Аппроксимация цветных изображений на основе кластеризации цветовой палитры и сглаживания границ сплайнами и дугами

Релевантность результатов поиска, классификации, описания формы объектов на изображениях во многом зависит от качества векторизации — выделения областей, однородных по цвету и текстуре, построения их границ. В статье представлен алгоритм цветовой сегментации изображений, заключающийся в кластеризации цветовой палитры изображения путем построения трёхмерной гистограммы в цветовом пространстве HSV, отличающийся поиском локальных максимумов на гистограмме путем сканирования пространства трёхмерным оператором анализа окрестности, а также алгоритм аппроксимации границ областей отрезками прямых и дугами окружностей, отличающийся рекурсивным наращиванием аппроксимируемых цепочек. Алгоритмы предназначены для автоматизации процессов выделения информативных признаков изображений с целью использования их в системах технического зрения, контентного поиска изображений, геоинформационных и других системах поддержки принятия решений на основе графической информации.

Ключевые слова

Дата публикации

28.10.2018

Кол-во символов

971

Цитировать Скачать pdf Для скачивания PDF необходимо авторизоваться

ГОСТ	Касимов Д. Р. , Кучуганов А. В. , Кучуганов В. Н. , Осколков П. П. Аппроксимация цветных изображений на основе кластеризации цветовой палитры и сглаживания границ сплайнами и дугами // Программирование – 2018. – Выпуск 5 C. 3-11 [Электронный ресурс]. URL: http://ras.jes.su/progr/s207987840000204-3-2 (дата обращения: 29.04.2024). DOI: 10.31857/S013234740001211-7
MLA	Kasimov, D., Kuchuganov, A., Kuchuganov, V., Oskolkov, P. "Color image approximation based on clustering a color palette and smoothing borders with splines and arcs." Programmirovanie 5 (2018):3-11. DOI: 10.31857/S013234740001211-7
APA	Kasimov D., Kuchuganov A., Kuchuganov V., Oskolkov P. (2018). Color image approximation based on clustering a color palette and smoothing borders with splines and arcs. Programmirovanie (5), pp.3-11 DOI: 10.31857/S013234740001211-7

Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.

всего просмотров: 1154

Оценка читателей: голосов 0

1. ArcGIS. http://www.esri.com/software/arcgis/

2. Neteler, M. and Mitasova, H. Open Source GIS: a GRASS GIS approach (3rd ed.). New York: Springer, 2008. 406 p.

3. MacQueen, J. Some methods for classification and analysis of multivariate observations, Proc. 5th Berkeley Symp. on Math. Statistics and Probability, 1967, pp. 281Ц297.

4. Ohlander, R., Price, K., and Reddy, D.R. Picture Segmentation Using a Recursive Region Splitting Method, Computer Graphics and Image Processing, 1978, v. 8, no. 3, pp. 313Ц333.

5. Fukunaga, . and Hostetler, L.D. The estimation of the gradient of a density function, with applications in pattern recognition, IEEE Transactions on Information Theory, 1975, vol. 21, no. 1, pp. 32Ц40.

6. Comaniciu, D. and Meer, P. Mean shift: a robust approach toward feature space analysis, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, vol. 24, no. 5, pp. 603Ц619.

7. Sidorova, V.S. Histogram Hierarchical Algorithm and the Reduction of the Dimensionality of the Spectral Features Space, Journal of Siberian Federal University. Engineering & Technologies, 2017, vol. 10, no. 6, pp. 714Ц722.

8. Narendra, P.M. and Goldberg, M. A nonparametric clustering scheme for LANDSAT, Pattern Recognition, 1977, vol. 9, no. 4, pp. 207Ц215.

9. Kharinov, M.V. Pixel clustering for color image segmentation, Programming and Computer Software, 2015, vol. 41, no. 5, pp. 258Ц266.

10. Dvoenko, S.D. Meanless k-means as k-meanless clustering with the bi-partial approach, Pattern Recognition and Information Processing (PRIPТ2014) / Proc. of the 12th Int. Conf., Minsk, 2014, pp. 50Ц54.

11. Drysdale, R.S., Rote, G., and Sturm, A. Approximation of an Open Polygonal Curve with a Minimum Number of Circular Arcs and Biarcs, Compu- tational Geometry: Theory and Applications, 2008, vol. 41, no. 1Ц2, pp. 31Ц47.

12. Maier, G. and Pisinger, G. Approximation of a closed polygon with a minimum number of circular arcs and line segments, Computational Geometry: Theory and Applications, 2013, vol. 46, no. 3, pp. 263Ц275.

13. Avdzhieva, A., Aleksov, D., Hristov, I., Shegunov, N., and Marinov, P. Circular arc spline approximation of pointwise curves for use in NC programming [Study Group Report], European Study Group with Industry ESGIТ104, 2014.

14. Sobel, I. and Feldman, G. A 3 ? 3 Isotropic Gradient Operator for Image Processing, Pattern Classification and Scene Analysis, 1973, pp. 271Ц272.

15. Fisher, J., Lowther, J., and Shene, C.-K. Curve and Surface Interpolation and Approximation: Knowledge Unit and Software Tool, ITiCSEТ04 Proceedings of the 9th annual SIGCSE conference on Innovation and technology in computer science education, 2004, pp. 146Ц150.

16. —истема AutoPhoto. http://op1.istu.ru/n-projects/tech-6-8.html 17. Kasimov, D.R. and Kuchuganov, A.V., and Kuchuganov, V.N. Vectorization of Raster Mechanical Drawings on the Base of Ternary Segmentation and Soft Computing, Programming and Computer Software, 2017, vol. 43, no. 6, pp. 337Ц344.

17. Arbelaez, P., Maire, M., Fowlkes, C., and Malik, J. Contour Detection and Hierarchical Image Segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, vol. 33, no. 5, pp. 898Ц916.

18. Image Segmentation using k-means clustering. https://github.com/asselinpaul/ /ImageSeg-KMeans

19. Fuzzy C-Means algorithm for image clustering. https://github.com/Scthe/fcm-images

20. Canny Edge Detector. https://imagej.nih.gov/ij/plugins/canny/ /index.html

21. Borra, S. and Sarkar, S. A framework for performance characterization of intermediate-level grouping modules, // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, vol. 19, no. 11, pp. 1306Ц1312.