Segmentacja sekwencji obrazów metodą korelacyjną

• Autorzy: Świta R. , Suszyński Z.

Warianty tytułu

EN

Segmentation of the image sequence using the correlation method

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia nową metodę segmentacji sekwencji obrazów termicznych wyodrębniającą obszary o różnych właściwościach cieplnych. Metoda oparta jest na korelacji położenia i kształtu segmentów w poszczególnych kadrach sekwencji. Segmentacja pozwala zmniejszyć liczbę analizowanych obszarów do kilku tysięcy razy, co stwarza realne możliwości praktycznego wykorzystania tomografii termicznej. Opisana metoda jest porównana z algorytmami klasteryzacji K-Means i FCM. Zaletą algorytmu korelacyjnego jest automatyczne wyznaczanie liczby segmentów wyjściowych.

EN

This paper presents a new method for segmentation of thermal image sequences. Its aim is to divide the sequence into segments with different thermal properties. The described algorithm is based on measurements of the position and shape correlation of the segments in successive frames of the sequence. It is composed of several stages. The first stage consists of segmenting consecutive frames of the sequence (Fig. 2). The second step is analysis of the similarity of each segment in each frame with respect to all other segments of all frames and synthesis of the intermediate segments (Fig. 4). The intermediate segments form the segmented output image using the depth buffer technique to resolve multiple pixel-to-segment assignments (Fig. 6). This method is a basis for the thermal analysis of solids, which results in discovering depth profiles of thermal properties for each area. The segmentation reduces the number of the analyzed areas down to a few thousand times, which creates real opportunities for practical application of thermal tomography. The new algorithm has been compared with the K means algorithm [2], and FCM [6], which minimizes the sum of pixel value deviations from the centers of the segments they are assigned to, for all frames of the sequence (Tab. 1). The advantage of the correlation method is automatic determination of the number of output segments in the image and maintaining the constant segmentation error when increasing the number of the processed frames.

Słowa kluczowe

PL

segmentacja; obrazy termiczne; korelacja; K-means; FCM

EN

segmentation; thermal images; correlation; k-means; FCM

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2013
• Tom: R. 59, nr 7
• Strony: 680--683
• Opis fizyczny: Bibliogr. 8 poz., rys., tab., wzory

Twórcy

autor

Świta R.

• Politechnika Koszalińska, Katedra Systemów Multimedialnych i Sztucznej Inteligencji, ul. Śniadeckich 2, 75-453 Koszalin

autor

Suszyński Z.

• Politechnika Koszalińska, katedra Systemów Multimedialnych i Sztucznej Inteligencji, ul. Śniadeckich 2, 75-453 Koszalin

Bibliografia

• [1] Suszyński Z.: Termofalowe metody badania materiałów i przyrządów elektronicznych, Monografia habilitacyjna, Wydawnictwo Uczelniane Politechniki Koszalińskiej, 2001.
• [2] Arsoba R., Suszyński Z.: Application of photoacoustic method and evolutionary algorithm for determination of thermal properties of layered structure, Journal de Physique IV - Proceedings, Vol. 117, pp. 1-6 , October 2004.
• [3] Drineas P., Frieze A., Kannan R., Vempala S., Vinay V.: Clustering large graphs via the singular value decomposition, Mach. Learn., 56(1-3):9–33, 2004.
• [4] MacQueen J. B.: Some methods for classification and analysis of multivariate observations, In proceedings of the fifth Berkeley Symposium on Mathematical Statistics and Probability, L. M. L. Cam and J. Neyman, eds., vol. 1, pp. 281-297, UC Press 1967.
• [5] Pena J. M., Lozano J. A., Larranaga P.: An empirical comparison of four initialization methods for the K-Means algorithm, Pattern Recognition Letters 20 (10), pp. 1027-1040, 1999.
• [6] Anderberg M. R.: Cluster analysis for applications, Academic Press, New York, 1973.
• [7] Arthur D., Vassilvitskii S.: K-Means++: the advantages of careful seeding, Technical Report 2006-13, Stanford InfoLab, 2006.
• [8] Hamerly G., Elkan Ch.: Alternatives to the k-means algorithm that find better clusterings, In proceedings of the ACM conference on information and knowledge management (CIKM), pp. 600-607, 2002.