УСКОРЕННЫЕ АЛГОРИТМЫ ВЫРАЩИВАНИЯ СЕГМЕНТОВ ИЗ ОБЛАСТЕЙ ИЗОБРАЖЕНИЙ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В работе предлагаются новые алгоритмы объединения суперпиксельных областей в сегменты. Основная идея состоит в том, чтобы при объединении суперпикселей, во-первых, использовалась стратегия, при которой сегмент выращивается из соседних областей до тех пор, пока выполняются условия объединения, и, во-вторых, при объединении областей применяемая информационная мера качества не должна возрастать. Предлагается три алгоритма на основе указанной стратегии, которые отличаются условиями принятия решения об объединении суперпикселей. Проведен вычислительный эксперимент на тестовых изображениях. Эксперимент показал, что предлагаемые алгоритмы позволяют ускорить процесс сегментации по сравнению с применявшейся процедурой при допустимых потерях информационных мер качества полученных разбиений. Библ. 25. Фиг. 8. Табл. 2.

Об авторах

Д. М Мурашов

ФИЦ ИУ РАН

Email: d_murashov@mail.ru
Москва, Россия

Список литературы

  1. Ikonomatakis N., Plataniotis K. N., Zervakis M., Venetsanopoulos A. N. Region growing and region merging image segmentation // Proc. of 13th Internat. Conference on Digital Signal Proc., Santorini, Greece. 1997. Vol. 1. P. 299–302. doi: 10.1109/ICDSP.1997.628077.
  2. Peng B., Zhang L., Zhang D. Automatic Image Segmentation by Dynamic Region Merging // IEEE Transactions on Image Proc.. 2011. Vol. 20(12). P. 3592–3605. doi: 10.1109/TIP.2011.2157512.
  3. Ko H.Y., Ding J.J. Adaptive growing and merging algorithm for image segmentation // 2016 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA), Jeju, Korea (South). 2016. P. 1–10. doi: 10.1109/APSIPA.2016.7820762.
  4. Chamalis T., Likas A. Region merging for image segmentation based on unimodality tests // 2017 3rd Internat. Conference on Control, Automation and Robotics (ICCAR), Nagoya, Japan. 2017. P. 381–384. doi: 10.1109/ICCAR.2017.7942722.
  5. Tang R., Song W., Guan X., Ge H., Kong D. Dam Burst: A region-merging-based image segmentation method // ArXiv. 2020. abs/2003.04797. https://doi.org/10.48550/arXiv.2003.04797.
  6. Kharinov M. Stable Segmentation of Digital Image //arXiv preprint arXiv:1208.2655. 2012.
  7. Shuanhu Di, Miao Liao, Yuqian Zhao, Yang Li, Yezhan Zeng. Image superpixel segmentation based on hierarchical multi-level LI-SLIC // Optics & Laser Technology. 2021. Vol. 135. 106703. https://doi.org/10.1016/j.optlastec.2020.106703.
  8. Liu T., Seyedhosseini M., Tasdizen T. Image Segmentation Using Hierarchical Merge Tree // IEEE Transactions on Image Proc. 2016. Vol. 25(10). P. 4596–4607. doi: 10.1109/TIP.2016.2592704.
  9. Чочиа П.А. Сегментация изображений на основе анализа расстояний в пространстве признаков // Автометрия. 2014. №4. С. 97–110.
  10. Альмияхи О.М., Цветков В.Ю., Конопелько В.К., Гусева О.В. Адаптивное двухпороговое квантование и сегментация изображений на основе разделения и слияния областей // Докл. БГУИР. 2016. №7(101). С. 183–187.
  11. Calderero F., Marques F. Region Merging Techniques Using Information Theory Statistical Measures // IEEE Transactions on Image Proc. 2010. Vol. 19(6). P. 1567–1586. doi: 10.1109/TIP.2010.2043008.
  12. Rigau J., Feixas M., Sbert S. An information theoretic framework for image segmentation // 2004 Internat. Conference on Image Proc. ICIP ’04. Singapore. 2004. Vol. 2. P. 1193–1196. doi: 10.1109/ICIP.2004.1419518.
  13. Bardera A., Rigau J., Boada I., Feixas M., Sbert S. Image Segmentation Using Information Bottleneck Method // IEEE Transactions on Image Processing. 2009. Vol. 18(7). P. 1601–1612. doi: 10.1109/TIP.2009.2017823.
  14. Mirsadeghi S. E., Royat A., Rezatofighi H. Unsupervised Image Segmentation by Mutual Information Maximization and Adversarial Regularization // IEEE Robotics and Automation Letters. 2021. Vol. 6(4). P. 6931–6938. doi: 10.1109/LRA.2021.3095311.
  15. Tishby N. Pereira F. C., Bialek W. The information bottleneck method // Proc. of the 37th Annual Allerton Conference on Communication, Control and Computing. 1999. P. 368–377.
  16. Lv X., Persello C., Huang X., Ming D., Stein A. DeepMerge: Deep Learning-Based Region-Merging for Image Segmentation //arXiv preprint arXiv:2305.19787v2[cs.CV]. – 2024. https://doi.org/10.48550/arXiv.2305.19787
  17. Murashov D. Theoretical-information quality model for image segmentation // Procedia Engng. 2017. Vol. 201. P. 239–248.
  18. Murashov D. Application of Information Redundancy Measure To Image Segmentation. In: Strijov V., Ignatov D., Vorontsov K. (eds) Intelligent Data Processing. IDP 2016. Communications in Computer and Information Science. Springer, Cham. 2019. Vol. 794. P. 125–139. DOI: https://doi.org/10.1007/978-3-030-35400-8_9
  19. Murashov D.M. An Information Model for Digital Image Segmentation // Pattern Recognit. Image Anal. 2021. Vol. 31. P. 632–645.
  20. Achanta R., Shaji A., Smith K., Lucchi A., Fua P., Susstrunk S. SLIC superpixels compared to state-of-the-art superpixel methods // IEEE Trans. Pattern Anal. Mach. Intell. 2012. Vol. 34(11). P. 2274–2282.
  21. Ланге А.М., Ланге М.М., Парамонов С.В. О соотношении взаимной информации и вероятности ошибки в задаче классификации данных // Ж. вычисл. матем. и матем. физ. 2021. T. 61.№7. С. 1192–1205.
  22. Cover T.M, Thomas J.A. Elements of Information Theory.Wiley Series in Telecommunications. 2-nd ed. JohnWiley & Sons, Inc. 2006. 774 P.
  23. Meila M. Comparing clusterings: an axiomatic view // In: Proc. of the 22nd Int. Conf. on “Machine learning (ACM, 2005)”, Bonn, Germany, August 7 – 11 2005. ACM, New York, NY, USA. 2005. P. 577–584.
  24. Arbelaez P., Maire M., Fowlkes C., Malik J. Contour Detection and Hierarchical Image Segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011. Vol. 33(5), P. 898–916. doi: 10.1109/TPAMI.2010.161
  25. Martin D., Fowlkes C.,Tal D., Malik J.Adatabase of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics // Proc. “8th Int. Conf. on Comput. Vis. (ICCV 2001)”, Vancouver, BC, Canada, 07–14 July 2001. IEEE. 2001. Vol. 2. P. 416–423.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2024