Resumen

La segmentación ideal de imágenes en color necesita tanto claves de bajo nivel como características semánticas de alto nivel. Este trabajo propone un modelo de segmentación de dos jerarquías basado en la fusión de superpíxeles homogéneos. En primer lugar, se diseña una estrategia de crecimiento regional para producir superpíxeles homogéneos y compactos en diferentes particiones. Se adoptan características de suavizado de variación total en el procedimiento de crecimiento para localizar los límites reales. Antes de la fusión, definimos una característica combinada de histograma de color y textura para la descripción de superpíxeles y, al mismo tiempo, se propone una nueva característica de objectness para supervisar el procedimiento de fusión de regiones para una segmentación fiable. Tanto los histogramas de color-textura como la objectness se calculan para medir las similitudes regionales entre pares de regiones, y la desviación estándar mixta de las características de unión se explota para establecer criterios de parada para el proceso de fusión. Los resultados experimentales sobre el popular conjunto de datos de referencia demuestran el mejor rendimiento de segmentación del modelo propuesto en comparación con otros algoritmos de segmentación conocidos.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Segmentación de imágenes en color; claves de bajo nivel; características semánticas de alto nivel; modelo de segmentación de dos jerarquías; superpíxeles homogéneos; estrategia de crecimiento de regiones.
• Keywords:Color image segmentation; low-level cues; high-level semantic features; two-hierarchy segmentation model; homogeneous superpixels; region growing strategy