La segmentation d'images basée sur la couleur classe les pixels d'images numériques en de nombreux groupes pour une analyse plus approfondie dans des applications de vision par ordinateur, de reconnaissance de formes, de compréhension d'images et de traitement d'images. Divers algorithmes ont été développés pour la segmentation des images, mais les algorithmes de clustering jouent un rôle important dans la segmentation des images numériques. Cet article présente une nouvelle approche d'initialisation adaptative pour déterminer le nombre de grappes et trouver les points centraux initiaux des grappes pour l'algorithme de moyenne K standard afin de résoudre le problème de segmentation des images en couleur. Le schéma présenté utilise une procédure de balayage des histogrammes de canaux de couleur rouge, vert et bleu (RVB) appariés pour déterminer les modes les plus saillants dans chaque histogramme. Ensuite, le seuillage de l'histogramme est appliqué et une recherche dans chaque mode d'histogramme est effectuée pour accomplir les paires RVB. Ces paires RVB sont utilisées comme centres de cluster initiaux et numéros de cluster qui regroupent chaque pixel dans la région appropriée pour générer les régions homogènes. La technique proposée détermine les meilleurs paramètres d'initialisation pour la technique de regroupement de moyennes K conventionnelle. Dans cet article, l'approche proposée a été comparée à diverses techniques de segmentation d'image non supervisées sur divers repères de segmentation d'image. De plus, nous avons utilisé une approche de classement inspirée de la méthode d'évaluation basée sur la distance de la solution moyenne (EDAS) pour tenir compte de l'intégrité de la segmentation. Les résultats expérimentaux montrent que la technique proposée surpasse les autres techniques de regroupement existantes en optimisant la qualité de segmentation et éventuellement en réduisant l'erreur de classification.

La segmentación de imágenes basada en el color clasifica los píxeles de las imágenes digitales en numerosos grupos para su posterior análisis en aplicaciones de visión artificial, reconocimiento de patrones, comprensión de imágenes y procesamiento de imágenes. Se han desarrollado varios algoritmos para la segmentación de imágenes, pero los algoritmos de agrupamiento desempeñan un papel importante en la segmentación de imágenes digitales. Este documento presenta un enfoque de inicialización novedoso y adaptativo para determinar el número de clústeres y encontrar los puntos centrales iniciales de los clústeres para el algoritmo estándar de K-means para resolver el problema de segmentación de las imágenes en color. El esquema presentado utiliza un procedimiento de escaneo de los histogramas de canales de color rojo, verde y azul (RGB) emparejados para determinar los modos más destacados en cada histograma. A continuación, se aplica el umbral de histograma y se realiza una búsqueda en cada modo de histograma para lograr pares RGB. Estos pares RGB se utilizan como los centros de clúster iniciales y los números de clúster que agruparon cada píxel en la región apropiada para generar las regiones homogéneas. La técnica propuesta determina los mejores parámetros de inicialización para la técnica convencional de agrupamiento de K-medias. En este documento, el enfoque propuesto se comparó con varias técnicas de segmentación de imágenes no supervisadas en varios puntos de referencia de segmentación de imágenes. Además, utilizamos un enfoque de clasificación inspirado en el método de evaluación basado en la distancia de la solución promedio (EDAS) para tener en cuenta la integridad de la segmentación. Los resultados experimentales muestran que la técnica propuesta supera a las otras técnicas de agrupamiento existentes al optimizar la calidad de la segmentación y posiblemente reducir el error de clasificación.

Color-based image segmentation classifies pixels of digital images in numerous groups for further analysis in computer vision, pattern recognition, image understanding, and image processing applications. Various algorithms have been developed for image segmentation, but clustering algorithms play an important role in the segmentation of digital images. This paper presents a novel and adaptive initialization approach to determine the number of clusters and find the initial central points of clusters for the standard K-means algorithm to solve the segmentation problem of color images. The presented scheme uses a scanning procedure of the paired Red, Green, and Blue (RGB) color-channel histograms for determining the most salient modes in every histogram. Next, the histogram thresholding is applied and a search in every histogram mode is performed to accomplish RGB pairs. These RGB pairs are used as the initial cluster centers and cluster numbers that clustered each pixel into the appropriate region for generating the homogeneous regions. The proposed technique determines the best initialization parameters for the conventional K-means clustering technique. In this paper, the proposed approach was compared with various unsupervised image segmentation techniques on various image segmentation benchmarks. Furthermore, we made use of a ranking approach inspired by the Evaluation Based on Distance from Average Solution (EDAS) method to account for segmentation integrity. The experimental results show that the proposed technique outperforms the other existing clustering techniques by optimizing the segmentation quality and possibly reducing the classification error.

يصنف تجزئة الصور القائمة على الألوان وحدات البكسل من الصور الرقمية في مجموعات عديدة لمزيد من التحليل في رؤية الكمبيوتر والتعرف على الأنماط وفهم الصور وتطبيقات معالجة الصور. تم تطوير خوارزميات مختلفة لتجزئة الصور، لكن خوارزميات التجميع تلعب دورًا مهمًا في تجزئة الصور الرقمية. تقدم هذه الورقة نهج تهيئة جديد وتكيفي لتحديد عدد المجموعات وإيجاد النقاط المركزية الأولية للمجموعات لخوارزمية K - means القياسية لحل مشكلة تجزئة الصور الملونة. يستخدم المخطط المقدم إجراء مسح للمخططات التكرارية لقنوات الألوان الأحمر والأخضر والأزرق (RGB) المقترنة لتحديد الأوضاع الأكثر بروزًا في كل مخطط تكراري. بعد ذلك، يتم تطبيق عتبة المدرج التكراري ويتم إجراء بحث في كل وضع مدرج تكراري لإنجاز أزواج RGB. تُستخدم أزواج RGB هذه كمراكز عنقودية أولية وأرقام عنقودية تجمع كل بكسل في المنطقة المناسبة لتوليد المناطق المتجانسة. تحدد التقنية المقترحة أفضل معلمات التهيئة لتقنية تجميع وسائل K التقليدية. في هذه الورقة، تمت مقارنة النهج المقترح مع العديد من تقنيات تجزئة الصور غير الخاضعة للإشراف على مختلف معايير تجزئة الصور. علاوة على ذلك، استفدنا من نهج التصنيف المستوحى من طريقة التقييم القائم على المسافة من الحل المتوسط (EDAS) لمراعاة تكامل التجزئة. تظهر النتائج التجريبية أن التقنية المقترحة تتفوق على تقنيات التجميع الحالية الأخرى من خلال تحسين جودة التجزئة وربما تقليل خطأ التصنيف.