Artigo em revista científica Q1
ALFO: Adaptive light field over-segmentation
Maryam Hamad (Hamad, M.); Caroline Conti (Conti, C.); Paulo Nunes (Nunes, P.); Luís Ducla Soares (Soares, L. D.);
Título Revista
IEEE Access
Ano (publicação definitiva)
Estados Unidos da América
Mais Informação
Web of Science®

N.º de citações: 2

(Última verificação: 2023-12-10 07:52)

Ver o registo na Web of Science®

: 0.3

N.º de citações: 5

(Última verificação: 2023-12-07 09:58)

Ver o registo na Scopus

: 0.5
Google Scholar

N.º de citações: 5

(Última verificação: 2023-12-09 22:05)

Ver o registo no Google Scholar

Automatic image over-segmentation into superpixels has attracted increasing attention from researchers to apply it as a pre-processing step for several computer vision applications. In 4D Light Field (LF) imaging, image over-segmentation aims at achieving not only superpixel compactness and accuracy but also cross-view consistency. Due to the high dimensionality of 4D LF images, depth information can be estimated and exploited during the over-segmentation along with spatial and visual appearance features. However, balancing between several hybrid features to generate robust superpixels for different 4D LF images is challenging and not adequately solved in existing solutions. In this paper, an automatic, adaptive, and view-consistent LF over-segmentation method based on normalized LF cues and K-means clustering is proposed. Initially, disparity maps for all LF views are estimated entirely to improve superpixel accuracy and consistency. Afterwards, by using K-means clustering, a 4D LF image is iteratively divided into regular superpixels that adhere to object boundaries and ensure cross-view consistency. Our proposed method can automatically adjust the clustering weights of the various features that characterize each superpixel based on the image content. Quantitative and qualitative results on several 4D LF datasets demonstrate outperforming performance of the proposed method in terms of superpixel accuracy, shape regularity and view consistency when using adaptive clustering weights, compared to the state-of-the-art 4D LF over-segmentation methods.
The authors would like to thank Dr. Mira Rizkallah for providing her re-implementation of the Superray software and Dr. Rui Li for providing his generated labels from his method for us to compare with. Additionally, the authors would also like to thank Mr
Automatic segmentation,Adaptive light field over-segmentation,Superpixels
  • Ciências da Computação e da Informação - Ciências Naturais
  • Engenharia Eletrotécnica, Eletrónica e Informática - Engenharia e Tecnologia
Registos de financiamentos
Referência de financiamento Entidade Financiadora
UIDB/50008/2020 Fundação para a Ciência e a Tecnologia
PTDC/EEI-COM/7096/2020 Fundação para a Ciência e a Tecnologia
Projetos Relacionados

Esta publicação é um output do(s) seguinte(s) projeto(s):

Com o objetivo de aumentar a investigação direcionada para o cumprimento dos Objetivos do Desenvolvimento Sustentável para 2030 das Nações Unidas, é disponibilizada no Ciência-IUL a possibilidade de associação, quando aplicável, dos artigos científicos aos Objetivos do Desenvolvimento Sustentável. Estes são os Objetivos do Desenvolvimento Sustentável identificados pelo(s) autor(es) para esta publicação. Para uma informação detalhada dos Objetivos do Desenvolvimento Sustentável, clique aqui.