هم‌بخش‌بندی با استفاده از روش تجزیه ماتریس ساخت‌یافته دو مرحله‌ای

در این مقاله روشی دو مرحله‌ای برای هم‌بخش‌بندی مبتنی بر تجزیه تصویر به ماتریس مرتبه کم و پراکنده ابداع شده است. در مرحله اول که مشابه روش smd است ابرپیکسل‎های نقشه‌برجسته به عنوان ماتریس پراکنده در نظر گرفته می‌شوند و اجزای زمینه به عنوان ماتریس با رتبه کم. در این حالت ابرپیکسل‌هایی که با اطمینان بالا، زمینه خوشه‌بندی شده‌اند حذف می‌شوند. در مرحله بعد تمام ابرپیکسل‌های باقی مانده از تمام تصاویر باهم در نظر گرفته می‌شوند. پس از وزن دهی جدید به ساختار درخت و ادغام اطلاعات، روش smd دوباره بر روی داده‌های جدید اعمال می‌شود. در این مرحله به علت کثرت ابرپیکسل‌های باقی مانده از قسمت نقشه‌برجسته تصاویر، اِعمال روش تجریه ماتریسی باعث قرار گرفتن ابرپیکسل‌های نقشه‌برجسته در ماتریس با مرتبه کم خواهد شد. به عبارتی در روش پیشنهادی با وزن دهی مناسب به نمایش درختی ابرپیکسل‌ها، اطلاعات همسایگی و مشابهت درون یک تصویر و بین تصاویر در روش تجزیه ماتریسی نهادینه شد، تا از طریق آن نتایج هم‌بخش‌بندی بهبود یابد. نتایج به دست آمده از به کارگیری روش پیشنهادی بر روی پایگاه تصاویر مرتبط با این حوزه، حاکی از توانمندی این روش هستند.

CoSegmentation via Twostage Structured Matrix Decomposition

In this paper, a two stage cosegmentation method,based on matrix decomposition,has been proposed. In the first step, each image is segmented into some superpixels and then salient parts of each image are extracted via structured matrix decomposition (SMD) method. The lowrank matrix represents image background and the sparse matrix contains salient objects. In this step, the superpixels that are partitioned as background with high confidence will be removed. In the second step, all remaining superpixels are considered all together and the tree structure is rearranged and then the SMD method is applied again to this new data. Parts of the common salient object compose the lowrank matrix due to the large number of them in the remaining superpixels. In other words, the proposed approach has embedded intraimage adjacency information and interimages similarity information into the matrix decomposition method via proper weighting of the tree structure.iCoseg dataset has been used to evaluate its performance. The results demonstrate its effectiveness and superiority.