Многоуровневый алгоритм цветовой кластеризации изображений
https://doi.org/10.29235/1561-8323-2021-65-3-269-274
Аннотация
Представлен многоуровневый алгоритм цветовой кластеризации MACC (Multilevel Algorithm for Color Clustering), предназначенный для быстрой кластеризации изображений. В настоящее время для цветовой кластеризации изображений активно используется несколько хорошо известных алгоритмов, в том числе k-средних (который является одним из наиболее часто используемых при обработке данных) и его нечеткие версии, водораздела, наращивания областей и целая серия новых более сложных нейросетевых и других алгоритмов. Однако их невозможно применять для кластеризации больших цветных изображений в режиме реального времени. Быстрая кластеризации бывает необходима, например, при обработке кадров видеопотока, создаваемого различными видеокамерами или при работе с большими базами данных изображений. Разработанный алгоритм MACC позволяет выполнить на персональном компьютере кластеризацию больших изображений, например размера FullHD, по цвету со средним отклонением от исходных значений цвета около пяти единиц менее, чем за 20 мс, в то время как параллельная версия классического алгоритма k-средних выполняет кластеризацию этих же изображений со средней ошибкой более 12 единиц за время, превышающее 2 с. Предложенный алгоритм многоуровневой кластеризации изображений по цвету достаточно прост в реализации. Он был протестирован на большом количестве цветных изображений.
Об авторе
Б. А. Залесский
Объединенный институт проблем информатики Национальной академии наук Беларуси
Беларусь
Беларусь
Залесский Борис Андреевич – д-р физ.-мат. наук, заведующий лабораторией
ул. Сурганова, 6, 220012, Минск, Республика Беларусь
Список литературы
1. Steinhaus, H. Sur la division des corps materiels en parties / H. Steinhaus // Bull. Acad. Polon. – 1956. – Vol. 4, N 12. – P. 801–804.
2. Lloyd, S. Least squares quantization in PCM / S. Lloyd // IEEE Transactions on Information Theory. – 1982. – Vol. 28, N 2. – P. 129–137. https://doi.org/10.1109/tit.1982.1056489
3. Bezdek, J. C. Pattern Recognition with Fuzzy Objective Function Algoritms / J. C. Bezdek. – MA, USA, 1981. – 256 p. https://doi.org/10.1007/978-1-4757-0450-1
4. Towards K-means-friendly spaces: simultaneous deep learning and clustering / Bo Yang [et al.] // ICML’17: Proc. of the 34th International Conference on Machine Learning. – 2017. – Vol. 70. – P. 3861–3870.
5. Fully convolution neural network combined with K-means clustering algorithm for image segmentation / Bing He [et al.] // Tenth International Conference on Digital Image Processing (ICDIP 2018). – 2018. – Vol. 10806. https://doi.org/10.1117/12.2502814
6. Deep k-Means: Re-Training and Parameter Sharing with Harder Cluster Assignments for Compressing Deep Convolutions / Junru Wu [et al.] // Proc. of the 35th International Conference on Machine Learning, PMLR. – 2018. – Vol. 80. – P. 5363–5372.
7. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М., 2005. – 1075 с.
8. Залесский, Б. А. Метод нечеткой кластеризации k-средних со сглаживающей штрафной функцией / Б. А. Залесский // Информатика. – 2014. – № 3. – С. 14–20.
9. Image Clustering. 2018 [Electronic resource]. – Mode of access: https://paperswithcode.com/task/image-clustering. – Date of access: 12.04.21.
10. Залесский, Б. А. Алгоритм отслеживания объектов движущейся видеокамерой / Б. А. Залесский // Докл. Нац. акад. наук Беларуси. – 2020. – Т. 64, № 2. – С. 144–149. https://doi.org/10.29235/1561-8323-2020-64-2-144-149
Рецензия
Просмотров: 486
Послать статью по эл. почте 