Задача стоит такая, есть изображения сельскохозяйственных полей, надо его сегментировать и выявить определённые области поля. Нужен всего лишь хороший алгоритм .......... мот кто-нить может помочь
| Версия для печати темы
Нажмите сюда для просмотра этой темы в оригинальном формате |
| Форум программистов > Алгоритмы > Алгоритмы сегментации изображений ... |
| Автор: slaventiy 23.11.2006, 12:45 |
| Мот кто может подсказать парочку алгоритмов сегментации(кластеризации, разпознавания изображения) ...... Меня интересуют любые алгоритмы, кроме isodata(ИСОМАД) и k-means(к-средних) .......... Задача стоит такая, есть изображения сельскохозяйственных полей, надо его сегментировать и выявить определённые области поля. Нужен всего лишь хороший алгоритм .......... мот кто-нить может помочь |
| Автор: DENNN 23.11.2006, 12:51 |
Могу подсказать, где купить специализированный софт умеющий такие вещи и более сложные. стоит он больших денег (и не зря)  |
| Автор: slaventiy 23.11.2006, 12:58 |
| Дак софт я могу и сам создать, причём довольно неплохой, но для этого нужен алгоритм, а isodata и k-means мне не подходят, т.к. я их уже использую, мне нуна ещё пару, сравнить их и выдать готовый программный продукт ............ |
| Автор: DENNN 23.11.2006, 13:52 | ||
Сорри, не знал, что все так просто..... |
| Автор: slaventiy 23.11.2006, 13:59 |
| DENNN, ну насчёт простоты могу наверное не согласиться, при разработке могут возникнуть куча подводных камней ............... плюс нужны будут только качественные результаты .... необходимо будет произвести оценку сегментированного изоражения, прогнать его по всем алгоритмам ........... |
| Автор: VictorTsaregorodtsev 23.11.2006, 14:33 |
| Ну, можно такие взять еще алгоритмы: 1. Лямбда-алгоритм кластеризации Н.Г.Загоруйко (кажется был в его книге 99 года и может еще где позднее излагался). На наборе точек строится минимальный связный подграф и рубятся самые длинные ребра подграфа, вернее, самые "нагруженные" ребра (отсюда и слово "лямбда" в названии - этой буквой просто было обозначено соотношение длины ребра к наиболее короткому смежному ребру). АЛгоритм хорошо ловит всякие локальные неоднородности, вернее, перепады плотностей распределения вероятности. Но задача построения подграфа - квадратична по числу точек. Для изображений, скорее всего, надо брать в качестве точек не пикселы, а некоторые фрагменты, т.е. кластеризовать многомерные векторы, созданные по картинке. Поэтому эти два аспекта могут привести к сильно большому объему вычислений. Хотя, в итоге легко решается задача определения нужного числа кластеров (видно по графику нагрузки ребер, при смене числа кластеров или их слиянии/разделении никакой переадаптации (как в случае алгоритма к-средних) делать не надо). 2. Двумерная скрытая марковская модель. Она в случае работы с изображениями будет делать упор, скорее всего, на отличии текстур изображений. КОнкретно под задачу обработки изображений сельхозполей назвать что-то сложно - не видел этих самых картинок, не представляю особенностей, на которых и надо ориентировать алгоритмы сегментации. |
