bibtype	C - Conference Paper (international conference)
ARLID	0327029
utime	20240111140723.3
mtime	20090724235959.9
title (primary) (eng)	Unsupervised Hierarchical Weighted Multi-Segmenter
specification	page_count 11 s. media_type www
serial	ARLID cav_un_epca*0326642 ISBN 3-642-02325-8 ISSN 0302-9743 title Multiple Classifier Systems, LNCS 5519 page_num 272-282 publisher place Berlin Heidelberg name Springer year 2009 editor name1 Benediktsson name2 J.A. editor name1 Kittler name2 J. editor name1 Roli name2 F.
title (cze)	Neřízená hierarchická vážená multi-segmentační metoda
keyword	unsupervised 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.
author	ARLID cav_un_auth*0101182 name1 Pudil name2 Pavel institution UTIA-B full_dept Department of Pattern Recognition fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
source	source_type pdf url http://library.utia.cas.cz/separaty/2009/RO/haindl-unsupervised hierarchical weighted multi-segmenter.pdf
cas_special	project project_id 1M0572 agency GA MŠk ARLID cav_un_auth*0001814 project project_id GA102/08/0593 agency GA ČR ARLID cav_un_auth*0239567 project project_id 2C06019 agency GA MŠk country CZ ARLID cav_un_auth*0216518 research CEZ:AV0Z10750506 abstract (eng) 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. abstract (cze) 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. action ARLID cav_un_auth*0252154 name Multiple Classifier Systems place Reykjavik dates 10.06.2009-12.06.2009 country IS reportyear 2010 RIV BD permalink http://hdl.handle.net/11104/0173938 mrcbT16-q 100 mrcbT16-s 0.322 mrcbT16-y 15.66 mrcbT16-x 0.35 arlyear 2009 mrcbU56 pdf mrcbU63 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 mrcbU67 Benediktsson J.A. 340 mrcbU67 Kittler J. 340 mrcbU67 Roli F. 340