0331807 20240103192329.120091125235959.9 4 s. cav_un_epca*0331793978-1-4244-5655-01522-48804025-4028Los AlamitosIEEE2009 unsupervised image segmentation Illumination Invariants 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*0213290 Vácha Pavel UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. http://library.utia.cas.cz/separaty/2009/RO/haindl-illumination invariant unsupervised segmenter.pdf 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 A novel illumination invariant unsupervised multispectral texture segmentation method with unknown number of classes is presented. Multispectral texture mosaics are locally represented by illumination invariants derived from four directional causal multispectral Markovian models recursively evaluated for each pixel. Resulted parametric space is segmented using a Gaussian mixture model based unsupervised segmenter. The segmentation algorithm 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 large illumination invariant benchmark from the Prague Segmentation Benchmark using 21 segmentation criteria and compares favourably with an alternative segmentation method. Nová metoda neřízené multispektrální segmentace textur, invariantní ke změně osvětlení a s neznámým počtem tříd je prezentována. Multispektrální texturní mozaiky jsou lokálně reprezentovány čtyřmi kauzálními směrovými multispektrálními modely náhodných polí rekurzivně odhadované pro každý pixel. Výsledný parametrický prostor je segmentován pomocí neřízeného segmentačního algoritmu, založeného na gaussovském směsovém modelu. Segmentace 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 21 nejpoužívanějších segmentačních kritérií. Metoda převyšuje několik špičkových alternativních obrazových segmentačních metod použitých pro srovnání. cav_un_auth*0255902 ICIP 2009 Cairo 07.11.2009-11.11.2009 EG 2010 BD http://hdl.handle.net/11104/0177226 2009 cav_un_epca*0331793 Proceedings of the 16th International Conference on Image Processing, ICIP 2009 978-1-4244-5655-0 1522-4880 4025 4028 Los Alamitos IEEE 2009