| bibtype |
C -
Conference Paper (international conference)
|
| ARLID |
0330336 |
| utime |
20240103192156.2 |
| mtime |
20091023235959.9 |
| title
(primary) (eng) |
Bayesian supervised segmentation of objects in natural images using low-level information |
| specification |
|
| serial |
| ARLID |
cav_un_epca*0330939 |
| ISBN |
953-184-061-X |
| title
|
Proceedings of the 3rd International Symposium on Image and Signal Processing and Analysis, 2003 |
| part_title |
volume 2 |
| page_num |
1054-1059 |
| publisher |
| place |
Roma |
| name |
IEEE |
| year |
2003 |
|
|
| title
(cze) |
Bayesovská segmentace přírodních obrázků s učením s použitím informace nízké úrovně |
| keyword |
belief networks |
| keyword |
decision theory |
| keyword |
image segmentation |
| author
(primary) |
| ARLID |
cav_un_auth*0101071 |
| name1 |
Boldyš |
| name2 |
Jiří |
| institution |
UTIA-B |
| full_dept |
Department of Image Processing |
| fullinstit |
Ústav teorie informace a automatizace AV ČR, v. v. i. |
|
| source |
|
| cas_special |
| research |
CEZ:AV0Z1075907 |
| abstract
(eng) |
Detection of particular meaningful objects in images is of great importance in many fields, including image retrieval or image quality analysis. In this contribution, eleven frequently observed objects (areas) in natural images are learned and detected. The presented algorithm is based on region merging and Bayesian decision theory. The main goal is not perfect recognition, since for that purpose it is necessary to use higher-level knowledge about the image content. Merging of segments proceeds only up to a reliable point, not to merge different categories. Unique merging criteria combine the values of probabilities attached to the segments for all the most likely categories, color and texture features and information about edges. Results are demonstrated on a few images and discussed. |
| abstract
(cze) |
Detekce konkétních smysluplných objektů v obrazech je důležitá v mnoha oborech, včetně obrazových databází analýzy kvality obrazu. V tomto příspěvku se po učení detekuje jedenáct často pozorovaných objektů (ploch) v přírodních obrazech. Navržený algoritmus je založený na region merging a teorii Bayesovského rozhodování. Hlavním cílem není perfektní rozpoznávání, protože k tomu účelu by se musela použít znalost vyšší úrovně o obsahu obrazu. Spojování segmentů pokračuje pouze do určitého stadia, aby se nespojily různé kategorie. Specifická spojovací kritéria kombinují hodnoty pravděpodobností spojené se segmenty pro všechny obvyklé kategorie, barvu a texturální příznaky a informaci o hranách. Výsledky jsou demonstrovány a diskutovány na několika obrazech. |
| action |
| ARLID |
cav_un_auth*0213089 |
| name |
ISPA 2003 /3./ |
| place |
Rome |
| dates |
18.09.2003-20.09.2003 |
| country |
IT |
|
| reportyear |
2010 |
| RIV |
BD |
| permalink |
http://hdl.handle.net/11104/0176149 |
| arlyear |
2003 |
| mrcbU63 |
cav_un_epca*0330939 Proceedings of the 3rd International Symposium on Image and Signal Processing and Analysis, 2003 volume 2 953-184-061-X 1054 1059 Roma IEEE 2003 |
|