eds./, 10. Workshop Farbbildverarbeitung, p. 58-65, Der Andere Verlag, Toenning 2004.
• 3. Palus H.: Color image segmentation: selected techniques. In: Lukac R., Plataniotis K.N., /Eds./, Color Image Processing: Methods and Applications, CRC Press, 2006 /in press/.
• 4. Mac Queen J.: Some methods for classification and analysis of multivariate observations. In: Le Cam L.M., Neyman J., /Eds./: Proceedings of the Fifth Berkeley Symposium on Mathematics, Statistics, and Probabilities, vol.1, Berkeley and Los Angeles, University of California Press, 1967, p. 281-297.
• 5. Selim S.Z., Ismail M.A.: K-means-type algorithms. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.6, no.1, 1984, p. 81-87.
• 6. Chen T.Q., Murphey Y.L., Karlsen L., Gerhart G., Color image segmentation in color and spatial domain. In: Chung P.W.H., Hinde C.J., AH M., /Eds./, IEA/AEI 2003, Lecture Notes in Artificial Intelligence, vol.2718, Springer-Verlag, Heidelberg 2003, p. 72-82.
• 7. Borsotti M., Campadelli P., Schettini R.: Quantitative evaluation of color image segmentation results. Pattern Recognition Letters, vol.19, no.8, 1998, p. 741-747.