Resumen

Para la segmentación no supervisada de imágenes en color, proponemos un algoritmo de dos etapas, KmsGC, que combina la agrupación K-means con el corte de grafos. En la primera etapa, se aplica el algoritmo de agrupación K-means para realizar una agrupación inicial, y el número óptimo de agrupaciones se determina automáticamente mediante un criterio de compacidad que se establece para encontrar agrupaciones con la máxima distancia interclúster y la mínima varianza intraclúster. En la segunda etapa, se construye un grafo ponderado de múltiples vértices terminales basado en una función de energía, y la imagen se segmenta según un corte multidireccional de coste mínimo. Se han realizado numerosas evaluaciones de rendimiento y los resultados experimentales indican que el enfoque propuesto es eficaz en comparación con otros algoritmos de segmentación de imágenes existentes en la base de datos de imágenes de Berkeley.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería
• Subjects:mathematics Mathematical Analysis Algebra Engineering
• Palabras claves:corte multidireccional de coste mínimo, segmentación no supervisada de imágenes en color, base de datos de imágenes de Berkeley, algoritmos de segmentación de imágenes, distancia intercluster máxima, varianza intracluster mínima, vértices terminales múltiples, criterio de compacidad, función de energía, resultados experimentales
• Keywords:minimum cost multiway cut, unsupervised color image segmentation, berkeley image database, image segmentation algorithms, maximum intercluster distance, minimum intracluster variance, multiple terminal vertices, compactness criterion, energy function, experimental results