Publication details

Unsupervised Texture Segmentation Using Multispectral Modelling Approach

Conference Paper (international conference)

Haindl Michal, Mikeš Stanislav


serial: Proceedings of ICPR 2006 - The 18th International Conference on Pattern Recognition, p. 203-206 , Eds: Tang Y.Y., Wang S.P., Yeung D.S., Yan H., Lorette G.

action: ICPR 2006 - The 18th International Conference on Pattern Recognition, (Hong Kong, CN, 20.08.2006-24.08.2006)

research: CEZ:AV0Z10750506

project(s): 507752, , IAA2075302, GA AV ČR, 1ET400750407, GA AV ČR, 1M0572, GA MŠk

keywords: texture segmentation, unsupervised classification, image segmentation

preview: Download

abstract (eng):

A new unsupervised multispectral texture segmentation method with unknown number of classes is presented. Multispectral texture mosaics are locally represented by four causal multispectral random field models recursively evaluated for each pixel. The segmentation algorithm is based on the underlying Gaussian mixture model and starts with an over segmented initial estimation which is adaptively modified until the optimal number of homogeneous texture segments is reached. The performance of the presented method is extensively tested on the Prague segmentation benchmark using the commonest segmentation criteria and compares favourably with several alternative texture segmentation methods.

abstract (cze):

Nový algoritmus pro neřízenou segmentaci multispektrálních textur s neznámým počtem tříd je prezentován. Multispektrální texturní mozaiky jsou lokálně reprezentovány čtyřmi kauzálními multispektrálními modely náhodných polí, které jsou identifikovány pro každý pixel. Segmentační algoritmus je založen na modelu gaussovské směsi a začína s přesegmentovaným odhadem, který se adaptivně upravuje až se dosáhne optimální počet texturních homogenních oblastí. Vlastnost metody jsou extenzivně testovány na Pražském segmentačním benchmarku při použití nejčastěji používaných segmentačních kritérií. Výsledky jsou lepší, než výsledky několika porovnávaných alternativních segmentačních metod.

Cosati: 09K

RIV: BD