این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۷، شماره ۲، صفحات ۱-۱۱
عنوان فارسی هم‌بخش‌بندی با استفاده از روش تجزیه ماتریس ساخت‌یافته دو مرحله‌ای
چکیده فارسی مقاله در این مقاله روشی دو مرحله‌ای برای هم‌بخش‌بندی مبتنی بر تجزیه تصویر به ماتریس مرتبه کم و پراکنده ابداع شده است. در مرحله اول که مشابه روش SMD است ابرپیکسل‎های نقشه‌برجسته به عنوان ماتریس پراکنده در نظر گرفته می‌شوند و اجزای زمینه به عنوان ماتریس با رتبه کم. در این حالت ابرپیکسل‌هایی که با اطمینان بالا، زمینه خوشه‌بندی شده‌اند حذف می‌شوند. در مرحله بعد تمام ابرپیکسل‌های باقی مانده از تمام تصاویر باهم در نظر گرفته می‌شوند. پس از وزن دهی جدید به ساختار درخت و ادغام اطلاعات، روش SMD دوباره بر روی داده‌های جدید اعمال می‌شود. در این مرحله به علت کثرت ابرپیکسل‌های باقی مانده از قسمت نقشه‌برجسته تصاویر، اِعمال روش تجریه ماتریسی باعث قرار گرفتن ابرپیکسل‌های نقشه‌برجسته در ماتریس با مرتبه کم خواهد شد. به عبارتی در روش پیشنهادی با وزن دهی مناسب به نمایش درختی ابرپیکسل‌ها، اطلاعات همسایگی و مشابهت درون یک تصویر و بین تصاویر در روش تجزیه ماتریسی نهادینه شد، تا از طریق آن نتایج هم‌بخش‌بندی بهبود یابد. نتایج به دست آمده از به کارگیری روش پیشنهادی بر روی پایگاه تصاویر مرتبط با این حوزه، حاکی از توانمندی این روش هستند.
کلیدواژه‌های فارسی مقاله هم‌بخش‌بندی، شناسایی نقشه‌برجستگی، تجزیه ماتریس، درخت همسایگی،
عنوان انگلیسی Co-Segmentation via Two-stage Structured Matrix Decomposition
چکیده انگلیسی مقاله In this paper, a two stage co-segmentation method,based on matrix decomposition,has been proposed. In the first step, each image is segmented into some super-pixels and then salient parts of each image are extracted via structured matrix decomposition (SMD) method. The low-rank matrix represents image background and the sparse matrix contains salient objects. In this step, the super-pixels that are partitioned as background with high confidence will be removed. In the second step, all remaining super-pixels are considered all together and the tree structure is rearranged and then the SMD method is applied again to this new data. Parts of the common salient object compose the low-rank matrix due to the large number of them in the remaining super-pixels. In other words, the proposed approach has embedded intra-image adjacency information and inter-images similarity information into the matrix decomposition method via proper weighting of the tree structure.iCoseg dataset has been used to evaluate its performance. The results demonstrate its effectiveness and superiority.
کلیدواژه‌های انگلیسی مقاله هم‌بخش‌بندی, شناسایی نقشه‌برجستگی, تجزیه ماتریس, درخت همسایگی
نویسندگان مقاله محمدجواد فدایی اسلام |
دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان

نشانی اینترنتی https://jmvip.sinaweb.net/article_106108_4311f32fd15b7f32f116664bbc3ce302.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات