Кластеризация значений пикселей изображений с учетом метрики цветового различия CIEDE-2000

Август 8, 2022

Главная
Математика
Кластеризация значений пикселей изображений с учетом метрики цветового различия CIEDE-2000

Содержание

2. Еловских И. Е. 02.06.2014 Цель и актуальность исследования Где контрастность выше? (0, 128, 0) (0, 255,
3. CIEDE2000 Разработана международным комитетом CIE (фр. Commission Internationale de l'Eclairage) в 2000 году
4. Задача работы Относительно недавно был разработан метод кластеризации по граничному элементу множества: Пономаренко Н.Н. "Быстрая кластеризация
5. Дано: n точек xi в многомерном пространстве, которые нужно разбить на k кластеров. Выбираем k случайных
6. Кластеризация по расстоянию до граничного элемента O(n) Дано: n точек xi в M-мерном пространстве, которые нужно
7. Кластеризация по граничному элементу множества Пояснение к кластеризации по расстоянию до граничного элемента
8. Тестовые изображения Стандартные цветные тестовые изображения Baboon, Barbara и Goldhill (512x512 пикселей)
9. Пример кластеризации Граничная кластеризация с метрикой CIEDE2000 на 8 кластеров
10. Результаты Стандартные цветные тестовые изображения Baboon, Barbara и Goldhill (512x512 пикселей)
12. Скачать презентацию

Слайд 2

Еловских И. Е.
02.06.2014
Цель и актуальность исследования
Где контрастность выше?
(0, 128, 0)
(0,

255, 0)

(0, 0, 128)

(128, 0, 0)

(0, 0, 255)

(255, 0, 0)

34, 5

16,5

25,8

Слайд 3

CIEDE2000
Разработана международным комитетом CIE
(фр. Commission Internationale de l'Eclairage) в 2000

году

Слайд 4

Задача работы
Относительно недавно был разработан метод кластеризации по граничному элементу множества:
Пономаренко

Н.Н. "Быстрая кластеризация в многомерном пространстве для задач поиска подобия", Системы обработки информации, Вып. 2 (76), 2009, С. 79-82.
Основное достоинство этого метода: способность при кластеризации учитывать любую функцию расстояния, заданную в виде «черного ящика», например, CIEDE2000.
Задача исследования: оценить, насколько это позволяет уменьшить погрешность кластеризации по сравнению с стандартной кластеризацией Ллойда?

Слайд 5

Дано: n точек xi в многомерном пространстве, которые нужно разбить на

k кластеров.
Выбираем k случайных (их координаты заданы случайно) центров кластеров cj, j=1..k.
Для каждой точки xi находим наиболее близкий к ней центр кластера cm. Считаем, что точка xi попадает в кластер m.
Для каждого кластера j подсчитываем, сколько точек попало в него. Вычисляем новое значение cj усреднением координат всех xi, которые попали в этот кластер.
Шаги 2-3 повторяются до тех пор, пока точки не перестанут переходить от одного кластера к другому (координаты центров кластеров перестанут изменяться).
Если какой-либо из кластеров оказывается пустым, то для него
выбирается новый случайный центр, либо самый большой кластер разбивается на две половины.

Кластеризация Ллойда

Слайд 6

Кластеризация по расстоянию до граничного элемента O(n)
Дано: n точек xi в

M-мерном пространстве, которые нужно разбить на k кластеров.
Все точки относим к одному кластеру.
Просматриваем все кластеры и определяем кластер j с наибольшим средним расстоянием его пикселей до его центра
Выбираем случайную точку xr в кластере j.
В кластере j находим точку xrm наиболее удаленную от xr. Она будет граничной (лежать на границе кластера).
Упорядочиваем все точки кластера j по расстоянию до точки xrm. Находим медиану этих расстояний med.
Разбиваем кластер j на два кластера так, что в один кластер идут точки с расстоянием до xrm меньше или равно med, а в другой – остальные.
Шаги 2-6 повторяются, пока число кластеров меньше k.

Слайд 7

Кластеризация по граничному элементу множества
Пояснение к кластеризации по расстоянию до граничного

элемента

Слайд 8

Тестовые изображения
Стандартные цветные тестовые изображения Baboon, Barbara и Goldhill (512x512 пикселей)

Слайд 9

Пример кластеризации
Граничная кластеризация с метрикой CIEDE2000 на 8 кластеров

Слайд 10

Кластеризация значений пикселей изображений с учетом метрики цветового различия CIEDE-2000

Содержание

Еловских И. Е.02.06.2014Цель и актуальность исследованияГде контрастность выше? (0, 128, 0)(0,

CIEDE2000Разработана международным комитетом CIE (фр. Commission Internationale de l'Eclairage) в 2000

Задача работыОтносительно недавно был разработан метод кластеризации по граничному элементу множества:Пономаренко

Дано: n точек xi в многомерном пространстве, которые нужно разбить на

Кластеризация по расстоянию до граничного элемента O(n)Дано: n точек xi в

Кластеризация по граничному элементу множестваПояснение к кластеризации по расстоянию до граничного

Тестовые изображенияСтандартные цветные тестовые изображения Baboon, Barbara и Goldhill (512x512 пикселей)

Пример кластеризацииГраничная кластеризация с метрикой CIEDE2000 на 8 кластеров

РезультатыСтандартные цветные тестовые изображения Baboon, Barbara и Goldhill (512x512 пикселей)

Похожие презентации