Б. Г. Кухаренко
Сегментирование изображений на основе сечения графов, Марковских случайных полей и алгоритмов разведывания данных
Исследуются особенности сегментирования изображении в непрерывной модели и алгоритмы сегментирования в пространстве характеристик пикселей на основе сечения графов с взвешенными дугами. Рассматривается сегментирование изображений на основе марковских случайных полей и алгоритмов интеллектуального анализа (разведывания) данных — Data Mining. Результативность этих алгоритмов демонстрируется на примере сегментирования спеклинтерферометрического изображения формы колебаний турбинной лопатки с трещиной.
Ключевые слова: сегментирование изображений, активные контуры, сечение графов, кластеризация, модель смеси гауссовых распределений, алгоритм ожидания-максимизации правдоподобия, марковские случайные поля, распределение Гиббса, модель Изинга, интеллектуальный анализ (разведывание) данных
Kukharenko B. G. Image Segmentation Based on Graph Cuts, Markov Random Fields, and Data Mining Algorithms
Characteristics of segmenting images in continuous models such as active contours and segmenting algorithm in feature space of pixels based on arc-weighted graph cuts are under study. The image segmentation is performed also by Markov random fields and Data Mining algorithms. The algorithm productivity is illustrated in segmenting a speckle interferogram of natural mode of a turbine blade with crack.
Keywords: image segmentation, active contours, graph cut, clustering, Gaussian mixture model, Expectation-Maximization algorithm, Markov random fields, Gibbs distribution, Ising model, Data Mining
СОДЕРЖАНИЕ
Введение
1. Модель активных контуров
1.1. Функционал энергии сплайна
1.2. Сегментирование спеклинтерферометрического изображения формы колебаний
2. Cегментирование изображений на основе сечения графов (ОгарИ-Ба8её Segmentation).
3. Моделирование набора векторов характеристик пикселей функцией распределения.
3.1. Сегментирование изображений разбиением на заданное число кластеров (K-means algorithm)
3.2. Пример сегментирования изображения
3.3. Модель смеси гауссовых распределений
3.4. Сегментирование изображения на основе модели смеси гауссовых распределений
4. Модели на основе распределения Гиббса
4.1. Марковские случайные поля (Markov Random Fields), модель Изинга и бинарное сегментирование изображений
4.2. Гибридная модель смеси гауссовых распределений с пространственными ограничениями в виде модели Изинга (Spatially-Constrained Mixture Model)
5. Процедура сдвига среднего (Mean Shift)
5.1. Оценка градиента распределения
5.2. Достаточное условие сходимости
5.3. Обнаружение мод распределения и сегментирование изображений
6. Нормированное сечение взвешенного графа изображения
Список литературы |