Статья

Название статьи СЕГМЕНТАЦИЯ ЦВЕТНЫХ ИЗОБРАЖЕНИЙ ЭВОЛЮЦИОННЫМИ МЕТОДАМИ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА МНОГОМЕРНЫХ ДАННЫХ
Автор И.А. Сяйлев
Рубрика .
Месяц, год 02, 2008
Индекс УДК 681.3.01(075)
DOI
Аннотация В работе рассмотрены алгоритмы сегментации цветных изображений. Приведена краткая классификация классических методов сегментации, указаны их недостатки. Рассмотрены основные подходы к решению задачи средствами эволюционных методов интеллектуального анализа многомерных данных. Рассмотрены алгоритмы, основанные на сведении задачи сегментации к задаче многомерной оптимизации, а так же алгоритмы, использующие для процесса сегментации нейросети.

Скачать в PDF

Ключевые слова Сегментация цветных изображений, интеллектуальный анализ многомерных данных, обработка изображений, эволюционные вычисления, нейросети.
Библиографический список 1. Обзор классических методов сегментации
http://www.uran.donetsk.ua/~masters/2005/kita/tribrat/diss/index.htm
2. Родзин, С.И. Интеллектуальные системы. Проблемы и перспективы создания единой концепции гибридных эволюционных вычислений / С.И. Родзин [и др.]. – М.: Физматлит, 2005. – С. 76-94.
3. Bhanu, B. and Lee, S. 1994, Genetic learning for adaptive image segmentation, Kluwer Academic Press.
4. Shafer, S. and Kanade, T., 1982, “Recursive Region Segmentation by Analysis of Histograms”, Proc. IEEE International Conference on Acoustics, Speech and Signal Processing, pp. 1166-1171.
5. Bhanu, B., Lee, S. and Ming, J., 1995, “Adaptive Image Segmentation using a Genetic Algorithm”, IEEE Transactions on Systems, Man, and Cybernetics 25(12), pp. 1543-1567.
6. Yoshimura, M. and Oe, S., 1999, “Evolutionary Segmentation of Texture Image using Genetic Algorithms towards Automatic Decision of Optimum Number of Segmentation Areas”, Pattern Recognition 32, pp. 2041-2054.
7. Bhandarkar, S.M., Zhang, Y. and Potter, W.D., 1994, “An Edge Detection Technique using Genetic Algorithm-based Optimisation”, Pattern Recognition 27(9), pp. 1159-1180.
8. Chun, D.N. and Yang., H.S., 1996, “Robust Image Segmentation using Genetic Algorithm with a Fuzzy Measure”, Pattern Recognition 29(7), pp. 1195-1211.

Comments are closed.