uu.seUppsala universitets publikasjoner
Endre søk
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Exact Evaluation of Targeted Stochastic Watershed Cuts
Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Bildanalys och människa-datorinteraktion. Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Avdelningen för visuell information och interaktion.
Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Avdelningen för visuell information och interaktion. Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Bildanalys och människa-datorinteraktion.
Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Bildanalys och människa-datorinteraktion. Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Avdelningen för visuell information och interaktion.ORCID-id: 0000-0001-7764-1787
2017 (engelsk)Inngår i: Discrete Applied Mathematics, ISSN 0166-218X, E-ISSN 1872-6771, Vol. 216, nr 2, s. 449-460Artikkel i tidsskrift (Fagfellevurdert) Published
Abstract [en]

Seeded segmentation with minimum spanning forests, also known as segmentation by watershed cuts, is a powerful method for supervised image segmentation. Given that correct segmentation labels are provided for a small set of image elements, called seeds, the watershed cut method completes the labeling for all image elements so that the boundaries between different labels are optimally aligned with salient edges in the image. Here, a randomized version of watershed segmentation, the targeted stochastic watershed, is proposed for performing multi-label targeted image segmentation with stochastic seed input. The input to the algorithm is a set of probability density functions (PDFs), one for each segmentation label, defined over the pixels of the image. For each pixel, we calculate the probability that the pixel is assigned a given segmentation label in seeded watershed segmentation with seeds drawn from the input PDFs. We propose an efficient algorithm (quasi-linear with respect to the number of image elements) for calculating the desired probabilities exactly.

sted, utgiver, år, opplag, sider
Elsevier, 2017. Vol. 216, nr 2, s. 449-460
Emneord [en]
Image segmentation, Stochastic watershed, Watershed cut, Minimum spanning forest
HSV kategori
Forskningsprogram
Datoriserad bildbehandling
Identifikatorer
URN: urn:nbn:se:uu:diva-333808DOI: 10.1016/j.dam.2016.01.006ISI: 000390504100011OAI: oai:DiVA.org:uu-333808DiVA, id: diva2:1157961
Tilgjengelig fra: 2017-11-17 Laget: 2017-11-17 Sist oppdatert: 2018-09-04bibliografisk kontrollert

Open Access i DiVA

Fulltekst mangler i DiVA

Andre lenker

Forlagets fulltekst

Personposter BETA

Malmberg, FilipLuengo Hendriks, Cris L.Strand, Robin

Søk i DiVA

Av forfatter/redaktør
Malmberg, FilipLuengo Hendriks, Cris L.Strand, Robin
Av organisasjonen
I samme tidsskrift
Discrete Applied Mathematics

Søk utenfor DiVA

GoogleGoogle Scholar

doi
urn-nbn

Altmetric

doi
urn-nbn
Totalt: 77 treff
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf