Τμηματοποίηση εικόνων από χαρακτηριστικά χρώματος και υφής με χρήση στατιστικών μοντέλων και μεθόδων ΜΔΕ

 
Το τεκμήριο παρέχεται από τον φορέα :

Αποθετήριο :
E-Locus Ιδρυματικό Καταθετήριο
δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
κοινοποιήστε το τεκμήριο




2000 (EL)
Image segmentation by color and texture feature using statistical models and PDE methods
Τμηματοποίηση εικόνων από χαρακτηριστικά χρώματος και υφής με χρήση στατιστικών μοντέλων και μεθόδων ΜΔΕ

Σηφάκης, Ευτύχης Δ

Στην αναφορά αυτή παρουσιάζεται η μελέτη και υλοποίηση ενός συστήματος τμηματοποίησης εικόνων το οποίο βασίζεται στην από κοινού αξιοποίηση χαρακτηριστικών φωτεινότητας, χρώματος και υφής. Ως χαρακτηριστικά φωτεινότητας και χρώματος χρησιμοποιούνται τα αντίστοιχα κανονικοποιημένα ιστογράμματα, ενώ ως χαρακτηριστικά υφής χρησιμοποιούνται οι διασπορές των συνιστωσών της ανάλυσης Discrete Wavelet Frames της εικόνας εισόδου. Για την εκτίμηση των χαρακτηριστικών των πρότυπων κλάσεων εφαρμόζεται μία τεχνική ιεραρχικής ομαδοποίησης σε τετράγωνα μλοκ της εικόνας. Μετά από τη στατιστική μοντελοποίηση των δεδομένων, η μετρική Bhattacharya χρησιμοποιείται για την κατάταξη με μεγάλη εμπιστοσύνη ενός υποσυνόλου της εικόνας στις κλάσεις που έχουν εξαχθεί. Ο βασισμένος σε τεχνικές επιπέδων στάθμης (level sets) αλγόριθμος Multi-Label Fast Marching χρησιμοποιείται για τη διάδοση των αρχικών αποφάσεων κατάταξης στο σύνολο της εικόνας. (EL)
This report presents the design and impementation of an image segmentation system baeed on the joint usage of intensity, color and texture features. Intensity and color features consist of the respective normalized local histograms, while the local variances of the Disrete Wavelet Frames analysis components are used as the texture descriptors. A hierarchical clustering technique is applied on square image blocks to estimate the features of the prototype classes. Following the statistical modeling of the corresponding features, the Bhattacharya metric is used to yield high confidence classifications of image pixels into the extracted classes. The level set based Multi-Label Fast Marching algorithm is used for the propagation of initial classification decisions towards the rest of the image. (EN)

text
Τύπος Εργασίας--Τεχνικές αναφορές


Ελληνική γλώσσα

2000-07-13


Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Επιστήμης Υπολογιστών--Τεχνικές αναφορές



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.