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:
Big Complex Biomedical Data: Towards a Taxonomy of Data Kapitel lesen Erstes Kapitel lesen

2014 | OriginalPaper | Buchkapitel

Image Segmentation Using Diffusion Tracking Algorithm with Patch Oversampling

verfasst von : Lassi Korhonen, Keijo Ruotsalainen

Erschienen in: E-Business and Telecommunications

Verlag: Springer Berlin Heidelberg

Einloggen

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

search-config
loading …

Abstract

An image segmentation process can be considered as a process of solving a pixel clustering problem. This paper represents and combines a new clustering algorithm that we call as a Diffusion Tracking (DT) algorithm and a new clustering based image segmentation algorithm. The DT algorithm is related to classical spectral clustering techniques but overcomes some of their problems which guarantees a better starting point for the image segmentation process. The image segmentation process introduced in this paper joins seamlessly to the DT algorithm but can also be used together with other clustering methods like k-means. The segmentation algorithm is based on oversampling pixels from classified patches and using simple statistical methods for joining the information collected. The experimental results at the end of this paper show clearly that the algorithms proposed suit well also for very demanding segmentation tasks.

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 Large-Scale Traffic Anomaly Detection: Analysis of Real Netflow Datasets
Nächstes Kapitel Cloud-Based Automatic Video Editing Using Keywords
Literatur
1.
Chen, T.W., Chen, Y.L., Chien, S.Y.: Fast image segmentation based on k-means clustering with histograms in HSV color space. In: 2008 IEEE 10th Workshop on Multimedia Signal Processing, pp. 322–325 (2008)
2.
Yang, Z., Chung, F.L., Shitong, W.: Robust fuzzy clustering-based image segmentation. Appl. Soft Comput. 9(1), 80–84 (2009)CrossRef
3.
4.
Filippone, M., Camastra, F., Masulli, F., Rovetta, S.: A survey of kernel and spectral methods for clustering. Pattern Recogn. 41, 176–190 (2008)CrossRefMATH
5.
Nadler, B., Galun, M.: Fundamental limitations of spectral clustering. In: Schölkopf, B., Platt, J., Hoffman, T. (eds.) Advances in Neural Information Processing Systems, vol. 19, pp. 1017–1024. MIT Press, Cambridge (2007)
6.
Macqueen, J.B.: Some methods of classification and analysis of multivariate observations. In: Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. pp. 281–297 (1967)
7.
Dunn, J.C.: A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters. J. Cybern. 3(3), 32–57 (1973)MathSciNetCrossRefMATH
8.
Chitta, R., Murty, M.N.: Two-level k-means clustering algorithm for k-\(\tau \) relationship establishment and linear-time classification. Pattern Recogn. 43(3), 796–804 (2010)CrossRefMATH
9.
Liu, Q., Zhang, B., Sun, H., Guan, Y., Zhao, L.: A novel k-means clustering algorithm based on positive examples and careful seeding. In: 2010 International Conference on Computational and Information Sciences (ICCIS), pp. 767–770 (2010)
10.
Yu, F., Xu, H., Wang, L., Zhou, X.: An improved automatic FCM clustering algorithm. In: 2010 2nd International Workshop on Database Technology and Applications (DBTA), pp. 1–4, November 2010
11.
Vintr, T., Pastorek, L., Vintrova, V., Rezankova, H.: Batch FCM with volume prototypes for clustering high-dimensional datasets with large number of clusters. In: 2011 Third World Congress on Nature and Biologically Inspired Computing (NaBIC), pp. 427–432 (2011)
12.
Li, C.H., Kuo, B.C., Lin, C.T.: LDA-based clustering algorithm and its application to an unsupervised feature extraction. IEEE Trans. Fuzzy Syst. 19(1), 152–163 (2011)CrossRef
13.
David, G., Averbuch, A.: Hierarchical data organization, clustering and denoising via localized diffusion folders. Appl. Comput. Harmon. Anal. 33(1), 1–23 (2012)MathSciNetCrossRefMATH
14.
Ng, A.Y., Jordan, M.I., Weiss, Y.: On spectral clustering analysis and an algorithm. In: Advances in Neural Information Processing Systems, pp. 849–856. MIT Press (2001)
15.
Zelnik-manor, L., Perona, P.: Self-tuning spectral clustering. In: Advances in Neural Information Processing Systems, vol. 17, pp. 1601–1608. MIT Press (2004)
16.
17.
18.
Tziakos, I., Theoharatos, C., Laskaris, N.A., Economou, G.: Color image segmentation using Laplacian eigenmaps. J. Electron. Imaging 18(2), 023004 (2009)CrossRef
19.
Tung, F., Wong, A., Clausi, D.A.: Enabling scalable spectral clustering for image segmentation. Pattern Recogn. 43(12), 4069–4076 (2010)CrossRefMATH
20.
Liu, H., Jiao, L., Zhao, F.: Non-local spatial spectral clustering for image segmentation. Neurocomputing 74(1–3), 461–471 (2010)CrossRef
21.
Maggioni, M., Bremer, J.C., Coifman, R.R., Szlam, A.D.: Biorthogonal diffusion wavelets for multiscale representations on manifolds and graphs. In: Wavelets XI - Proceedings of SPIE, vol. 5914, p. 59141M. SPIE (2005)
Metadaten
Titel
Image Segmentation Using Diffusion Tracking Algorithm with Patch Oversampling
verfasst von
Lassi Korhonen
Keijo Ruotsalainen
Copyright-Jahr
2014
Verlag
Springer Berlin Heidelberg
Buch
E-Business and Telecommunications

Print ISBN: 978-3-662-44790-1

Electronic ISBN: 978-3-662-44791-8

Copyright-Jahr: 2014

DOI
https://doi.org/10.1007/978-3-662-44791-8_13

Premium Partner

    Bildnachweise