uu.seUppsala universitets publikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Pixel Classification Using General Adaptive Neighborhood-Based Features
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.
2014 (Engelska)Ingår i: Proceedings 22nd International Conference on Pattern Recognition (ICPR) 2014, 2014, s. 3750-3755Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

This paper introduces a new descriptor for characterizing and classifying the pixels of texture images by means of General Adaptive Neighborhoods (GANs). The GAN of a pixel is a spatial region surrounding it and fitting its local image structure. The features describing each pixel are then region-based and intensity-based measurements of its corresponding GAN. In addition, these features are combined with the gray-level values of adaptive mathematical morphology operators using GANs as structuring elements. The classification of each pixel of images belonging to five different textures of the VisTex database has been carried out to test the performance of this descriptor. For the sake of comparison, other adaptive neighborhoods introduced in the literature have also been used to extract these features from: the Morphological Amoebas (MA), adaptive geodesic neighborhoods (AGN) and salience adaptive structuring elements (SASE). Experimental results show that the GAN-based method outperforms the others for the performed classification task, achieving an overall accuracy of 97.25% in the five-way classifications, and area under curve values close to 1 in all the five "one class vs. all classes" binary classification problems.

Ort, förlag, år, upplaga, sidor
2014. s. 3750-3755
Serie
International Conference on Pattern Recognition, ISSN 1051-4651
Nationell ämneskategori
Beräkningsmatematik
Identifikatorer
URN: urn:nbn:se:uu:diva-238692DOI: 10.1109/ICPR.2014.644ISI: 000359818003148ISBN: 978-1-4799-5208-3 (tryckt)OAI: oai:DiVA.org:uu-238692DiVA, id: diva2:771875
Konferens
22nd International Conference on Pattern Recognition, Stockholm, Sweden, August 24-28, 2014
Tillgänglig från: 2014-12-15 Skapad: 2014-12-15 Senast uppdaterad: 2015-10-13Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltext

Personposter BETA

Curic, Vladimir

Sök vidare i DiVA

Av författaren/redaktören
Curic, Vladimir
Av organisationen
Avdelningen för visuell information och interaktionBildanalys och människa-datorinteraktion
Beräkningsmatematik

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 382 träffar
RefereraExporteraLänk till posten
Permanent länk

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