Inicjalizacja segmentacji k-means uwzględniająca rozkład gęstości pikseli

• Autorzy: Świta R. , Suszyński Z.
• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia modyfikację inicjalizacji KKZ algorytmu k-means, uwzględniającą, oprócz wzajemnych odległości środków segmentów, również rozkład gęstości pikseli. Funkcja gęstości piksela jest sumą odwrotności odległości piksela od pozostałych i jest poddawana oszacowaniu na podstawie odległości piksela od wartości średniej i wariancji wartości pikseli. W eksperymentach segmentacji podlegały cztery różne sekwencje obrazów termicznych uzyskanych metodą termografii aktywnej. Pomimo dodatkowych obliczeń podczas inicjalizacji, metoda wykazała szybszą zbieżność algorytmu z czasami bardzo podobnymi do inicjalizacji KKZ, ale mniejszym błędem końcowym segmentacji.

EN

This article presents a modification for the KKZ initialization of the k-means segmentation algorithm, which, in addition to the mutual distance of segments, takes into account the density of pixels. Pixel density is expressed asa sum of the inverse of the pixel’s distance to the other pixels and is subjected to estimation based on the distance from the mean and variance of the pixel values. In the experiments, four different sequences of thermal images were used, obtained using active thermography. Despite the additional calculations during initialization, method showed a faster convergence of the algorithm, with processing times very similar to the KKZ initialization, but with a lower final segmentation error.

Słowa kluczowe

PL

FA; KKZ; k-means; kmeans++; segmentacja

EN

FA; KKZ; k-means; k-means ++; segmentation; High Density

• Wydawca: Wydawnictwo Uczelniane Politechniki Koszalińskiej
• Czasopismo: Zeszyty Naukowe Wydziału Elektroniki i Informatyki Politechniki Koszalińskiej
• Rocznik: 2014
• Tom: Nr 6
• Strony: 89--98
• Opis fizyczny: Bibliogr. 9 poz., rys., tab., wykr.

Twórcy

autor

Świta R.

• Katedra Systemów Multimedialnych i Sztucznej Inteligencji, Wydział Elektroniki i Informatyki,Politechnika Koszalińska

autor

Suszyński Z.

• Katedra Systemów Multimedialnych i Sztucznej Inteligencji, Wydział Elektroniki i Informatyki,Politechnika Koszalińska

Bibliografia

• 1. J. M. Pena, J. A. Lozano, P. Larranaga, An empirical comparison of four initialization methods for the k means algorithm, Pattern Recognition Letters 20 (10), 1027 (1999)
• 2. E. Forgy, Cluster analysis of multivariate data: Efficiency versusinterpretability of classifications, Biometrics, 21, 768 (1965)
• 3. J. MacQueen, Some Methods for Classification and Analysis of Multivariate Observations, Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability, 1, 281 (1967)
• 4. S. P. Lloyd, Least Squares Quantization in PCM, IEEE Trans. Information Theory, 28, 129 (1982)
• 5. X. Wu, V. Kumar, J. R. Quinlan, J. Ghosh, Q. Yang, H. Motoda, G. J. McLachlan, A. F. M. Ng, B. Liu, P. S. Yu, Z. Zhou, M. Steinbach, D. J. Hand, D. Steinberg, Top 10 algorithms in data mining, Knowledge and Information Systems, 14 (1), 1 (2008)
• 6. J. C. Bezdek Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, New York (1981).
• 7. I. Katsavounidis, C. Kuo, Z. Zhang, A new initialization technique for generalised Lloyd iteration, IEEE Signal Processing Letters 1 (10), 144 (1994)
• 8. D. Arthur, S. Vassilvitskii, k-means++: the advantages of careful seeding, Proceedings of the 18th annual ACM-SIAM Symposium on Discrete Algorithms, 1027 (2007)
• 9. S. J. Redmond, C. Heneghan, A method for initialising the K-means clustering algorithm using kd-trees, Pattern Recognition Letters 28, 965 (2007)