Image Segmentation - A Survey of Soft Computing Approaches

Senthilkumaran, N.; Rajesh, R.

doi:10.1109/artcom.2009.219

Cited by 204 publications

(187 citation statements)

References 4 publications

Supporting

Mentioning

165

Contrasting

Unclassified

Order By: Relevance

“…É definida como sendo o processo de divisão da imagem em regiões (partes ou grupos) disjuntas de pixels que melhor representam os objetos da imagem, de acordo com algum critério de similaridade [37,38,39,40,41]. Após a formação das regiões, estas são interpretadas e analisadas [42] por um sistema em outro nível, como, por exemplo, um sistema de reconhecimento de objetos [43], de edição de imagens [44], de compressão e recuperação de imagens [45], de planejamento dos passos de um robô [46], de detecção de pessoas [47], de faces [47], de gestos e de impressões digitais [48], de rastreamento de alvos (este artigo), de localização de objetos em imagens SAR [49], de localização de tumores [50], de vigilância [11], de reconhecimento de placas de trânsito [51] e de estimativa da posição de objetos oclusos em sistemas de acompanhamento de alvo [52].…”

Section: Segmentação De Imagensunclassified

“…[57] enumera três categorias: baseados em detecção de borda, em clustering e em regiões. Existem aqueles [38] que separam em baseados em cor e baseados em textura. [55] divide em algoritmos baseados em limiarização, em reconhecimento de padrões e em modelos deformáveis.…”

Section: Segmentação De Imagensunclassified

“…Os algoritmos baseados em detecção de borda [38,39,40,61] baseiam-se no fato das bordas guardarem a informação do local onde objetos diferentes se encontram. As bordas são locais cujos pixels são descontínuos em relação a algumas características, como, por exemplo, a cor.…”

Section: Principais Métodos De Segmentaçãounclassified

See 2 more Smart Citations

Aplicação da Rede Neural Sem Peso Wisard para o Rastreamento de Alvos de Superfície no Mar

Moreira¹,

Ebecken²

2013

L&NLM

View full text Add to dashboard Cite

Resumo-Neste artigo é apresentado um método de rastreamento de alvos de superfície em vídeo utilizando a rede neural sem peso WiSARD dado somente a informação sobre sua localização no primeiro quadro. O rastreamento de objetos em vídeo é uma tarefa importante e desafiadora em muitas aplicações. Dificuldades podem surgir devido à condição climática, à trajetória, ao aspecto do alvo, à oclusões, à condições de iluminação e à presença de ruído. O rastreamento é uma aplicação de alto nível e requer a localização do objeto quadro a quadro em tempo real. Os três principais passos executados a cada quadro por um rastreador baseado na detecção por segmentação são: a detecção, o acompanhamento e a análise das características do objeto. Estes passos dependem da qualidade da segmentação. O rastreamento realizado com a rede neural WiSARD depende da qualidade da binarização. Este artigo propõe uma forma rápida de binarização híbrida (limiarização e detecção de borda) no modelo de cor YCbCr e maneiras de configurar uma rede neural WiSARD para melhorar a eficiência do rastreador quando erros de binarização ocorrem.Palavras-chave-Redes neurais sem peso, rede neural WiSARD, segmentação de imagens, binarização de pixels, modelos de cor, rastreamento de objetos, alvos de superfície. IntroduçãoO rastreamento de alvos de superfície (todas as embarcações, navios ou barcos inimigos) é uma tarefa de grande importância para navios de guerra da Marinha. O grande avanço da eletrônica e o surgimento de novas tecnologias possibilitaram o emprego de diferentes tipos de armas dentro do cenário tático. Todos os tipos de armas são apoiados por um sistema de rastreamento de alvos que utilizam sensores e equipamentos como o odômetro, o anemômetro, a giro, o radar, o sonar, a EOS (equipamento responsável por captar imagens do cenário tático) e o MAGE [1] (Medida de Apoio a Guerra Eletrônica -classificador de ondas eletromagnéticas) com a finalidade de calcular qual a melhor direção e sentido para um disparo.O rastreamento por vídeo [2,3,4] é uma ferramenta que substitui ou auxilia os sistemas de rastreamento por radar. Muitos fatores dificultam o acompanhamento por radar [5]. Entre eles estão as condições climáticas que geram cluster (espécie de ruído) nos sinais de radar, a presença de zonas não cobertas pelo radar, os sistemas de contramedidas eletrônicas que geram sinais eletromagnéticos capazes de saturar ou enganar os sinais recebidos pela antena do radar e o elevado custo do hardware envolvido. O sistema de rastreamento de alvos por vídeo utiliza os sinais das EOS (alças optrônicas), responsáveis por captar imagens do cenário tático onde se encontra o navio para detectar o alvo de superfície e realizar o rastreamento em tempo real.Este artigo apresenta um rastreador de alvos de superfície em vídeo baseado na rede neural sem peso WiSARD [6,7,8] que é eficiente, executado em tempo real e que consegue compensar erros de binarização gerados na etapa de segmentação de cada quadro. Para atingir a melhor configuração (compensar melhor os erros de b...

show abstract

Section: Segmentação De Imagensunclassified

See 1 more Smart Citation

Aplicação da Rede Neural Sem Peso Wisard para o Rastreamento de Alvos de Superfície no Mar

Moreira¹,

Ebecken²

2013

L&NLM

View full text Add to dashboard Cite

show abstract

“…Image Segmentation is the process of dividing a digital image into constituent regions or objects [12]. The purpose of segmentation is to simplify the representation of an image into that which is easier to analyze.…”

Section: Image Segmentationmentioning

confidence: 99%

Image Segmentation Using Two Weighted Variable Fuzzy K Means

Suganya¹,

Margaret²

2013

IJCATR

View full text Add to dashboard Cite

Image segmentation is the first step in image analysis and pattern recognition. Image segmentation is the process of dividing an image into different regions such that each region is homogeneous. The accurate and effective algorithm for segmenting image is very useful in many fields, especially in medical image. This paper presents a new approach for image segmentation by applying k-means algorithm with two level variable weighting. In image segmentation, clustering algorithms are very popular as they are intuitive and are also easy to implement. The K-means and Fuzzy k-means clustering algorithm is one of the most widely used algorithms in the literature, and many authors successfully compare their new proposal with the results achieved by the k-Means and Fuzzy k-Means. This paper proposes a new clustering algorithm called TWfuzzy k-means, an automated two-level variable weighting clustering algorithm for segmenting object. In this algorithm, a variable weight is also assigned to each variable on the current partition of data. This could be applied on general images and/or specific images (i.e., medical and microscopic images). The proposed TWFuzzy k-means algorithm in terms of providing a better segmentation performance for various type of images. Based on the results obtained, the proposed algorithm gives better visual quality as compared to several other clustering methods.

show abstract

“…Slika poseduje veliki broj informacija o snimljenoj sceni kao što su broj i oblik objekata, njihova veličina, orjentacija, tekstura i drugo, tako da izdvajanje tih objekata iz pozadine predstavlja primarni zadatak koji se mora izvršiti pre bilo kakve interpretacije [24]. U cilju izdvajanja konture objekta neophodno je odrediti ivice koje definišu taj objekat, i ta činjenica potvrđuje da detekcija ivica ima ključnu ulogu u kompjuterskoj viziji [25], što rezultuje objavljivanjem nekoliko novih detektora ivica godišnje [26], [27].…”

Section: Detekcija Ivicaunclassified

Wavelet based method for edge detection of defect on coated board during production proccess

Barjaktarović¹

View full text Add to dashboard Cite

RezimeDisertacija razmatra problem detekcije ivica defekata u slikama kartona upotrebom wavelet transformacije. Osobine wavelet transformacije, pre svega predstavljanje singulariteta u signalu malim brojem koeficijenata omogućava realizaciju efikasnog detektora ivica.U okviru ove doktorske disertacije dat je detaljan pregled postojećih detektora ivica baziran na diferenciranju i upotrebi Gausovog filtra. Veoma iscrpno su opisani i postupci zasnovani na wavelet transformaciju. Analizirani su načini poređenja predloženih sa drugim detektorima ivica i veoma su retki slučajevi u kojima autori primenjuju objektivne metode poređenja detektora, a i tada su rezultati komparacije zasnovani na sintetičkoj slici, zbog čega se izvedeni zaključci ne mogu generalizovati na realne slike. Ilustrovani su nedostaci klasičnog detektora ivica kada se primene na slike defekata.Predstavljene su najvažnije karakteristike wavelet transformacije i data je teorijska osnova detekcije singulariteta u signalu upotrebom wavelet transformacije.Kako karakteristike signala imaju uticaj na performanse detektora ivica, ispitivanjem slika defekata na kartonu izveden je matematički model ivice defekata. Na osnovu matematičkog modela i karakteristika slika defekata na kartonu ustanovljeno je da se bolji rezultat ostvaruje kada se u proizvod uključe tri skale wavelet transformacije, a ne samo dve kako je prvobitno predložno, jer je, pre svega, izraženije potiskivanje šuma.Zatim, pokazano je da se predloženi algoritam može primeniti na proizvoljan skup slika, pri čemu se na osnovu karakteristika slika može utvrditi početna skala za formiranje proizvoda koeficijenata wavelet transformacije. U nastavku, prikazane su i analizirane dostupne metodologije komparacije detektora ivica. Ustanovljeno je da se mora primeniti objektivna metoda zasnovana na korišćenju istinite mape ivica. Da bi se ostvarilo adekvatno poređenje, realizovana je baza od 50 slika defekata na kartonu sa odgovarajućim istinitim mapama ivica. Komparacija detektora ivica je izvršena i na osnovu postojeće baze svakodnevnih slika i slika iz vazduha (slike iz ptičje perspektive), kao i odgovarajućih mapa ivica. Za poređenje su izabrani klasični i najčešće korišćeni detektori ivica: Sobel, Canny i Marr-Hildreth, zatim dva detektora bazirana na wavelet transformaciji i noviji, često korišćen detektor ivica -SUSAN (eng. Smallest Univalue Segment Assimilating Nucleus) detektor.Komparacija detektora je pokazala da je predložena metoda detekcije ivica na kartonu superiornija u odnosu na sve navedene detektore ivica. Predloženi detektor daje nešto bolje rezultate i pri poređenju pomoću skupa svakodnevnih slika, kao i skupom slika iz vazduha. Metoda komparacije detektora ivica je proširena sa još dva poređenja.Dodat je šum svakodnevnim slikama kao i slikama iz vazduha i ustanovljeno je da predložena metoda ispoljava evidentno bolje rezultate kod slika sa prisutnim šumom, pri čemu razlika u performansama između predloženog i prvog sledećeg detektora raste kako opada odnos signal-šum.Ova doktorska dis...

show abstract

Image Segmentation - A Survey of Soft Computing Approaches

Cited by 204 publications

References 4 publications

Aplicação da Rede Neural Sem Peso Wisard para o Rastreamento de Alvos de Superfície no Mar

Aplicação da Rede Neural Sem Peso Wisard para o Rastreamento de Alvos de Superfície no Mar

Image Segmentation Using Two Weighted Variable Fuzzy K Means

Wavelet based method for edge detection of defect on coated board during production proccess

Contact Info

Product

Resources

About