A Model of Pixel and Superpixel Clustering for Object Detection

Abstract

The paper presents a model of structured objects in a grayscale or color image, described by means of optimal piecewise constant image approximations, which are characterized by the minimum possible approximation errors for a given number of pixel clusters, where the approximation error means the total squared error. An ambiguous image is described as a non-hierarchical structure but is represented as an ordered superposition of object hierarchies, each containing at least one optimal approximation in g0 = 1,2,..., etc., colors. For the selected hierarchy of pixel clusters, the objects-of-interest are detected as the pixel clusters of optimal approximations, or as their parts, or unions. The paper develops the known idea in cluster analysis of the joint application of Ward’s and K-means methods. At the same time, it is proposed to modernize each of these methods and supplement them with a third method of splitting/merging pixel clusters. This is useful for cluster analysis of big data described by a convex dependence of the optimal approximation error on the cluster number and also for adjustable object detection in digital image processing, using the optimal hierarchical pixel clustering, which is treated as an alternative to the modern informally defined “semantic” segmentation.

Classification and Recognition of Ground Objects in the Stream of Radar Frames Based on a Neural Network Approach in the Forward Field of View of Airborne Radars of a Multi-position System

“…Разработана новая методика высокоскоростной кластеризации пикселей, которая генерирует множество разбиений, что позволяет качественно осуществлять процесс сегментации и на ее основе обнаруживать и классифицировать распределенные НО на кадрах радиолокационных изображений различной сложности [12][13][14].…”

Polyhierarchical Image Structure and Invariant Object Detection

“…Отбор приближений с минимальными ошибками Eg сразу для всех значений числа g цветов в некотором диапазоне, скажем, от 1 до100 обеспечивает устойчивую минимизацию ошибок аппроксимации, а параллельное выполнение используемых версий алгоритма Уорда обеспечивает ускорение вычислений в 100 и более раз. Также действенным способом ускорения вычислений методом Уорда является его выполнение по подмножествам пикселей, на которые разбиваются N пикселей изображения [20]. В этом случае, сначала методом Уорда структурируются p подмножеств пикселей, затем порядок слияния кластеров меняется так, чтобы получилась структурированная иерархия приближений в диапазоне числа g кластеров от N до p, и перед завершающим получением методом Уорда полной структурированной иерархии приближений в диапазоне g от N до 1 выполняется, так называемый, CI (Clustering Improvement) метод разделения/слияния кластеров пикселей.…”

“…, которое трактуется как общая стадия восприятия для различных естественных зрительных систем. Структуризация и упорядочение данных могут быть представлены в виде программы, которая автоматически генерирует, так называемую, Динамическую таблицу приближений изображения, введенную в [20].…”

“…В представлении пользователя вся динамическая таблица ,содержащая N×N приближений изображения, размещается в ОЗУ. Фактически, она кодируется в ОЗУ в терминах специальной структуры данных [20]. При этом приближения генерируются в режиме on-line по мере необходимости.…”

Search and Study of Marked Code Structures for a Spatially Distributed System of Small-Sized Airborne Radars

“…One of the promising areas for the development of airborne monitoring systems, which enables these systems to be extended with new properties, is the transition to a multi-position (containing several transmitting and receiving positions spaced apart in space) AR [ 10 , 11 , 12 , 13 , 14 , 15 , 16 ]. Along with the traditional approach to designing these systems, the possibilities of implementing a spatially distributed (SD) AR using multiple access technology have recently been considered [ 17 , 18 ].…”