Conference Paper (international conference)
, ,
: Proceedings of the 16th International Conference on Image Processing, ICIP 2009, p. 4025-4028
: ICIP 2009, (Cairo, EG, 07.11.2009-11.11.2009)
: CEZ:AV0Z10750506
: 1M0572, GA MŠk, 2C06019, GA MŠk, GA102/08/0593, GA ČR
: unsupervised image segmentation, Illumination Invariants
: http://library.utia.cas.cz/separaty/2009/RO/haindl-illumination invariant unsupervised segmenter.pdf
(eng): A novel illumination invariant unsupervised multispectral texture segmentation method with unknown number of classes is presented. Multispectral texture mosaics are locally represented by illumination invariants derived from four directional causal multispectral Markovian models recursively evaluated for each pixel. Resulted parametric space is segmented using a Gaussian mixture model based unsupervised segmenter. The segmentation algorithm 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 large illumination invariant benchmark from the Prague Segmentation Benchmark using 21 segmentation criteria and compares favourably with an alternative segmentation method.
(cze): Nová metoda neřízené multispektrální segmentace textur, invariantní ke změně osvětlení a s neznámým počtem tříd je prezentována. Multispektrální texturní mozaiky jsou lokálně reprezentovány čtyřmi kauzálními směrovými multispektrálními modely náhodných polí rekurzivně odhadované pro každý pixel. Výsledný parametrický prostor je segmentován pomocí neřízeného segmentačního algoritmu, založeného na gaussovském směsovém modelu. Segmentace 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 21 nejpoužívanějších segmentačních kritérií. Metoda převyšuje několik špičkových alternativních obrazových segmentačních metod použitých pro srovnání.
: BD