0083068 20240103184218.320070608235959.9 10 s. cav_un_epca*02585180302-974320074472 (2007)210-219 Unsupervised Segmentation Texture Statistical Pattern Recognition cav_un_auth*0101093 Haindl Michal UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0101165 Mikeš Stanislav UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. 1ET400750407 GA AV ČR cav_un_auth*0001797 1M0572 GA MŠk cav_un_auth*0001814 IAA2075302 GA AV ČR cav_un_auth*0001801 2C06019 GA MŠk cav_un_auth*0216518 507752 XE EC cav_un_auth*0200689 CEZ:AV0Z10750506 A novel unsupervised multi-spectral multiple-segmenter texture segmentation method with unknown number of classes is presented. The unsupervised segmenter is based on a combination of several unsupervised segmentation results, each in different resolution, using the sum rule. Multi-spectral texture mosaics are locally represented by four causal multi-spectral random field models recursively evaluated for each pixel. The single-resolution segmentation part of the algorithm is based on the underlying Gaussian mixture model and starts with an over segmented initial estimation which is adaptively modified until the optimal number of homogeneous texture segments is reached. The performance of the presented method is extensively tested on the Prague segmentation benchmark using the commonest segmentation criteria and compares favourably with several alternative texture segmentation methods. Příspěvek prezentuje novou neřízenou multispektrální multisegmentační metodu segmentace textur s neznámým počtem tříd. Neřízená segmentace je založena na kombinaci několika segmentačních výsledků, každý v jiném rozlišení, při použití sumačního pravidla. Multispektrální texturní mozaiky jsou lokálně reprezentovány čtyřmi kauzálními multispektrálními modely náhodných polí rekurzivně odhadované pro každý pixel. Segmentační část algoritmu pro jednotlivé rozlišení je založena na gaussovském směsovém modelu a začíná s přesegmentovaným počátečním odhadem, který se adaptivně modifikuje až se dosáhne optimální počet homogenních texturních oblastí. Vlastnosti předložené metody jsou rozsáhle testovány na Pražském segmentačním benchmarku při použití množiny běžných segmentačních kritérií. Metoda převyšuje několik alternativních srovnávaných texturních segmentačních metod. cav_un_auth*0228026 Multiple Classifier Systems Prague 23.05.2007-25.05.2007 CZ 2007 BD http://hdl.handle.net/11104/0146440 2007 cav_un_epca*0258518 Lecture Notes in Computer Science 0302-9743 Roč. 2007 č. 4472 2007 210 219