چکیده‌ای برای این سند ثبت نشده است.
قطعهبندی تصویر، یک مسئله پایه در بینایی ماشین است. در روش مبتنی بر برش نرمالیزه گراف (Ncut)، حل این مسئله به انتخاب بردار ویژه متناظر با دومین کوچکترین مقدار ویژه یک ماتریس خاص می‌انجامد. در این مقاله، ضمن بیان هم‌ارزی رابطه ریاضی حاکم بر مسئله بدون مربیِ Ncut با معیار Fisher-R
اخیرا قطعه بندی تصویر بر پایه روشهای برش گراف کارایی چشمگیری را روی مجموعه ای از داده های تصویری به نمایش گذاشته اند. اگرچه که روش برش گراف کرنل کارایی مناسبی را تامین می کند ولی کارایی آن به شدت به نگاشت داده ها به فضای تبدیل و ویژگیهای تصویر وابسته است. روش برش گراف کرنل مبتنی
در این مقاله الگوریتمی جدید از نمایه سازی تصویر مبتنی بر شکل, برای استفاده در سیستم های بازیابی تصویر معرفی می شود. این الگوریتم بدان جهت که برای ساخت نمایه از تصویر, نیاز به قطعه بندی تصویر ندارد قادر است با یک بار مرور تصویر و بدون محاسبات زمان گیر, کار نمایه سازی را انجام دهد.
در قطعه بندی تصویر هدف جدا سازی تصویر به نواحی مجزا و همگن است و در حالت ایده آل باید نتیجه بدست آمده با نواحی حاصل از قطعه بندی ذهن انسان منطبق باشد. در رابطه با قطعه بندی تصویر، الگوریتم های متعددی تا به امروز ارائه شده اند. از جمله این روشها می توان به روشهای مبتنی بر گراف اشا
قطعه بندی تصویر، یک مساله پایه در بینایی ماشین است. در روش مبتنی بر برش نرمالیزه گراف (ncut)، حل این مساله به انتخاب بردار ویژه متناظر با دومین کوچکترین مقدار ویژه یک ماتریس خاص می انجامد. در این پایان نامه، ضمن بیان هم ارزی رابطه ریاضی حاکم بر مساله ی بدون مربیِ ncut با معیار fi
این پایان نامه به بررسی روش های قطعه بندی تصویر و راه های حل آن می پردازد. در فصل اول و دوم ما به بیان برخی از پیش نیاز ها در ارتباط با قطعه بندی تصویر و محاسبات مربوط به آن می پردازیم ، در فصل سوم برخی از روش های شناخته شده در چند سال گذشته را در ارتباط با قطعه بندی تصویر بازگو