Wyniki wyszukiwania - BazTech

1

Segmentation of brain MR images using rough set based intuitionistic fuzzy clustering

Dubey Y. K., Mushrif M. M., Mitra K.

Biocybernetics and Biomedical Engineering

|

2016

|

Vol. 36, no. 2

413--426

EN

Intuitionistic fuzzy sets and rough sets are widely used for medical image segmentation, and recently combined together to deal with uncertainty and vagueness in medical images. In this paper, a rough set based intuitionistic fuzzy c-means (RIFCM) clustering algorithm is proposed for segmentation of the magnetic resonance (MR) brain images. Firstly, we proposed a new automated method to determine the initial values of cluster centroid using intuitionistic fuzzy roughness measure, obtained by considering intuitionistic fuzzy histon as upper approximation of rough set and fuzzy histogram as lower approximation of rough set. A new intuitionistic fuzzy complement function is proposed for intuitionistic fuzzy image representation to take into account intensity inhomogeneity and noise in brain MR images. The results of segmentation of proposed algorithm are compared with the existing rough set based fuzzy clustering algorithms, intuitionistic fuzzy clustering and bias corrected fuzzy clustering algorithm. Experimental results demonstrate the superiority of proposed algorithm.

2

A New Image Enhancement Based on the Fuzzy C-Means Clustering

Liu Y., Liu Y.

Przegląd Elektrotechniczny

|

2012

|

R. 88, nr 3b

1-4

EN

The enhancement of the infrared dim small target image is a very important pretreatment in automatic recognition of target and infrared target tracking system. The paper proposed a new image enhancement algorithm based on the Fuzzy C-Means clustering. The algorithm conducted cluster analysis on the pixel and gray of the infrared image and increased the image gray level difference between the various objects so as to achieve the enhanced purpose for infrared small target image. The experimental results showed that this algorithm is able to enhance small target image to the maximum extent with ensuring no loss of the target information.

PL

W artykule zaproponowano nowy algorytm poprawy jakości obrazu otrzymanego w podczerwieni bazujący na klastrach rozmytych typu C. Algorytm analizuje piksle i odcień szarości obrazu i rozszerza poziom różnic szarości. Symulacje potwierdziły przydatność algorytmu dla małych zbiorów.

3

An automatic segmentation method for scanned images of wheat root systems with dark discolourations

Gocławski J., Sekulska-Nalewajko J., Gajewska E., Wielanek M.

International Journal of Applied Mathematics and Computer Science

|

2009

|

Vol. 19, no 4

679-689

EN

The analysis of plant root system images plays an important role in the diagnosis of plant health state, the detection of possible diseases and growth distortions. This paper describes an initial stage of automatic analysis-the segmentation method for scanned images of Ni-treated wheat roots from hydroponic culture. The main roots of a wheat fibrous system are placed separately in the scanner view area on a high chroma background (blue or red). The first stage of the method includes the transformation of a scanned RGB image into the HCI (Hue-Chroma-Intensity) colour space and then local thresholding of the chroma component to extract a binary root image. Possible chromatic discolourations, different from background colour, are added to the roots from blue or red chroma subcomponent images after thresholding. At the second stage, dark discolourations are extracted by local fuzzy c-means clustering of an HCI intensity image within the binary root mask. Fuzzy clustering is applied in local windows around the series of sample points on roots medial axes (skeleton). The performance of the proposed method is compared with hand-labelled segmentation for a series of several root systems.

4

Nowa metoda detekcji defektów tekstury w automatycznej inspekcji wizyjnej

Tomczak Ł., Mosorov V., Kaczorowski D.

Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

|

2006

|

T. 10, z. 3

471-475

PL

W artykule przedstawiono nowy algorytm detekcji defektów, występujących w powierzchniach teksturowych, który, w przeciwieństwie do wielu metod opisanych w literaturze, nie wykorzystuje klasyfikacji nadzorowanej. Dzięki temu nie wymaga przygotowania zbioru uczącego i może być łatwo zastosowany w automatycznym systemie dokonującym wizualnej inspekcji powierzchni materiałów takich, jak: drewno, papier, materiały tekstylne, stal lub skały. W celu wykrycia i określenia lokalizacji defektów tekstur proponowane podejście dzieli analizowany obraz na obszary, następnie z wykorzystaniem rozkładu macierzy według wartości szczególnych i technik przetwarzania obrazów wyznacza cechy opisujące każdy z obszarów. Ostatecznie algorytm stosuje klasteryzację za pomocą metody rozmytych c-środków w celu zaklasyfikowania obszarów do jednej z dwóch klas: klasy defektu lub klasy pozbawionej defektu. Prezentowany algorytm zastosowano do analizy defektów, występujących w przykładowych teksturach naturalnych.

EN

In this paper we propose an algorithm for texture defects detection, which doesn't use supervised classification. The algorithm can be simply applied in an automatic visual inspection system. For localization of texture defects we calculate features of each non-overlapping region of an image via the Singular Value Decomposition (SVD) and image processing techniques. In next step the algorithm uses the fuzzy c-means clustering (FCM) to classify each region into two clusters. Finally we define a distance between centres of defective and non-defective clusters using some threshold value chosen empirically.