bibtype	C - Conference Paper (international conference)
ARLID	0040801
utime	20240103182709.7
mtime	20060905235959.9
title (primary) (eng)	Unsupervised Texture Segmentation Using Multispectral Modelling Approach
specification	page_count 4 s.
serial	ARLID cav_un_epca*0076729 ISBN 0-7695-2521-0 title Proceedings of ICPR 2006 - The 18th International Conference on Pattern Recognition page_num 203-206 publisher place Piscataway name IEEEPress year 2006 editor name1 Tang name2 Y.Y. editor name1 Wang name2 S.P. editor name1 Yeung name2 D.S. editor name1 Yan name2 H. editor name1 Lorette name2 G.
title (cze)	Neřízená segmentace textur využívající multispektrální modelování
keyword	texture segmentation
keyword	unsupervised classification
keyword	image segmentation
author (primary)	ARLID cav_un_auth*0101093 name1 Haindl name2 Michal institution UTIA-B full_dept Department of Pattern Recognition fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
author	ARLID cav_un_auth*0101165 name1 Mikeš name2 Stanislav institution UTIA-B full_dept Department of Pattern Recognition fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
source	url ieeexplore.ieee.org/Xplore/guesthome.jsp
COSATI	09K
cas_special	project project_id 507752 country XE agency EC ARLID cav_un_auth*0200689 project project_id IAA2075302 agency GA AV ČR ARLID cav_un_auth*0001801 project project_id 1ET400750407 agency GA AV ČR ARLID cav_un_auth*0001797 project project_id 1M0572 agency GA MŠk ARLID cav_un_auth*0001814 research CEZ:AV0Z10750506 abstract (eng) A new unsupervised multispectral texture segmentation method with unknown number of classes is presented. Multispectral texture mosaics are locally represented by four causal multispectral random field models recursively evaluated for each pixel. The segmentation 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. abstract (cze) Nový algoritmus pro neřízenou segmentaci multispektrálních textur s neznámým počtem tříd je prezentován. Multispektrální texturní mozaiky jsou lokálně reprezentovány čtyřmi kauzálními multispektrálními modely náhodných polí, které jsou identifikovány pro každý pixel. Segmentační algoritmus je založen na modelu gaussovské směsi a začína s přesegmentovaným odhadem, který se adaptivně upravuje až se dosáhne optimální počet texturních homogenních oblastí. Vlastnost metody jsou extenzivně testovány na Pražském segmentačním benchmarku při použití nejčastěji používaných segmentačních kritérií. Výsledky jsou lepší, než výsledky několika porovnávaných alternativních segmentačních metod. action ARLID cav_un_auth*0216375 name ICPR 2006 - The 18th International Conference on Pattern Recognition place Hong Kong dates 20.08.2006-24.08.2006 country CN reportyear 2007 RIV BD permalink http://hdl.handle.net/11104/0134443 arlyear 2006 mrcbU63 cav_un_epca*0076729 Proceedings of ICPR 2006 - The 18th International Conference on Pattern Recognition 0-7695-2521-0 203 206 Piscataway IEEEPress 2006 4 mrcbU67 Tang Y.Y. 340 mrcbU67 Wang S.P. 340 mrcbU67 Yeung D.S. 340 mrcbU67 Yan H. 340 mrcbU67 Lorette G. 340