The authors proposed a solution to the over-segmentation of color images processed by watershed segmentation algorithm. The solution utilizes hierarchical cluster analysis and treats watersheds as objects characterized by a number of attributes. This paper briefly discusses the solution (clustering methods, their parameters, selected watershed attributes) and presents an algorithm used for selecting optimal parameters for cluster analysis. Detailed results obtained for a set of test images are presented and discussed.
PL
Autorzy zaproponowali rozwiązanie problem nadsegmentacji obrazów barwnych. Zjawisko to występuje w wyniku zastosowania transformacji wododziałowej. Rozwiązanie wykorzystuje hierarchiczną analizę skupień i traktuje zlewiska jako obiekty opisane zestawami atrybutów. Artykuł, krótko omawia zaproponowaną metodę (metody analizy skupień, jej parametry, wybrane atrybuty zlewisk) a także przedstawia algorytm zastosowany do doboru optymalnych parametrów analizy skupień. Artykuł przedstawia i omawia również wyniki otrzymane dla obrazów testowych.
A watershed-based region growing image segmentation algorithm requires a fast watershed-based dilation implementation for effective operation. This paper presents a new way for watershed image representation and uses this representation for effective implementation of dilation. Methods for improving the algorithm speed are discussed. Presented solutions may also be used for solving other problems where fast set summation is required.
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.
Transformacja wododziałowa może być stosowana zarówno do obrazów czarno-białych, jak i kolorowych. Na swoim wejściu transformacja powinna otrzymać obraz, w którym duże wartości odpowiadają krawędziom. Większość obrazów można przekształcić do tej postaci za pomocą odpowiedniego filtru gradientowego (dostosowanego do obrazów kolorowych lub czarno-białych). Niestety wynik działania transformacji wododziałowej jest praktycznie zawsze nadmiernie posegmentowany. Stosowanie prostych metod usuwania nadsegmentacji często nie daje dobrych wyników. Artykuł przedstawia rozwiązanie tego problemu korzystające z analizy skupień. Umożliwia ono połączenie zlewisk w żądaną liczbę klas. Parametry analizy skupień pozwalają na dostosowanie jej do obrazów konkretnego typu, a także pozwalają na uwzględnienie w procesie łączenia zlewisk informacji ignorowanych przez transformację wododziałową.
EN
Watershed transformation can be applied to color as well as to gray-scale images. It requires a height function as its input. Most images may be converted to the required form by means of a gradient filter suited for the type of image being segmented. Unfortunately, in most cases, the image after watershed transformation is heavily over-segmented. Using simple methods for reducing over-segmentation doesn't give good results. This paper presents a solution to this problem that utilizes cluster analysis. It allows for watershed merging that produces a requested number of classes. Cluster analysis is very flexible. Its parameters can easily be exchanged in order to adapt the method for a particular type of image. Attributes used for watershed merging may take into account information that is disregarded by the watershed transformation itself.
5
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
In this paper a new method for automatic segmentation and classification of fundus eye images (fei) into normal and glaucomatous ones is proposed. The segmentation of the cup region from the fei makes use of a morphological watershed transformation with markers imposed. New features for quantitative cup evaluation are found based on genetic algorithms with the proposed new fitness function. The computed features are then used in a classification procedure which is based on a multilayer perceptron. The mean sensitivity is 90%, while the mean specificity reaches 85%. The results obtained are encouraging.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.