ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Clustering Techniques for Image Segmentation

دانلود کتاب تکنیک های خوشه بندی برای تقسیم بندی تصویر

Clustering Techniques for Image Segmentation

مشخصات کتاب

Clustering Techniques for Image Segmentation

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9783030812294, 9783030812300 
ناشر: Springer 
سال نشر: 2021 
تعداد صفحات: 121 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت 

قیمت کتاب (تومان) : 52,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 20


در صورت تبدیل فایل کتاب Clustering Techniques for Image Segmentation به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب تکنیک های خوشه بندی برای تقسیم بندی تصویر نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب تکنیک های خوشه بندی برای تقسیم بندی تصویر

این کتاب عملکرد تکنیک های اصلی خوشه بندی را همراه با مزایا و کاستی های آنها ارائه می دهد. پس از معرفی موضوع، نویسندگان نسخه اصلاح شده خود را نشان می دهند که از این کاستی ها جلوگیری می کند. سپس این کتاب چهار تکنیک خوشه‌بندی اصلاح‌شده را معرفی می‌کند، یعنی K-Means بهینه (OKM)، K-Means-1 متحرک پیشرفته (EMKM-1)، Enhanced Moving K-Means-2 (EMKM-2)، و Outlier Rejection Fuzzy C. -Means (ORFCM). نویسندگان نشان می‌دهند که چگونه تکنیک OKM می‌تواند خوشه واریانس خالی و صفر را متمایز کند و روش تخصیص داده‌های تکنیک خوشه‌بندی K-mean دوباره طراحی شده است. سپس نشان می‌دهند که چگونه تکنیک‌های EMKM-1 و EMKM-2 مفهوم انتقال داده‌های K-Means متحرک تطبیقی ​​(AMKM) را اصلاح می‌کنند تا از مشکل به دام انداختن مرکز جلوگیری شود. و اینکه تکنیک ORFCM از تابع عضویت قابل تطبیق برای تعدیل اثرات پرت در تکنیک خوشه‌بندی فازی C-meaning استفاده می‌کند. این کتاب همچنین مراحل کار و کدگذاری روش های تحلیل کمی را پوشش می دهد. نتایج نشان می‌دهد که تکنیک‌های خوشه‌بندی اصلاح‌شده، مناطق همگن بیشتری را در یک تصویر با شکل بهتر و حفظ لبه‌های واضح ایجاد می‌کنند.
  • تکنیک‌های اصلی خوشه‌بندی را به نمایش می‌گذارد، مزایا و کاستی‌های آن‌ها را شرح می‌دهد.
  • شامل چندین روش است. برای ارزیابی عملکرد تکنیک‌های تقسیم‌بندی؛
  • کاربردهای متعددی از جمله سیستم‌های تشخیص پزشکی، سیستم‌های تصویربرداری ماهواره‌ای و سیستم‌های بیومتریک را ارائه می‌دهد.

< /p>


توضیحاتی درمورد کتاب به خارجی

This book presents the workings of major clustering techniques along with their advantages and shortcomings. After introducing the topic, the authors illustrate their modified version that avoids those shortcomings. The book then introduces four modified clustering techniques, namely the Optimized K-Means (OKM), Enhanced Moving K-Means-1(EMKM-1), Enhanced Moving K-Means-2(EMKM-2), and Outlier Rejection Fuzzy C-Means (ORFCM). The authors show how the OKM technique can differentiate the empty and zero variance cluster, and the data assignment procedure of the K-mean clustering technique is redesigned. They then show how the EMKM-1 and EMKM-2 techniques reform the data-transferring concept of the Adaptive Moving K-Means (AMKM) to avoid the centroid trapping problem. And that the ORFCM technique uses the adaptable membership function to moderate the outlier effects on the Fuzzy C-meaning clustering technique. This book also covers the working steps and codings of quantitative analysis methods. The results highlight that the modified clustering techniques generate more homogenous regions in an image with better shape and sharp edge preservation.
  • Showcases major clustering techniques, detailing their advantages and shortcomings;
  • Includes several methods for evaluating the performance of segmentation techniques;
  • Presents several applications including medical diagnosis systems, satellite imaging systems, and biometric systems.


فهرست مطالب

Preface
Acknowledgments
Contents
List of Figures
List of Tables
About the Authors
Chapter 1: Introduction to Image Segmentation and Clustering
	1.1 Digital Image Processing System
	1.2 Image Classification and Image Segmentation
	1.3 Classification of Image Segmentation Technique
	1.4 Thresholding
		1.4.1 Global Thresholding
		1.4.2 P-tile Method
		1.4.3 Histogram Shape-Based Methods
			1.4.3.1 Peak-and-Valley Methods
			1.4.3.2 Convex Hull Methods
			1.4.3.3 Shape Modeling Methods
		1.4.4 Clustering-Based Thresholding
			1.4.4.1 Iterative Thresholding Methods
			1.4.4.2 Minimum Error Thresholding Methods
			1.4.4.3 Ostu Clustering Thresholding Methods
			1.4.4.4 Fuzzy Clustering Thresholding Methods
		1.4.5 Entropic Thresholding Methods
		1.4.6 Local Thresholding
	1.5 Clustering
		1.5.1 Hierarchical Clustering
		1.5.2 Partitioning Clustering
			1.5.2.1 Hard Partitioning Clustering
			1.5.2.2 Fuzzy Partitioning Clustering
	1.6 Region-Based Segmentation Techniques
		1.6.1 Region-Growing Technique
		1.6.2 Split-and-Merge Technique
	1.7 Edge-Based Segmentation Techniques
		1.7.1 First-Order Derivative Edge Detection
			1.7.1.1 Gradient Operator
		1.7.2 Second-Order Derivative Edge Detection
		1.7.3 Optimal Canny Edge Detection
		1.7.4 Edge Linkers for Boundary Detection
	References
Chapter 2: Partitioning Clustering Techniques
	2.1 Partitioning Clustering for Image Segmentation
	2.2 k-means Clustering
		2.2.1 Implementation of k-means Clustering
		2.2.2 Limitations of k-means Clustering
		2.2.3 Illustration of k-means Clustering’s Limitations
	2.3 Moving K-means Clustering
		2.3.1 Implementation of MKM Clustering
		2.3.2 Limitations of MKM Clustering
		2.3.3 Illustration of MKM Clustering’s Limitations
	2.4 Adaptive Moving k-means Clustering
		2.4.1 Implementation of AMKM Clustering
		2.4.2 Limitations of AMKM Clustering
		2.4.3 Illustration of AMKM Clustering’s Limitations
	2.5 Fuzzy c-means Clustering
		2.5.1 Implementation of Fuzzy c-means Clustering
		2.5.2 Limitations of Fuzzy c-means Clustering
		2.5.3 Illustration of Fuzzy c-means Clustering’s Limitations
	2.6 Adaptive Fuzzy Moving k-means Clustering
		2.6.1 Implementation of Adaptive Fuzzy Moving k-means Clustering
		2.6.2 Limitations of Adaptive Fuzzy Moving k-means Clustering
		2.6.3 Illustration of Adaptive Fuzzy Moving k-means Clustering’s Limitations
	2.7 Adaptive Fuzzy k-means Clustering
		2.7.1 Implementation of Adaptive Fuzzy K-means Clustering
		2.7.2 Limitations of Adaptive Fuzzy k-means Clustering
		2.7.3 Illustration of Adaptive Fuzzy k-means Clustering’s Limitations
	References
Chapter 3: Novel Partitioning Clustering
	3.1 Robust Techniques of Partitioning Clustering
	3.2 Optimized k-means Algorithm
		3.2.1 Implementation of Optimized k-means
		3.2.2 Performance Illustration of Optimized k-means Clustering
	3.3 Enhanced Moving k-means Clustering
		3.3.1 Implementation of Enhanced Moving k-means Clustering
		3.3.2 Performance Illustration of Enhanced Moving k-means Clustering
	3.4 Outlier Rejection Fuzzy c-means Clustering
		3.4.1 Implementation of Outlier Rejection Fuzzy c-means Clustering
		3.4.2 Performance Illustration of Outlier Rejection fuzzy c-means Clustering
	References
Chapter 4: Quantitative Analysis Methods of Clustering Techniques
	4.1 Analysis Methods of Clustering Techniques
		4.1.1 Qualitative Analysis
		4.1.2 Quantitative Analysis
			4.1.2.1 Mean Square Error (MSE)
			4.1.2.2 INTER
			4.1.2.3 VXB
			4.1.2.4 F(I)
			4.1.2.5 F′ (I)
			4.1.2.6 Q(I)
	References
Index




نظرات کاربران