Segmentace obrazu metodou spektrálního shlukování a difuzního spektrálního shlukování

Abstract

Spektrální shlukování v posledních letech našlo svou pevnou pozici mezi obecnými datově segmentačními algoritmy. Použití spektrálního shlukování pro segmentaci, zejména reálných obrazů, otevírá široký prostor k dalším optimalizacím a modifikacím tohoto algoritmu. Tato práce představuje teoretický základ rozdílných konfigurací spektrálního shlukování včetně jeho difuzní varianty. Experimentální část práce se zabývá implementací difuzního spektrálního shlukování s použitím algoritmu \textit{Mean-shift}. Dále, na základě dosažených segmentací, poskytuje objektivní náhled možnosti reálného použití tohoto algoritmu pro segmentaci obrazu s ohledem na rozdílné případy použití.

In recent years, spectral clustering has established itself as an robust segmentation algorithm. Using spectral clustering for, particularly real, image segmentation opens a wide scope to optimize and modify this algorithm further. This thesis introduces the theoretical background of spectral clustering algorithm focusing on its different modifications including diffuse spectral clustering. Experimental part of this thesis focuses on the implementation of spectral diffuse clustering using the Mean-shift algorithm and based on its outputs, using both real and synthetic inputs, it provides a sober perspective of possibilities of using spectral clustering for image segmentation concerning various use cases.