Resumen

La segmentación suave es más flexible que la segmentación dura. Pero las funciones de pertenencia suelen ser sensibles al ruido. En este artículo, proponemos un modelo de segmentación suave multiphase para imágenes casi constantes por piezas basado en el principio estocástico, donde las intensidades de píxeles se modelan como variables aleatorias con distribución gaussiana mixta. La novedad de este artículo radica en tres aspectos. Primero, a diferencia de algunos modelos existentes donde la media de cada fase se modela como una constante y se asume que las varianzas para diferentes fases son iguales, la media para cada fase en la distribución gaussiana en este artículo se modela como un producto de una constante y un campo de sesgo, y se asume que diferentes fases tienen diferentes varianzas, lo que hace que el modelo sea más flexible. Segundo, desarrollamos un algoritmo híbrido de gradiente dual primal proyectado bidireccional (PDHG) para iteraciones de funciones de pertenencia. Tercero, también desarrollamos un algoritmo novedoso para calcular expl

• Materias:Nanotecnología Teléfonos inteligentes Agrupación de datos Segmentación suave
• Subjects:Nanotechnology Smart phones Data clustering Soft segmentation
• Palabras claves:Segmentación suave; Segmentación dura; Funciones de pertenencia; Modelo de segmentación suave de múltiples fases; Principio estocástico; Distribución gaussiana mixta
• Keywords:Soft segmentation; Hard segmentation; Membership functions; Multiphase softsegmentation model; Stochastic principle; Mixed Gaussian distribution