bibtype	J - Journal Article
ARLID	0083068
utime	20240103184218.3
mtime	20070608235959.9
title (primary) (eng)	Unsupervised Texture Segmentation Using Multiple Segmenters Strategy
specification	page_count 10 s.
serial	ARLID cav_un_epca*0258518 ISSN 0302-9743 title Lecture Notes in Computer Science volume_id 2007 volume 4472 (2007) page_num 210-219
title (cze)	Neřízená segmentace textur používající strategii vícenásobných segmenterů
keyword	Unsupervised Segmentation
keyword	Texture
keyword	Statistical Pattern Recognition
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.
cas_special	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 project project_id IAA2075302 agency GA AV ČR ARLID cav_un_auth*0001801 project project_id 2C06019 agency GA MŠk ARLID cav_un_auth*0216518 project project_id 507752 country XE agency EC ARLID cav_un_auth*0200689 research CEZ:AV0Z10750506 abstract (eng) 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. abstract (cze) 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. action ARLID cav_un_auth*0228026 name Multiple Classifier Systems place Prague dates 23.05.2007-25.05.2007 country CZ reportyear 2007 RIV BD permalink http://hdl.handle.net/11104/0146440 arlyear 2007 mrcbU63 cav_un_epca*0258518 Lecture Notes in Computer Science 0302-9743 Roč. 2007 č. 4472 2007 210 219