0327029 20240111140723.320090724235959.9 11 s. www cav_un_epca*03266423-642-02325-80302-9743272-282Berlin HeidelbergSpringer2009BenediktssonJ.A.KittlerJ.RoliF. unsupervised image 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. cav_un_auth*0101182 Pudil Pavel UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. pdf http://library.utia.cas.cz/separaty/2009/RO/haindl-unsupervised hierarchical weighted multi-segmenter.pdf 1M0572 GA MŠk cav_un_auth*0001814 GA102/08/0593 GA ČR cav_un_auth*0239567 2C06019 GA MŠk CZ cav_un_auth*0216518 CEZ:AV0Z10750506 An unsupervised multi-spectral, multi-resolution, multiple-segmenter for textured images with unknown number of classes is presented. The segmenter is based on a weighted combination of several unsupervised segmentation results, each in different resolution, using the modified sum rule. Multi-spectral textured image mosaics are locally represented by four causal directional 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 leading alternative image segmentation methods. Příspěvek prezentuje neřízenou multispektrální víceměřítkovou multisegmentační metodu segmentace textur s neznámým počtem tříd. Neřízená segmentace je založena na vážené kombinaci několika neřízených segmentačních výsledků, každý v jiném rozlišení, při použití upraveného sumačního pravidla. Multispektrální texturní mozaiky jsou lokálně reprezentovány čtyřmi kauzálními směrovými multispektrálními modely náhodných polí rekurzivně odhadované pro každý pixel. Jednoměřítková segmentační část algoritmu 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 špičkových alternativních srovnávaných obrazových segmentačních metod. cav_un_auth*0252154 Multiple Classifier Systems Reykjavik 10.06.2009-12.06.2009 IS 2010 BD http://hdl.handle.net/11104/0173938 100 0.322 15.66 0.35 2009 pdf cav_un_epca*0326642 Multiple Classifier Systems, LNCS 5519 3-642-02325-8 0302-9743 272 282 Berlin Heidelberg Springer 2009 Lecture Notes In Computer Science Benediktsson J.A. 340 Kittler J. 340 Roli F. 340