Resumen

La segmentacin precisa de las imgenes recogidas en una escena de la naturaleza es la base del reconocimiento y el anlisis del comportamiento. Las imgenes tienen las caractersticas de diversidad y gradualidad de los colores de destino y un fondo complejo. El mtodo del modelo Chan_Vese combinado con el algoritmo de agrupacin -means se utiliza para segmentar las imgenes multicolor, pero cuando se utiliza el algoritmo de agrupacin -means para agrupar el color de las imgenes multicolor, se adopta la forma de clasificacin dura, sin tener en cuenta la caracterstica de gradiente de color. Para resolver este problema, en el presente artculo se propone un nuevo enfoque del modelo Chan_Vese en combinacin con la agrupacin de medias difusas. El modelo propuesto utiliza fuzzy -means clustering para agrupar los pxeles dentro de la curva de evolucin del modelo Chan_Vese, clasificando los pxeles en un determinado cluster de color con una cierta probabilidad para describir las caractersticas graduales de color de la imagen. Mediante fuzzy -means clustering, se pueden obtener varios centros de cluster, y los valores de los centros de cluster se pueden utilizar para reemplazar los valores internos de ajuste del modelo Chan_Vese. De este modo, se supera el problema de que el modelo Chan_Vese no puede segmentar imgenes con inhomogeneidad de intensidad. Adems, la funcin Heaviside global se sustituye por la funcin Heaviside local para suprimir la influencia del fondo en la segmentacin de imgenes. Los resultados experimentales de segmentacin de imgenes demuestran que el modelo propuesto puede localizar con mayor precisin el contorno objetivo y tiene un coeficiente de similitud Dice, una similitud Jaccard y una precisin de segmentacin mayores.

• Materias:Matemáticas Lógica matemática Ingeniería Algoritmos (Matemáticas) Algebra
• Subjects:mathematics Mathematical logic Engineering Agorithms (Math) Algebra
• Palabras claves:segmentación precisa; imágenes; escena de la naturaleza; reconocimiento; análisis de comportamiento; modelo Chan_Vese; algoritmo de agrupación k-means; imágenes multicolor; clasificación difícil; característica de gradiente de color; agrupación fuzzy k-means; curva de evolución; agrupación de color; características graduales del color de la imagen; centros de agrupación; valores internos de ajuste; falta de homogeneidad de la intensidad; función Heaviside global; función Heaviside local; fondo; contorno del objetivo; coeficiente de similitud Dice; similitud Jaccard; precisión de la segmentación.
• Keywords:precise segmentation; images; nature scene; recognition; behavior analysis; Chan_Vese model; k-means clustering algorithm; multicolor images; hard classification; color-gradient feature; fuzzy k-means clustering; evolution curve; color cluster; image color gradual characteristics; cluster centers; internal fitting values; intensity inhomogeneity; global Heaviside function; local Heaviside function; background; target contour; Dice similarity coefficient; Jaccard Similarity; segmentation accuracy