雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际创新研究期刊》的研究在科学、工程和技术

菜单

ISSN在线(2319 - 8753)打印(2347 - 6710)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

综述图像分割、聚类和边界编码

沙Nilima1,PatelDhanesh2,JivaniAnjali3
  1. 助理教授、应用数学、技术和工程学院,硕士巴罗达大学、瓦尔道拉印度古吉拉特邦。
  2. 教授,应用数学,技术和工程学院,硕士大学巴罗达,瓦尔道拉,印度古吉拉特邦
  3. 副教授,计算机科学、技术和工程学院,节省成本。巴罗达大学、瓦尔道拉印度古吉拉特邦。
相关文章Pubmed,谷歌学者

访问更多的相关文章国际创新研究期刊》的研究在科学、工程和技术

国际创新研究期刊》的研究在科学、工程和技术

文摘

识别一个对象在一个图像是图像分割的主要目的,可以进一步应用于目标识别。图像分割可以被描述为一个隔离的过程图像分成不同部分给出一个有意义的代表形象。聚类算法在图像分割非常受欢迎,但是图像的区域的数量和初始集群重心必须是已知的先验。代表对象,边界编码的对象或领域也是一个重要的任务。目前,找到最好的多边形,达到一个小变形对于一个给定的边界的顶点数量段或对象的编码是一项具有挑战性的任务。几种方法的编码对象边界是知道使用链码的概念,b样条,凸包或德劳内三角测量方法等。回顾各种分割方法,聚类算法应用于图像分割以及边界编码算法是本文完成的

关键字
图像分割、集群、边界编码,物体识别

我的介绍。
图像被认为是作为一个方便的传递信息的媒介,在模式识别领域、对象识别和计算机视觉。无数的一些领域需要图像分析:从核磁共振图像,提取恶性组织导航机器人,识别各种对象,像土地和水体从远程sensedimages森林等,医学应用,指纹识别,虹膜识别,人脸识别等等。
图像分割是一种最重要的和必要的步骤,的帮助下,我们可以理解和提取图像信息或对象。它是隔离的过程图像分成一个或多个段,改变图像的表示感兴趣的对象,然后变得更有意义,可以很容易地分析。对于上述图像分析应用程序,图像分割processleads癌细胞的检测,检测机器人导航路径和对象,检测的土地、水和森林地区,面临提取或检测、虹膜(眼睛)检测分别从图像。因此,图像分割的基本步骤的过程中图像的分析。
一旦确认了感兴趣的对象在一个图像,存储使用对象边界的形状信息。作为数字图像存储和处理在一个网格格式之间的间距等于像素在x和y方向,边界像素编码遵循的边界连接对象说顺时针方向,分配一个方向连续段加入两像素。最流行的编码技术是Freeman链码。但这是低效的时间和内存需求即链代码会很长。减少循环码的长度,网格可以使用更大的网格间距重新取样。然后遍历的边界,边界点是分配给每个节点较大的网格根据最近的原始边界像素。这个边界可以编码导致减少边界长度。边界点也可以通过使用各种其他技术,如b样条跟踪获得的多边形,凸包或德劳内三角测量方法可进一步进行编码。
各种边界跟踪和编码算法的目标因此是最小化的边界长度以及最小化过程所花费的时间。文献调查显示,一些算法和技术已经开发了图像分割和边界编码。分割技术在另一个的选择和细分的水平所决定的特定类型的形象和特征有关的问题。研究边界编码提出了(35、36、37,25)。
摘要编译不同一般的分割技术,聚类方法和各种边界编码方法。
本文的组织结构如下:第二部分描述细分技术,section3讨论边界编码技术和第四节总结了纸。

二世。现有的分割技术
研究在图像分割领域多年以来获得了大量的关注。在文献中有几种不同的分割技术。但一个通用的方法可以应用于任何类型的图像并不是可用的。因此,并非所有方法同样适合一个特定类型的图像[41]。因此算法开发特定类别的图像,如组织或细胞图像可能不是适合提取面临从人类图像或从卫星图像中提取土地和水体。直到今天,开发一个通用算法一直是一个具有挑战性的问题。目前图像分割方法基于两个属性分类,检测不连续和检测,在图像。
答:检测不连续
检测图像基于不连续分区突然变化强度[11]。这些方法试图获得边缘检测算法进行图像分割或不同地区之间的像素强度的快速转变,(11日31日)和连接。灰度直方图和基于梯度的方法是基于这一理论的两个主要方法[18]。
简单的和无噪声的图像可以使用边缘检测分割算法,但当应用于复杂的边缘和噪声图像时所产生的缺失或额外的边缘[45]。
b .检测相似之处
检测相似方法图像分割成区域类似的根据一组预定义的标准[11]。阈值算法包含在这一类,区域增长,区域分割和合并。图像分割的阈值是一个简单但强大的方法分割图像在黑暗背景光对象[11]。阈值可以是用户输入或通过一个算法但两个分区的数量是有限的。也没有考虑图像的空间特征和噪声敏感[18]。基于区域的方法、图像分割成区域类似的根据一组预定义的标准[16日11]。基于区域的算法进一步分为区域生长和区域分割和合并的方法。区域发展是一个过程(2,12)组织整个图像的像素在子区域或更大区域根据预定义的标准[3]从每个像素在一个组。一个图像可以分为一组无关的任意区域的区域可以被合并,而不是选择初始种子点(2,18)为了满足的条件合理的图像分割。
区域分割和合并技术,通常是由四树的数据实现理论。
c .分割方法基于PDE(偏微分方程)
偏微分方程及其数值方案可以用来分割图像。卡斯等人在1987年首次引入该方法[15]找到熟悉的物体存在的噪音。主动轮廓或蛇是计算机生成的曲线获得使用PDE(15日49)由用户交互[19]放置在物体边界之内找到对象的图像移动内部和外部力量的影响下。
水平集方法是高度有用的是由Osher和Sethian[15]使用pde基于基于曲线和表面曲率的速度移动。这里开发的技术处理拓扑变化很好,也提供了更精确的数值实现。
基于神经网络的分割
基于神经网络的segmentationdiffers完全从传统的分割算法。图像映射到神经网络,每个神经元代表一个像素的图像[18],因此将图像分割问题转化为能量最小化问题。
e .集群
集群的定义是一个无监督学习的任务,需要确定一个有限集的类别称为集群分类像素[5]。像素分组成集群是基于类内相似度最小化原则和类similaritymaximization国米。根据算法的特点,我们可以将聚类算法分为硬聚类和软聚类。
硬聚类方法适用于数据集有一个大区别组织即尖锐的界限集群[22],一个像素属于一个且只有一个集群。硬聚类算法的最受欢迎的算法是k - means聚类算法[5]。简单的实现,计算成本也低,这使得它的第一偏好与大型数据集。但在这种方法中,K集群的数量必须确定[24]。它为每个执行可能会导致不同的结果依赖于初始聚类质心。
模糊聚类技术usedwhen之间没有清晰的界限对象在一个图像。这些技术分类像素值的准确性和适合程度决定组织肿瘤分类和检测等应用程序。
模糊聚类算法的模糊C意味着,Gustafson-Kessel,高斯混合分解,模糊C品种等。模糊C意思是最受欢迎的方法保留更多的信息比其他方法[29]但在噪声图像中不考虑空间信息导致其他几个作为改进的FCM算法的发展,基础FCMetc GSFCM,意味着转变。

三世。边界编码方案
平面曲线的编码是一个更吸引人的问题在今天的场景中,如目标识别和CAD。一些研究人员在这个领域所做的工作,但他们已经开发出的算法在上述领域可用于不同的应用程序。高效编码边界的研究工作中可以看到ofMusmann et al . (26、27)。
的近似边界可以通过一个多边形和类似样条逼近的感觉。在这种情况下的编码可以实现连续的顶点链编码方案。
众所周知,有两种方法用于编码细分信息——一个有损方法[14]方法基于样条逼近和链码分别[8]。
Jain A.K.[14]使用b样条曲线的近似边界。他制定一个优化过程寻找最佳位置的控制点均方误差(MSE)和近似之间的边界。他观察到,这是最好的方法来抚平边界通过选择均方误差作为变形措施。
m .动态心电图等。[27]近似样条线和多边形的边界。在这种情况下,变形测量作为原始边界之间的最大距离和近似。他的方法会导致一个好的近似但结果率是少一些。因此它是观察到的结果不便于编码的速率约束边界。
28[8,34岁,23日,17日,32]显示领域的研究工作链编码边界编码。使用最广泛的eight-connect链链代码的代码。进一步研究圭多·m·舒斯特尔的工作和Aggelos k Katsaggelos(35岁,37)显示使用多边形边界近似和8连接边界链码的编码。它快速但损耗的方法。[35]的算法是基于最短路径算法加权定向循环图和[37]基于拉格朗日方法。[36]是前两种方法的扩展。FabianMeirer Guido M舒斯特尔和Aggelos k Katsaggelos[25]用同样的方法但使用b样条曲线。很明显,使用曲线是更合理的方法比使用它给一个更好的近似多边形的边界。
Gerry Melnikov Guido M舒斯特尔,Aggelos k Katsaggelos[51]使用对象轮廓的概念,近似二阶样条连接段的轮廓。

四。结论
在本文中,我们列出了主要的图像分割技术。本文还提出了一种边界编码方法的调查。至今为止的研究显示,没有独特的分割算法和边界编码算法,可以应用于各种类型的图像。因此图像分割等编码的边界,它导致最小编码长度仍然是一个具有挑战性的问题。

承认
author1表示特别感谢计算机学院Joenssu大学芬兰提供必要的帮助。

引用
  1. Aurdal l .(2006),“图像分割阈值”,NorskRegnes中央。
  2. AksoyS。,“Image Segmentation”, Department of Computer Engineering, Bilkent Univ.
  3. 李x, Chang Y(1994),“自适应图像区域增长”,IEEE反式。在图像处理、3卷,6号,1994年。
  4. 科尔曼T。,Leiserson C., and Rivest R. (1991), Introduction to Algorithms. New York: McGraw-Hill.
  5. Dehariya诉K。,Shrivastava S. K., Jain R. C.(2010),“Clustering of Image Data Set Using K-Means and Fuzzy K-Means Algorithms”, International conference on CICN, pp. 386-391.
  6. 埃弗雷特h(1963),“广义拉格朗日乘子法求解最优资源分配的问题,”③。Res, 11卷,pp.399 - 417。
  7. 费舍尔m . l .(1981),“拉格朗日松弛法求解整数规划问题,”管理。科学。,vol. 27, pp. 1–18, Jan. 1981.
  8. 弗里曼h .(1961):在任意几何配置的编码;愤怒的反式。电子。第一版。、Vol.EC-10 pp.260 - 268。
  9. 杰拉尔德·c·f·惠特利和p . o .(1990)应用数值分析,第4版。阅读,MA:艾迪生。
  10. Gevers T。,Kajcovski V. K.,“Image Segmentation by direct region subdivision”, Proceedings of the 12th IAPR International Conference on Pattern Recognition, Vol. 1.
  11. 冈萨雷斯r . C。,Richard E. Woods (2007), “Digital Image Processing”, 2nd ed., Beijing: Publishing House of Electronics Industry.
  12. Gunturk k·G。,“EE 7730- Image Analysis I”, Louisiana state university.
  13. 热m(1990),“面向对象的基于movingtwo-dimensional analysis-synthesis编码对象,”信号的过程。:Commun形象。,vol. 2, pp.409–428, Dec. 1990.
  14. 耆那教的a . k .(1989),数字图像处理原理,Prentice_Hall。
  15. 江X。,Zhang R., Nie S. (2009),“Image Segmentation Based on PDEs Model: a Survey”, IEEE conference, pp. 1-4.
  16. Kaganami h . G。,Beij Z.(2009),“Region Based Detection versus Edge Detection”, IEEE Transactions on Intelligent information hiding and multimedia signal processing, pp. 1217-1221.
  17. 金子t andOkudaira m(1985),“编码经验曲线基于链码表示,“IEEE反式。Commun。,vol. COMM-33, pp. 697–707, July 1985.
  18. 康w . X。,Yang Q. Q., Liang R. R. (2009),“The Comparative Research on Image Segmentation Algorithms”, IEEE Conference on ETCS, pp. 703-707.
  19. Karch P。,Zolotova I. (2010),“An Experimental Comparison of Modern Methods of Segmentation”, IEEE 8th International Symposium on SAMI, pp. 247-252.
  20. Katsaggelos et al。(1997),“基于mpeg - 4和率失真形状编码技术,“Pronication,埃朗根,德国,4月25日,1997年,页75 - 84。
  21. Katsaggelos et al . a K。,“MPEG-4 and rate-distortion based shape coding techniques,” Proc. IEEE Special Issue Multimedia Signal Processing, to be published.
  22. Kettaf F还是z。,D. BI, J. P.(1996),“A Comparison Study of Image Segmentation by Clus 282,
  23. Koplowitz j .(1981),“对链码的性能量化线图,“IEEE反式。模式肛门。机器智能。,vol. PAMI-3,pp. 180–185, Mar. 1981.
  24. Lukac P, Hudec R。,Benco M。,Kamencay P., Dubcova Z., ZachariasovaM.,“Simple Comparison of Image Segmentation Algorithms Based on Evaluation Criterion
  25. Meier f·W。,Schuster G. M., and Katsaggelos A. K.(1997), An efficientboundary encoding scheme using B-spline curves which is optimal in therate-distortion sense,” in Proc. 2nd Erlangen Symp., Advances in DigitalImage Communication, Erlangen, Germany, April 25, 1997, pp. 75–84.
  26. Musmann h和热m . Ostermann j .(1989):面向对象analysis_synthesis编码的图像信号Processing_图像通信,2卷117 - 138页。
  27. Musmann H。,Hotter M., and Ostermann J. (1989), “Object-oriented analysis- ¨ synthesis coding of moving images,” Signal Process.: Image Commun.,vol. 1, pp. 117–138.
  28. Neuhoff d和Castor k(1985),“的链码率和失真分析图纸,“IEEE反式。通知。理论,31卷,53 - 68页。
  29. 纳兹,马吉德H。,Irshad H.(2010),“Image Segmentation using Fuzzy Clustering: A Survey”, International Conference on ICET, pp.181-186.
  30. Oz t(1984)¸¨侯赛因·“极低比特率视频编解码器,”博士论文,Dept.Electr。Eng。第一版。科学。,Northwestern Univ., Evanston, IL, Dec. 1994.
  31. 朋友n R。,Pal S. K. (1993),“A Review on Image Segmentation Techniques”, Pattern Recognition, Vol. 26, No. 9, pp. 1277-1294.
  32. 普拉萨德R。,Vieveen J. W., Bons J. H., and Arnbak J. C.(1989), “Relative vector probabilities in differential chain coded line-drawings,” in Proc. IEEE Pacific Rim Conf. Communication, Computers, and Signal Processing, Victoria, B.C., Canada, June 1989, pp. 138–142.
  33. Ramchandran K。,奥尔特加。,and Vetterli M.(1994), “Bit allocation for dependent quantization with applications to multiresolution and MPEG videom coders,” IEEE Trans. Image Processing, vol. 3, pp. 533–545, Sept. 1994.
  34. Saghri j·弗里曼和h(1981),“精密的分析广义链码表示的平面曲线,“IEEE反式。模式肛门。机器智能。,vol. PAMI-3, pp. 533–539.
  35. 舒斯特尔通用和Katsaggelos a k(1996),“最优有损分割编码方案,”学报Proc。相依视觉通讯和图像处理,1996年3月,页。1050 - 1丁计划,“学报Proc。相依视觉通讯和图像处理,1996年3月,页1050 - 1061。
  36. 舒斯特尔通用和Katsaggelos a k(1996)”的有效边界编码方案在率失真优化意义上说,“在Proc。1996 Int相依。图像处理、洛桑瑞士,1996年9月,页2 - 77 - 80。
  37. 舒斯特尔通用andKatsaggelos a . k .(1997),基于率失真的VideoCompression, BoundaryEncoding最佳视频帧压缩和对象。1997年波士顿,MA:提供参考。
  38. 舒斯特尔通用andKatsaggelos A.K.(1996)“最优分割编码方案在率失真意义上,“在Proc, Int。电脑。电路与系统,亚特兰大,乔治亚州,1996年5月,2卷,第640 - 643页。
  39. 舒斯特尔通用andKatsaggelos A.K.(1996)“快速和高效的模式和量化器的选择率失真对h,“学报Proc。相依视觉通讯和图像处理,1006年3月,页784 - 795。
  40. Shoham y和Gersho a(1988),“高效分配任意setofquantizers,”IEEE反式。Acoust。,Speech, Signal Processing, vol. 36,pp. 1445–1453, Sept. 1988
  41. 辛格辛格s, A(2010),“图像分割算法的研究为不同类型的图像”,国际期刊《计算机科学问题,7卷,问题5。
  42. Tatiraju年代。,梅塔。,“Image Segmentation using k-means clustering, EM and Normalized Cuts”, Department of EECS, pp. 1-7.
  43. Trushkin a . v .(1980),“一些数量分布在量子化的多元随机变量,“问题通知。传播,16卷,p变量随机变量,通知”问题。传播,16卷,第79 - 76页,1980年,反式。从俄罗斯),
  44. Trushkin a . v .(1981)“最优比特分配算法量化randomvector,“问题通知。传播,17卷,第161 - 156页。(反式。从俄罗斯)。
  45. Varshney S S。,Rajpal N. , Purwar R.(2009),“Comparative Study of Image Segmentation Techniques and Object Matching using Segmentation”, Proceeding of International Conference on Methods and Models in Computer Science, pp. 1-6,.
  46. 魏b . C。,Mandava R.(2010),“Multi–objective Nature-inspired Clustering Techniques for Image Segmentation”, IEEE Conference on CIS, pp.150-155.
  47. 魏b . C。,Mandava R.(2010),“Multiobjective optimization Approaches in Image Segmentation- the Direction and Challenges”, ICSRS Publication.
  48. 张Y。,H。,Wang Y.(1994),“Adaptive Image Segmentation Based on Fast Thresholding and Image Merging”, Artificial reality and Telexistence-Workshops, pp. 308-311.
  49. 朱C。,Ni J., Li Y., Gu G.(2009),“General Tendencies in Segmentation of Medical Ultrasound Images”, International Conference on ICICSE, pp. 113-117.
  50. 张H。,Fritts J. E., Goldman S. A.(2008),“Image Segmentation Evaluation: A Survey of unsupervised methods”, computer vision and image understanding, pp. 260-280.
  51. Gerry Melnikov圭多·m·舒斯特尔和Aggelos k Katsaggelos(1998),“同时最优边界编码和可变长度代码选择”,Proc。icip98,256 - 260。