Image segmentation as the processin

Image segmentation as the processing of partitioning
a digital image into multiple segments has wide
applications, such as image retrieval, medical inspection,
and computer forensics. Clustering methods as one
solution are applied on a single or multiple feature spaces
of an image, such as color, intensity, or texture, in order
to group similar pixels that share certain visual
characteristics. Given a particular color image, not all
features from a color space, such as RGB, HSV, or Lab,
are equally effective in describing the visual
characteristics of segments. In this paper, we propose a
projective clustering algorithm HCPC (Hill-Climbing
based Projective Clustering) which utilizes EPCH (an
efficient projective clustering technique by histogram
construction) as the main framework and hill-climbing
algorithm for dense region detection, for color image
segmentation, thereby finding interesting clusters
(segments) within subspaces of a given feature space. A
new feature space, named HSVrVgVb, is also explored
which is derived from HSV (Hue, Saturation, and Value)
color space. The experimental results show that compared
with hill-climbing algorithm (for efficient color-based
image segmentation), our proposed algorithm is more
scalable when the dimensionality of feature space is high,
and also generates comparable segmentation results.

ผลลัพธ์ (ไทย) 1:

ภาพที่แบ่งเป็นการประมวลผลของพาร์ทิชัน
ภาพดิจิทัลในหลายกลุ่มได้กว้าง
โปรแกรมประยุกต์ เช่นรูปเรียก ตรวจสอบทางการแพทย์,
และนิติคอมพิวเตอร์ คลัสเตอร์วิธีเป็นหนึ่ง
ใช้โซลูชันเดียวหรือหลายลักษณะช่องว่าง
ของรูป เช่นสี ความเข้ม พื้น ผิว ตามลำดับ
ไปกลุ่มเซลคล้ายที่ visual บาง
ลักษณะการ ให้ภาพสีที่เฉพาะเจาะจง ไม่
คุณลักษณะจากพื้นที่สี เช่น RGB, HSV, Lab,
มีประสิทธิภาพเท่าเทียมกันในการอธิบายการ visual
ลักษณะของเซ็กเมนต์ ในเอกสารนี้ เราเสนอการ
อัลกอริทึมใช้ระบบคลัสเตอร์ projective HCPC (ปีนเขา
ตามคลัสเตอร์ Projective) ซึ่งใช้ EPCH (มี
มีประสิทธิภาพ projective เทคนิคระบบคลัสเตอร์ โดยฮิสโตแกรม
ก่อสร้าง) เป็นกรอบหลักและปีนเขา
อัลกอริทึมตรวจพื้นที่หนาแน่น สีรูป
แบ่ง จึงค้นหาน่าสนใจกลุ่ม
(segments) ใน subspaces พื้นที่กำหนดคุณลักษณะ A
นอกจากนี้ยังมีสำรวจพื้นที่คุณลักษณะใหม่ ตั้งชื่อ HSVrVgVb
ซึ่งมาจาก HSV (สีสัน ความอิ่มตัว และค่า)
สีพื้นที่ แสดงผลการทดลองที่เปรียบเทียบ
กับอัลกอริทึมปีนเขา (สำหรับประสิทธิภาพตามสี
ภาพเซ็ก), อัลกอริทึมของเราเสนอมา
ปรับสเกลเมื่อ dimensionality คุณลักษณะพื้นที่สูง,
และยัง สร้างผลแบ่งเทียบ

ผลลัพธ์ (ไทย) 2:

การแบ่งส่วนภาพการประมวลผลของการแบ่ง
ภาพดิจิตอลเป็นส่วนหลายมีกว้าง
การใช้งานเช่นการดึงภาพการตรวจสอบทางการแพทย์
และนิติคอมพิวเตอร์ วิธีการจัดกลุ่มเป็นหนึ่งใน
ทางออกที่จะนำมาใช้ในเดียวหรือหลายพื้นที่คุณลักษณะ
ของภาพเช่นสีเข้มหรือพื้นผิวเพื่อ
ให้พิกเซลที่คล้ายกันกลุ่มที่แบ่งปันภาพบาง
ลักษณะ ให้ภาพสีโดยเฉพาะอย่างยิ่งไม่ได้ทั้งหมด
คุณสมบัติจากพื้นที่สีเช่น RGB, HSV หรือ Lab,
เท่าเทียมกันที่มีประสิทธิภาพในการอธิบายภาพ
ลักษณะของกลุ่ม ในบทความนี้เราได้นำเสนอ
ขั้นตอนวิธีการจัดกลุ่ม Hcpc projective (ฮิลล์ปีนเขา
ตาม Projective Clustering) ซึ่งใช้ EPCH (
เทคนิคการจัดกลุ่มที่มีประสิทธิภาพ projective โดยกราฟ
การก่อสร้าง) เป็นกรอบและเนินเขาปีนเขาหลัก
อัลกอริทึมในการตรวจหาพื้นที่หนาแน่นสำหรับภาพสี
แบ่งส่วน ดังนั้นการหากลุ่มที่น่าสนใจ
(กลุ่ม) ภายใน subspaces ของพื้นที่คุณลักษณะที่กำหนด
พื้นที่คุณลักษณะใหม่ชื่อ HSVrVgVb ก็คือการสำรวจ
ซึ่งได้มาจาก HSV (Hue, Saturation, และมูลค่า)
พื้นที่สี ผลการทดลองแสดงให้เห็นว่าเมื่อเทียบ
กับอัลกอริทึมเนินเขาปีนเขา (สำหรับสีที่ใช้มีประสิทธิภาพ
การแบ่งส่วนภาพ) อัลกอริทึมที่นำเสนอของเราเป็น
ที่ปรับขนาดได้เมื่อมิติของพื้นที่มีสูง
และยังสร้างผลการแบ่งส่วนการเปรียบเทียบ

ผลลัพธ์ (ไทย) 3:

ภาพการแบ่งส่วนตามการประมวลผลของพาร์ทิชัน
ภาพดิจิตอลลงในหลายกลุ่มมีการใช้งานกว้าง
เช่นดึงภาพ , การตรวจสอบและพิสูจน์ทางการแพทย์
คอมพิวเตอร์ สำหรับวิธีการเป็นหนึ่งในโซลูชั่นที่ใช้

เดียวหรือหลายคุณลักษณะที่เป็น ของภาพ เช่น สี ความเข้ม หรือพื้นผิว เพื่อให้กลุ่มที่แบ่งปันกัน

บางภาพพิกเซลลักษณะ ให้ภาพที่สีใดสีหนึ่ง ไม่ทั้งหมด
คุณสมบัติจากสีพื้นที่ เช่น RGB , HSV , หรือห้องปฏิบัติการ
มีประสิทธิภาพเท่าเทียมกันในการอธิบายลักษณะภาพของ
ของเซ็กเมนต์ ในกระดาษนี้เราเสนอ
hcpc ขั้นตอนวิธีการจัดกลุ่มเชิงภาพฉาย ( projective ปีนฮิลล์
ตามการจัดกลุ่ม ) ซึ่งใช้ epch (

) ที่มีกลุ่ม projective โดยกราฟแสดงความถี่ก่อสร้าง ) เป็นกรอบหลักและ hill-climbing
วิธีตรวจหาเขตหนาแน่นสำหรับการแบ่งส่วนภาพ
สีจึงหาที่น่าสนใจกลุ่ม
( ส่วน ) ภายใน subspaces ของให้มีพื้นที่ a
คุณลักษณะใหม่พื้นที่ชื่อ hsvrvgvb ยังสำรวจ
ซึ่งได้มาจาก HSV ( สี , ความอิ่มตัวของสี และค่า )
พื้นที่สี ผลการทดลองแสดงให้เห็นว่าเมื่อเทียบ
กับ hill-climbing ขั้นตอนวิธี ( สีที่มีประสิทธิภาพ
การแบ่งส่วนภาพตาม ) ของเราวิธีที่เสนอเพิ่มเติม
ยืดหยุ่นเมื่อ dimensionality คุณลักษณะพื้นที่สูง และยังสร้างผลลัพธ์การ
เทียบเท่า