Image Segmentation Using Ant System-based Clustering Algorithm

Jevtić, Aleksandar; Quintanilla Domínguez, Joel; Barron Adame, Jose Miguel y Andina de la Fuente, Diego (2011). Image Segmentation Using Ant System-based Clustering Algorithm. En: "6th International Conference SOCO 2011", 06/04/2011 - 08/04/2011, Salamanca, España. ISBN 978-3-642-19643-0. pp. 35-45. https://doi.org/10.1007/978-3-642-19644-7_62.

Descripción

Título: Image Segmentation Using Ant System-based Clustering Algorithm
Autor/es:
  • Jevtić, Aleksandar
  • Quintanilla Domínguez, Joel
  • Barron Adame, Jose Miguel
  • Andina de la Fuente, Diego
Tipo de Documento: Ponencia en Congreso o Jornada (Artículo)
Título del Evento: 6th International Conference SOCO 2011
Fechas del Evento: 06/04/2011 - 08/04/2011
Lugar del Evento: Salamanca, España
Título del Libro: Soft Computing Models in Industrial and Environmental Applications, 6th International Conference SOCO 2011
Fecha: 2011
ISBN: 978-3-642-19643-0
Volumen: 87
Materias:
Escuela: E.T.S.I. Telecomunicación (UPM)
Departamento: Señales, Sistemas y Radiocomunicaciones
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (1MB) | Vista Previa

Resumen

Industrial applications of computer vision sometimes require detection of atypical objects that occur as small groups of pixels in digital images. These objects are difficult to single out because they are small and randomly distributed. In this work we propose an image segmentation method using the novel Ant System-based Clustering Algorithm (ASCA). ASCA models the foraging behaviour of ants, which move through the data space searching for high data-density regions, and leave pheromone trails on their path. The pheromone map is used to identify the exact number of clusters, and assign the pixels to these clusters using the pheromone gradient. We applied ASCA to detection of microcalcifications in digital mammograms and compared its performance with state-of-the-art clustering algorithms such as 1D Self-Organizing Map, k-Means, Fuzzy c-Means and Possibilistic Fuzzy c-Means. The main advantage of ASCA is that the number of clusters needs not to be known a priori. The experimental results show that ASCA is more efficient than the other algorithms in detecting small clusters of atypical data.

Más información

ID de Registro: 13260
Identificador DC: http://oa.upm.es/13260/
Identificador OAI: oai:oa.upm.es:13260
Identificador DOI: 10.1007/978-3-642-19644-7_62
URL Oficial: http://link.springer.com/chapter/10.1007/978-3-642-19644-7_5
Depositado por: Memoria Investigacion
Depositado el: 28 Nov 2012 11:33
Ultima Modificación: 21 Abr 2016 12:34
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM