Инд. авторы:	Рылов С.А.
Заглавие:	Непараметрический алгоритм кластеризации для сегментации изображений на основе комбинации сеточного подхода и процедуры среднего сдвига
Библ. ссылка:	Рылов С.А. Непараметрический алгоритм кластеризации для сегментации изображений на основе комбинации сеточного подхода и процедуры среднего сдвига // Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов: Труды Всероссийской конференции. - 2017. - Новосибирск: Институт вычислительных технологий Сибирского отделения РАН. - С.150-155. - ISBN: 978-5-905569-08-1.
Внешние системы:	РИНЦ: 29985582;
Реферат:	eng: Nonparametric clustering is attractive because of its ability to discover arbitrary shaped clusters. Mean-shift is a well known mode-seeking procedure that is capable of producing accurate results. However, it has high time complexity. On the other hand, grid-based methods are computationally efficient, but their accuracy is limited by the grid structure. A novel clustering algorithm that combines grid-based HCA algorithm with mean-shift procedure is proposed. Experiments show significant improvement of clustering accuracy over HCA and high computational efficiency. rus: Непараметрические алгоритмы кластеризации позволяют выделять кластеры сложной формы. Однако вычислительная трудоемкость распространенных методов затрудняет их применение к обработке изображений. Сеточные алгоритмы кластеризации являются вычислительно эффективными, но при этом точность выделения кластеров зависит от сеточной структуры. В работе предлагается новый алгоритм кластеризации, основанный на сеточном алгоритме HCA и использовании процедуры среднего сдвига для уточнения границ кластеров. Экспериментальные исследования показывают увеличение точности кластеризации и демонстрируют высокую вычислительную эффективность алгоритма.
Ключевые слова:	процедура среднего сдвига; непараметрический подход; сеточный алгоритм кластеризации; mean-shift; сегментация изображений;
Издано:	2017
Физ. характеристика:	с.150-155
Конференция:	Название: Всероссийская конференция «Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов» Аббревиатура: SDM-2017 Город: Бердск, Новосибирская область Страна: Россия Даты проведения: 2017-08-29 - 2017-08-31 Ссылка: http://conf.nsc.ru/SDM-2017
Цитирование:	1. Xie Y., Sha Z., Yu M. Remote sensing imagery in vegetation mapping: a review//Journal of plant ecology. 2008. Vol. 1. No. 1. P. 9-23. 2. Sarmah S., Bhattacharyya D.K. A grid-density based technique for finding clusters in satellite image//Pattern Recognition Letters. 2012. Vol. 33. No. 5. P. 589-604. 3. Пестунов И.А., Синявский Ю.Н. Анализ и синтез сигналов и изображений непараметрический алгоритм кластеризации данных дистанционного зондирования на основе grid-подхода//Автометрия. 2006. Т. 42. №. 2. С. 90-99. 4. Krstinic D., Skelin A.K., Slapnicar I. Fast two-step histogram-based image segmentation//Image Processing, IET. 2011. Vol. 5. No. 1. P. 63-72. 5. Пестунов И.А., Рылов С.А., Бериков В.Б. Иерархические алгоритмы кластеризации для сегментации мультиспектральных изображений//Автометрия. 2015. Т. 51. № 4. С. 12-22. 6. Пестунов И.А., Бериков В.Б., Синявский Ю.Н. Сегментация многоспектральных изображений на основе ансамбля непараметрических алгоритмов кластеризации//Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. 2010. № 5(31). С. 56-64. 7. Cheng Y. Mean shift, mode seeking, and clustering//IEEE Transactions on Pattern Analysis and Machine Intelligence. 1995. Vol. 17. No. 8. P. 790-799. 8. Freedman D., Kisilev P. Fast mean shift by compact density representation//Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2009. P. 1818-1825. 9. Рылов С.А. Модельные данные для кластеризации . URL: https://drive.google.com/open?id=0ByK9GtU5ExExRnZwdFNmRHRWdFk (дата обращения 30.06.2017). 10. Тестовые изображения для кластеризации . URL: https://drive.google.com/open?id=0ByK9GtU5ExExWXpGRjU5WVFHcDg (дата обращения 30.06.2017).