Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tính toán tự động số lượng cụm cho phân đoạn ảnh màu bằng cách sử dụng fuzzy c-means thông qua việc trích xuất các đặc trưng màu sắc
Tóm tắt
Trong bài báo này, chúng tôi giới thiệu một phương pháp phân đoạn ảnh màu bằng cách tự động tính toán số lượng cụm mà dữ liệu, cụ thể là các pixel, được chia thành bằng cách sử dụng fuzzy c-means. Trong một số công trình, số lượng cụm được xác định bởi người dùng. Trong những công trình khác, số lượng cụm được tính toán bằng cách xác định số lượng màu sắc chiếm ưu thế, được xác định bằng các mạng nơ-ron (NN) không giám sát đã được huấn luyện với các màu của ảnh; số lượng màu sắc chiếm ưu thế được xác định bởi số lượng nơ-ron hoạt động nhiều nhất. Những nhược điểm của phương pháp này là: (1) Mạng nơ-ron cần được huấn luyện mỗi khi có một ảnh mới được đưa vào và (2) bất chấp việc sử dụng các không gian màu khác nhau, dữ liệu cường độ của màu sắc đều được sử dụng, do đó, các hiệu ứng không mong muốn của ánh sáng không đồng nhất có thể ảnh hưởng đến việc tính toán số lượng màu sắc chiếm ưu thế. Đề xuất của chúng tôi bao gồm việc xử lý các bức ảnh với một mạng nơ-ron không giám sát đã được huấn luyện trước với các mẫu màu sắc của các màu khác nhau; số lượng nơ-ron có tần suất kích hoạt cao nhất xác định số lượng cụm mà bức ảnh được phân đoạn. Bằng cách huấn luyện mạng nơ-ron với dữ liệu màu sắc, nó có thể được sử dụng để xử lý bất kỳ bức ảnh nào mà không cần huấn luyện lại, và phương pháp của chúng tôi, đến một mức độ nào đó, có độ bền vững đối với ánh sáng không đồng nhất. Chúng tôi thực hiện các thí nghiệm với các bức ảnh trong cơ sở dữ liệu phân đoạn Berkeley, sử dụng mạng nơ-ron cạnh tranh và bản đồ tự tổ chức; chúng tôi tính toán và so sánh đánh giá định lượng của các bức ảnh phân đoạn thu được với các công trình liên quan sử dụng chỉ số ngẫu nhiên xác suất và các chỉ số biến thiên thông tin.
Từ khóa
#phân đoạn ảnh màu #số lượng cụm #fuzzy c-means #mạng nơ-ron không giám sát #đặc trưng màu sắc #cơ sở dữ liệu phân đoạn BerkeleyTài liệu tham khảo
Ghoneim DM (2011) Optimizing automated characterization of liver fibrosis histological images by investigating color spaces at different resolutions. Theor Biol Med Model 8:25
Harrabi R, Braiek EB (2012) Color image segmentation using multi-level thresholding approach and data fusion tecniques: application in the breast cancer cells images. J Image Video Process 2012:11. https://doi.org/10.1186/1687-5281-2012-11
Gökmen V, Sügüt I (2007) A non-contact computer vision based analysis of color in foods. Int J Food Eng 3(5):article 5
Lopez JJ, Cobos M, Aguilera E (2011) Computer-based detection and classification of flaws in citrus fruits. Neural Comput Appl 20(7):975–981
Lepistö L, Kuntuu I, Visa A (2005) Rock image classification using color features in Gabor space. J Electron Imaging 14(4):1–3
Wang F, Man L, Wang B, Xiao Y, Pan W, Lu X (2008) Fuzzy-based algorithm for color recognition of license plates. Pattern Recognit Lett 29(7):1007–1020
Rotaru C, Graf T, Zhang J (2008) Color image segmentation in HSI space for automotive applications. J Real-Time Image Process 3(4):311–322
Bianconi F, Fernández A, González E, Saetta SA (2013) Performance analysis of colour descriptors for parquet sorting. Expert Syst Appl 40(5):1636–1644
Cano Marchal P, Martinez Gila D, Gamez Garcia J, Gomez Ortega J (2013) Expert system based on computer vision estimate the content of impurities in olive oil samples. J Food Eng 119(2):220–228
Zhang H, Fritts JE, Goldman SA (2008) Image segmentation evaluation: a survey of unsupervised methods. Comput Vis Image Underst 110(2):260–280
Wang L, Dong M (2012) Multi-level low-rank approximation-based spectral clustering for image segmentation. Pattern Recognit. Lett 33(16):2206–2215
Mújica-Vargas D, Gallegos-Funes FJ, Rosales-Silva AJ (2013) A fuzzy clustering algorithm with spatial robust estimation constraint for noisy color image segmentation. Pattern Recognit Lett 34(4):400–413
Nadernejad E, Sharifzadeh S (2013) A new method for image segmentation based on fuzzy c-means algorithm on pixonal images formed by bilateral filtering. Signal Image Video Process 7(5):855–863
Guo Y, Sengur A (2013) A novel color image segmentation approach based on neutrosophic set and modified fuzzy c-means. Circuits Syst Signal Process 32(4):1699–1723
Kim JY (2014) Segmentation of lip region in color images by fuzzy clustering. Int J Control Autom Syst 12(3):652–661
Ong S, Yeo N, Lee K, Venkatesh Y, Cao D (2002) Segmentation of color images using a two-stage self-organizing network. Image Vis Comput 20(4):279–289
Araujo A, Costa D (2009) Local adaptive receptive field self-organizing map for image color segmentation. Image Vis Comput 27(9):1229–1239
Stephanakis IM, Anastassopoulos GC, Iliadis LS (2010) Color segmentation using self-organizing feature maps (SOFMs) defined upon color and spatial image space. In: Artificial neural networks—ICANN 2010, LNCS 6352, Part I, pp 500–510
Halder A, Dalmiya S, Sadhu T (2014) Color image segmentation using semi-supervised self-organization feature map. Adv Signal Process Intell Recognit Syst 264:591–598
Ilea DE, Whelan PF (2008) CTex—an adaptive unsupervised segmentation algorithm based on color-texture coherence. IEEE Trans Image Process 17(10):1926–1939
Khan A, Jaffar MA (2015) Genetic algorithm and self organizing map based fuzzy hybrid intelligent method for color image segmentation. Appl Soft Comput 32:300–310
Khan A, Jaffar MA, Choi TA (2013) SOM and fuzzy based color image segmentation. Multimed Tools Appl 64(2):331–344
Khan A, Ullah J, Jaffar MA, Choi TA (2014) Color image segmentation: a novel spatial fuzzy genetic algorithm. Signal Image Video Process 8(7):1233–1243
Huang R, Sang N, Luo D, Tang Q (2011) Image segmentation via coherent clustering in L*a*b* color space. Pattern Recognit Lett 32(7):891–902
Gonzalez RC, Woods RE (2002) Digital image processing, 2nd edn. Prentice Hall, Upper Saddle River
Ito S, Yoshioka M, Omatu S, Kita K, Kugo K (2006) An image segmentation method using histograms and the human characteristics of HSI color space for a scene image. Artif Life Robot 10(1):6–10
Liu Z, Song YQ, Chen JM, Xie CH, Zhu F (2012) Color image segmentation using nonparametric mixture models with multivariate orthogonal polynomials. Neural Comput Appl 21(4):801–811
Sag T, Cunkas M (2015) Color image segmentation based on multiobjective artificial bee colony optimization. Appl Soft Comput 34:389–401
Salah MB, Mitiche A, Ayed IB (2011) Multiregion image segmentation by parametric kernel graph cuts. IEEE Trans Image Process 20(2):545–557
Tan KS, Isa NAM (2011) Color image segmentation using histogram thresholding—fuzzy c-means hybrid approach. Pattern Recognit 44(1):1–15
Huang R, Sang N, Lou D, Tang Q (2011) Image segmentation via coherent clustering in L*a*b* color space. Pattern Recognit Lett 32:391–902
Yang AY, Wright J, Ma Y, Sastry SS (2008) Unsupervised segmentation of natural images via lossy data compression. Comput Vis Image Underst 110(2):212–225
Nock R, Nielsen F (2004) Statistical region merging. IEEE Trans Pattern Anal Mach Intell 26(11):1452–1458
Mignotte M (2010) Penalized maximum rand estimator for image segmentation. IEEE Trans Image Process 19(6):1610–1624
Rashedi E, Nezamabadi-pour H (2013) A stochastic gravitational approach to feature based color. Eng Appl Artif Intell 26(4):1322–1332
Mignotte M (2014) A non-stationary MRF model for image segmentation from a soft boundary map. Pattern Anal Appl 17(1):129–139
Kohonen T (1990) The self-organizing map. Proc IEEE 78(9):1464–1480
Jang JR, Sun C, Mizutani E (1997) Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence. Prentice Hall, Upper Saddle River
Estrada FJ, Jepson AD (2009) Benchmarking image segmentation algorithms. Int J Comput Vis 85(2):167–181
Cover TM, Thomas JA (2006) Elements of information theory. Wiley, New York
Mignotte M, Helou C (2014) A precision-recall criterion based consensus model for fusing multiple segmentation. Int J Signal Process Image Process Pattern Recognit 7(3):61–82
Mignotte M (2014) A label field fusion model with a variation of information estimator for image segmentation. Inf Fusion 20:7–20