High Quality - Low Computational Cost Technique for Automated Principal Object Segmentation Applied in Solar and Medical Imaging
Notice bibliographique
Résumé
The objective of this paper is to introduce a fully computerized, simple and low-computational cost technique that can be used in the preprocessing stages of digital images. This technique is specially designed to detect the principal (largest) closed shape object that embody the useful information in certain image types and neglect and avoid other noisy objects and artifacts. The detection process starts by calculating certain statistics of the image to estimate the amount of bit-plane slicing required to exclude the non-informative and noisy background. A simple closing morphological operation is then applied and followed by circular filter applied only on the outer coarse edge to finalize the detection process. The proposed technique takes its importance from the huge explosion of images that need accurate processing in real time speedy manner. The proposed technique is implemented using MATLAB and tested on many solar and medical images; it was shown by the quantitative evaluation that the proposed technique can handle real-life (e.g. solar, medical fundus) images and shows very good potential even under noisy and artifacts conditions. Compared to the publicly available datasets, 97% and 99% of similarity detection is achieved in medical and solar images, respectively. Although it is well-know, the morphological bit-plane slicing technique is hoped to be used in the preprocessing stages of different applications to ease the subsequent image processing stages especially in real time applications where the proposed technique showed dramatic (~100 times) saving in processing time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».