ACCELERATED ALGORITHMS FOR GROWING SEGMENTS FROMIMAGE REGIONS

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

The paper proposes new algorithms for combining superpixel regions into segments. The main idea is that when combining super pixels, firstly, a strategy is used in which the segment is grown from neighboring areas as long as the conditions for combining are met, and secondly, when combining areas, the applied information quality measure should not increase. Three algorithms based on this strategy are proposed, which differ in the conditions for making a decision on combining superpixels. A computational experiment was carried out on test images. The experiment showed that the proposed algorithms make it possible to speed up the segmentation process compared to the procedure used, with acceptable losses of information quality measures of the obtained partitions.

Sobre autores

D. Murashov

FRC CSC RAS

Email: d_murashov@mail.ru
Moscow

Bibliografia

  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.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © Russian Academy of Sciences, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».