0317725 20240111140712.820090401235959.9 22 s. www 536 cav_un_epca*0317724978-953-7619-24-4Unsupervised Texture Segmentation, chapter 9227-248ViennaIn-Tech2008YinPeng-Yeng texture segmentation image segmentation unsupervised segmentation 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. pdf http://library.utia.cas.cz/separaty/2008/RO/haindl-unsupervised texture segmentation.pdf 1ET400750407 GA AV ČR cav_un_auth*0001797 1M0572 GA MŠk cav_un_auth*0001814 2C06019 GA MŠk CZ cav_un_auth*0216518 GA102/08/0593 GA ČR cav_un_auth*0239567 CEZ:AV0Z10750506 Segmentation is the fundamental process which partitions a data space into meaningful salient regions. Image segmentation essentially affects the overall performance of any automated image analysis system thus its quality is of the utmost importance. Image regions, homogeneous with respect to some usually textural or colour measure, which result from a segmentation algorithm are analysed in subsequent interpretation steps. Several new unsupervised multispectral texture segmentation methods based on underlying Markovian spatial models with unknown number of classes are presented in the chapter. The performances of the presented methods are extensively tested on the Prague segmentation benchmark using the commonest segmentation criteria and compares favourably with several alternative texture segmentation methods. Segmentace je základní proces, který rozděluje datový prostor na smysluplné charakteristické podprostory. Segmentace obrazu zásadně ovlivňuje celkovou spolehlivost každého automatického systému obrazové analýzy. Oblasti obrazu, homogenní vzhledem k nějaké, obvykle texturní nebo spektrální míře a které jsou výsledkem segmentace, jsou následně analyzovány v interpretační části metod. Kapitola popisuje několik nových metod neřízené segmentace textur, založených na markovských prostorových modelech s neznámým počtem tříd. Tyto metody jsou intenzivně testovány na Pražském segmentačním benchmarku při použití běžných segmentačních kriterií. Výsledky těchto komplexních testů ukazují, že naše metody předčí některé publikované alternativní segmentační metody textur. 2009 BD http://hdl.handle.net/11104/0167301 2008 pdf cav_un_epca*0317724 Pattern Recognition Unsupervised Texture Segmentation, chapter 9 978-953-7619-24-4 227 248 Vienna In-Tech 2008 Yin Peng-Yeng 340