Grupowanie obrazów według ich zawartości za pomocą metody Quasi-Color Histogram

• Autorzy: Pisarek, M.

Warianty tytułu

EN

Database Image Clustering by image contents using Quasi-Color Histogram

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawione zostały zagadnienia związane z dynamiką energetycznych filtrów aktywnych (EFA). Ścisły związek z reakcją układów EFA na zmiany obciążenia mają filtry cyfrowe stosowane w algorytmie sterowania służące do dekompozycji składowych mocy chwilowej. W pracy przedstawione zostały wyniki symulacji i badań laboratoryjnych z porównaniem dynamiki układu EFA dla wybranych filtrów cyfrowych.

EN

This paper considers problems concerning database image clustering by image contents. Several clustering validity techniques and indices have been presented. This paper presents results of series of experiments of clustering real image data set using Quasi-Color Histogram method.

Słowa kluczowe

PL

eksploracja danych; klasteryzacja; grupowanie obrazów

EN

data mining; database image clustering; clustering validity; clustering algorithms

• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2008
• Tom: R. 84, nr 6
• Strony: 95-100
• Opis fizyczny: Bibliogr. 12 poz., tab., rys., wykr.

Twórcy

autor

Pisarek, M.

• Uniwersytet Technologiczno-Przyrodniczy, Instytut Telekomunikacji i Elektrotechniki w Bydgoszczy,

Bibliografia

• [1] Pisarek M., Metoda wyszukiwania obrazów według ich zawartości wykorzystująca histogramy quasikolorów i dyskretne przekształcenie falkowe, Przegląd Elektrotechniczny,Nr 5, str. 110-115, 2007.
• [2] Latecki L.J., Lakamper R., Shape Similarity Measure Based on Correspondence of Visual Parts, IEEE Trans. Pattern Analysis and Machine Intelligence, 22(10):1185-1190, 2000.
• [3] Chao-bing Huang, Sheng-sheng Yu, Jing-li Zhou, Hong-wei Lu, Image retrieval using both color and local spatial feature histograms, Communications, Circuits and Systems, Volume: 2, pp. 927-931, 2004
• [4] Lim S., Lu G., Spatial statistics for content based image retrieval, IEEE International Conference on Information Technology: Computers and Communications, 2003.
• [5] Davies D. and Bouldin D., A Cluster Separation Measure, IEEE Trans. Pattern Anal. Mach. Intell., Vol. 1, No 2, pp. 224-227, 1979.
• [6] Xie XL, Beni G., A validity measure for fuzzy clustering, IEEE Trans Pattern Anal Machine Intell 13:841-847, 1991.
• [7] Halkidi M., Vazirgiannis M., Batistakis Y., Quality scheme assessment in the clustering process, Proceedings of PKDD, Lyon, France, 2000.
• [8] Halkidi M., Batistakis Y., Vazirgiannis M., On Clustering Validation Techniques, Journal of Intelligent Information Systems, Volume 17, Issue 2-3, pp. 107–145, 2001.
• [9] Chou C.H., Su M.C., Lai E., A new cluster validity measure and its application to image compression, Pattern Analysis and Applications 7(2), pp. 205-220, 2004.
• [10] Kovács F., Legány C., Babos A. Cluster Validity Measurement Techniques, Proc. of 6th International Symposium of Hungarian Researchers on Computational Intelligence, 2005.
• [11] Ester M., Kriegel H. P., Sander J&g, Xu X., A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise, Proceedings of 2nd Int.Conf. On Knowledge Discovery and Data Mining, Portland, OR, pp. 226-231, 1996.
• [12] http://wang.ist.psu.edu/~jwang/test1.tar