Fuzzy Evaluation of Image Segmentation Algorithms Using Neural Networks

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,534

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

AISST01_224

تاریخ نمایه سازی: 5 مرداد 1392

چکیده مقاله:

The color and texture features are very complex in natural images, usually the segmentation algorithms cannot segments these images well and better algorithms must be chosen from among the other algorithms. In this paper we present a fuzzy novel metric to evaluate the complex images using neural network and boundary accuracy, segment-by-segment comparisons of a segmented image and a groundtruth based on fuzzy Gaussian function. The neural network after training can assess the similarity or dissimilarity of each pairs of segments and finally the segmentation algorithms accuracy have been computed by novel presented metric. Our proposed method is sensitive to over-segmentation and undersegmentation. Experimental results were obtained for a selection of images from Berkeley segmentation data set and demonstrated that it s a proper measure for comparing image segmentation algorithms.

نویسندگان

Elham Askari

Ph.D. Student of Computer Engineering, Science and Research Branch Islamic Azad University

Ali Broumandnia

Assistant Professor, Science and Research Branch Islamic Azad University

Zeinab Farhodi

Ph.D. Student of Computer Engineering, Science and Research Branch Islamic Azad University

Sara Moetamed

Ph.D. Student of Computer Engineering, Science and Research Branch Islamic Azad University

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • N. R. Pal, and S. K. Pal 1993, A review ...
  • H. Zhang, J.E. Frittsm, S.A. Goldma. 2008, Image segmentation evaluation: ...
  • R. Unnikrishnan, M. Hebert. 2005, Measures of Similarity. In proceeding ...
  • F. Ge, S. Wang, and T. Liu. 2007, New benchmarck ...
  • K. McGuinness, G. Keenan, T. Adamek, and N. OConnor. 2007.Image ...
  • R. Unnikrishnan, C. Pantofaru, and M. Hebert. 2007, Toward Objective ...
  • X. Jiang, C. Marti, C. Irniger, and H. Bunke, 2006.Distance ...
  • D. Martin, C. Fowlkes, D. Tal, and J. Malik. 2001, ...
  • M. Polak, H. Zhang, and M. Pi. 2009, An evaluation ...
  • J. S. Weszka andA Rosenfeld. 1978, Threshold evaluation techniques. IEEE ...
  • C. Rosenberger, and K. Chehdi. 2000, Genetic fusion: application to ...
  • R. Zeboudj, 1998, Filrage, seuillage automatique, contraste et contour, du ...
  • M. _ Levine and A. M. Nazif, 1985, Dynamic measuremet ...
  • P. Sahoo, S. Soltani, A. Wong, Y. Chen. 1988, A ...
  • M. Borsotti, P. Campadelli, R. Schettini. 1998, Quantitative evaluation of ...
  • H.C. Chen, S.J. Wang. 2004, The use of visible color ...
  • C.E. Erdem, B. Sanker, A.M. Tekalp. _ .Performance measures for ...
  • S. Chabrier, B. Emile, H. Laurent, C. Rosenberger, P. March ...
  • E, Askari., and. A. M, Eftekhari .M. 2011, A Fuzzy ...
  • E, Askari., and. A. M, Eftekhari .M., and H. R., ...
  • E, Askari., and. A. M, Eftekhari .M. 2012, Toward Fuzzy ...
  • Zhang, S. Cholleti, S. Goldman, and J. Fritts, _ , ...
  • D. Comaniciu, P. Meer. 2002, Mean shift: a roobust approach ...
  • V. Meas-Yedid, S. Tilie, J.C. Olivo-Marin .2002, Color image segmentation ...
  • نمایش کامل مراجع