Publication details

Unsupervised Texture Segmentation Using Multiple Segmenters Strategy

Journal Article

Haindl Michal, Mikeš Stanislav


serial: Lecture Notes in Computer Science vol.2007, 4472 (2007), p. 210-219

action: Multiple Classifier Systems, (Prague, CZ, 23.05.2007-25.05.2007)

research: CEZ:AV0Z10750506

project(s): 1ET400750407, GA AV ČR, 1M0572, GA MŠk, IAA2075302, GA AV ČR, 2C06019, GA MŠk, 507752,

keywords: Unsupervised Segmentation, Texture, Statistical Pattern Recognition

abstract (eng):

A novel unsupervised multi-spectral multiple-segmenter texture segmentation method with unknown number of classes is presented. The unsupervised segmenter is based on a combination of several unsupervised segmentation results, each in different resolution, using the sum rule. Multi-spectral texture mosaics are locally represented by four causal multi-spectral random field models recursively evaluated for each pixel. The single-resolution segmentation part of the 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):

Příspěvek prezentuje novou neřízenou multispektrální multisegmentační metodu segmentace textur s neznámým počtem tříd. Neřízená segmentace je založena na kombinaci několika segmentačních výsledků, každý v jiném rozlišení, při použití sumačního pravidla. Multispektrální texturní mozaiky jsou lokálně reprezentovány čtyřmi kauzálními multispektrálními modely náhodných polí rekurzivně odhadované pro každý pixel. Segmentační část algoritmu pro jednotlivé rozlišení je založena na gaussovském směsovém modelu a začíná s přesegmentovaným počátečním odhadem, který se adaptivně modifikuje až se dosáhne optimální počet homogenních texturních oblastí. Vlastnosti předložené metody jsou rozsáhle testovány na Pražském segmentačním benchmarku při použití množiny běžných segmentačních kritérií. Metoda převyšuje několik alternativních srovnávaných texturních segmentačních metod.

RIV: BD