Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Weight-Selection Strategy on Training Deep Neural Networks for Imbalanced Classification Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

An Improved Directional Convexity Measure for Binary Images

verfasst von : Péter Bodnár, Péter Balázs

Erschienen in: Image Analysis and Recognition

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Balázs et al. (Fundamenta Informaticae 141:151–167, 2015) proposed a measure of directional convexity of binary images based on the geometric definition of shape convexity. The measure is useful for various applications of digital image processing and pattern recognition, especially in binary tomography. Here we provide an improvement of this measure making it to follow better the intuitive concept of geometric convexity and to be more suitable to distinguish between thick and thin objects.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Ground Plane Segmentation Using Artificial Neural Network for Pedestrian Detection
Nächstes Kapitel Learning Salient Structures for the Analysis of Symmetric Patterns
Literatur
1.
2.
Balázs, P., Ozsvár, Z., Tasi, T., Nyúl, L.: A measure of directional convexity inspired by binary tomography. Fundam. Informaticae 141(2–3), 151–167 (2015)MathSciNetCrossRef
3.
Barcucci, E., Del Lungo, A., Nivat, M., Pinzani, R.: Medians of polyominoes: a property for reconstruction. Int. J. Imaging Syst. Technol. 9(2–3), 69–77 (1998)CrossRef
4.
Boxer, L.: Computing deviations from convexity in polygons. Pattern Recognit. Lett. 14(3), 163–167 (1993)CrossRef
5.
Brunetti, S., Lungo, A.D., Ristoro, F.D., Kuba, A., Nivat, M.: Reconstruction of 4- and 8-connected convex discrete sets from row and column projections. Linear Algebra Appl. 339(1), 37–57 (2001)MathSciNetCrossRef
6.
Chrobak, M., Durr, C.: Reconstructing hv-convex polyominoes from orthogonal projections. Inf. Process. Lett. 69(6), 283–289 (1999)MathSciNetCrossRef
7.
Gorelick, L., Veksler, O., Boykov, Y., Nieuwenhuis, C.: Convexity shape prior for segmentation. In: Fleet, D., Pajdla, T., Schiele, B., Tuytelaars, T. (eds.) ECCV 2014. LNCS, vol. 8693, pp. 675–690. Springer, Cham (2014). doi:10.​1007/​978-3-319-10602-1_​44CrossRef
8.
Gorelick, L., Veksler, O., Boykov, Y., Nieuwenhuis, C.: Convexity shape prior for binary segmentation. IEEE Trans. Pattern Anal. Mach. Intell. 39, 258–271 (2017)CrossRef
9.
Herman, G.T., Kuba, A.: Advances in Discrete Tomography and Its Applications. Applied and Numerical Harmonic Analysis. Birkhauser, Baserl (2007)CrossRef
10.
Latecki, L.J., Lakamper, R.: Convexity rule for shape decomposition based on discrete contour evolution. Comput. Vis. Image Underst. 73(3), 441–454 (1999)CrossRef
11.
Rahtu, E., Salo, M., Heikkila, J.: A new convexity measure based on a probabilistic interpretation of images. IEEE Trans. Pattern Anal. Mach. Intell. 28(9), 1501–1512 (2006)CrossRef
12.
Rosin, P.L., Žunić, J.: Probabilistic convexity measure. IET Image Process. 1(2), 182–188 (2007)CrossRef
13.
Sonka, M., Hlavac, V., Boyle, R.: Image Processing, Analysis, and Machine Vision. Cengage Learning, Boston (2014)
14.
Stern, H.I.: Polygonal entropy: a convexity measure. Pattern Recognit. Lett. 10(4), 229–235 (1989)CrossRef
15.
Tasi, T.S., Nyúl, L.G., Balázs, P.: Directional convexity measure for binary tomography. In: Ruiz-Shulcloper, J., Sanniti di Baja, G. (eds.) CIARP 2013. LNCS, vol. 8259, pp. 9–16. Springer, Heidelberg (2013). doi:10.​1007/​978-3-642-41827-3_​2CrossRef
16.
Zunic, J., Rosin, P.L.: A new convexity measure for polygons. IEEE Trans. Pattern Anal. Mach. Intell. 26(7), 923–934 (2004)CrossRef
Metadaten
Titel
An Improved Directional Convexity Measure for Binary Images
verfasst von
Péter Bodnár
Péter Balázs
Copyright-Jahr
2017
Buch
Image Analysis and Recognition

Print ISBN: 978-3-319-59875-8

Electronic ISBN: 978-3-319-59876-5

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-59876-5_31

Premium Partner

    Bildnachweise