СЕГМЕНТАЦИЯ МНОГОСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ АНСАМБЛЯ НЕПАРАМЕТРИЧЕСКИХ АЛГОРИТМОВ КЛАСТЕРИЗАЦИИ


Цитировать

Полный текст

Аннотация

Предложен метод сегментации многоспектральных изображений на основе ансамбля непараметрических алгоритмов; дано теоретическое обоснование метода. Результаты статистического моделирования на модельных данных и реальных изображениях подтверждают эффективность предложенного метода.

Об авторах

Игорь Алексеевич Пестунов

Институт вычислительных технологий Сибирского отделения Российской академии наук

Email: pestunov@ict.nsc.ru <mailto:pestunov@ict.nsc.ru>
физико-математических наук, доцент, заведующий лабораторией Института вычислительных технологий Сибирского отделения Российской академии наук. Окончил Новосибирский государственный университет в 1977 г. Область научных интересов - непараметрические методы распознавания образов и кластеризации, обработка многоспектральных изображений, ГИС-техно-логии; Институт вычислительных технологий Сибирского отделения Российской академии наук

Владимир Борисович Бериков

Институт математики имени С. Л. Соболева Сибирского отделения Российской академии наук

Email: berikov@math. nsc.ru
доктор технических наук, ведущий научный сотрудник, доцент Института математики имени С. Л. Соболева Сибирского отделения Российской академии наук. Окончил Новосибирский государственный университет в 1986 г. Область научных интересов - распознавание образов, кластерный анализ, обработка изображений; Институт математики имени С. Л. Соболева Сибирского отделения Российской академии наук

Юрий Николаевич Синявский

Институт вычислительных технологий Сибирского отделения Российской академии наук

Email: fox83@ngs.ru <mailto:fox83@ngs.ru>
младший научный сотрудник Института вычислительных технологий Сибирского отделения Российской академии наук. Окончил Новосибирский государственный университет в 2000 г. Область научных интересов - непараметрические методы распознавания образов и кластеризации, обработка многоспектральных изображений, геоинформационные системы, веб-технологии; Институт вычислительных технологий Сибирского отделения Российской академии наук

I A Pestunov

V B Berikov

Yu N Sinyavskiy

Список литературы

  1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М. : Техносфера, 2006. С. 812.
  2. Dey V., Zhang Y., Zhong M. A review on image segmentation techniques with remote sensing perspective // ISPRS TC VII Symposium - 100 Years ISPRS, Vienna. Austria. July 5-7 2010. IAPRS. Vol. XXXVIII. Part 7A. P. 31-42.
  3. Rekik A., Zribi M., Hamida A., Benjelloun1 M. Review of satellite image segmentation for an optimal fusion system based on the edge and region approaches // IJCSNS International Journal of Computer Science and Network 242 Security. 2007. Vol. 7. № 10. P. 242-250.
  4. Jain A. K., Duin R. P. W., Mao J. Statistical Pattern Recognition: A Review // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2000. Vol. 22. № 1. P. 4-37.
  5. Clausi D. A. K-means Iterative Fisher (KIF) unsupervised clustering algorithm applied to image texture segmentation // Pattern Recognition. 2002. Vol. 35. № 9. P. 1959-1972.
  6. Бериков В. Б. Построение ансамбля деревьев решений в кластерном анализе // Вычислительные технологии. 2010. Т. 15. № 1. С. 40-52.
  7. Strehl A., Ghosh J. Clustering ensembles - a knowledge reuse framework for combining multiple partitions // The Journal of Machine Learning Research. 2002. Vol. 38. P. 583-617.
  8. Hong Y., Kwong S. To combine steady-state genetic algorithm and ensemble learning for data clustering // Pattern Recognition Letters. 2008. Vol. 29(9). P. 1416-1423.
  9. Jain A. K. Data clustering: 50 years beyond K-means // Pattern Recognition Letters. 2010. Vol. 31, Is. 8. P. 651-666.
  10. Parzen E. On the estimation of a probability density function and the mode // The Annals of Mathematical Statistics. 1962. Vol. 33. P. 1065-1076.
  11. Rosenblatt M. Remarks on some nonparametric estimates of a density function // The Annals of Mathematical Statistics. 1956. Vol. 27. P. 832-837.
  12. Пестунов И. А., Синявский Ю. Н. Непараметрический алгоритм кластеризации данных дистанционного зондирования на основе grid-подхода // Автометрия. 2006. Т. 42. № 2. С. 90-99.
  13. Епанечников В. А. Непараметрическая оценка многомерной плотности вероятности // Теория вероятностей и ее применение. 1969. Т. 14. № 1. С. 156-160.
  14. Comaniciu D., Meer P. Mean shift: A Robust Approach toward Feature Space Analysis // IEEE Transactions on Pattern Analysis Machine Intelligence. 2002. Vol. 24. № 5. P. 603-619.
  15. Fukunaga K., Hosteeler L. D. The estimation of the gradient of a density function, with applications in patter recognition // IEEE Trasactions on Informational Theory. 1975. Vol. 21. P. 32-40.
  16. Cheng Y. Mean shift, mode seeking, and clustering // IEEE Tans. Pattern Analysis and Machine Intelligence. 1995. Vol. 17. P. 790-799.
  17. Comaniciu D., Meer P. Distribution Free Decomposition of Multivariate Data // Pattern Analysis and Applications. 1999. Vol. 2. P. 22-30.
  18. Freedman D., Kisilev P. Fast Mean Shift by Compact Density Representation // IEEE Conference on Computer Vision and Pattern Recognition. 2009. P. 1818-1825.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Пестунов И.А., Бериков В.Б., Синявский Ю.Н., Pestunov I.A., Berikov V.B., Sinyavskiy Y.N., 2010

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах