2012
DOI: 10.5120/8276-1883
|View full text |Cite
|
Sign up to set email alerts
|

Application of Wavelet based K-means Algorithm in Mammogram Segmentation

Abstract: Research in image processing has gained lots of momentum during past two decades. Now-a-days image processing techniques have found their way into computer vision, image compression, image security, medical imaging and more. This paper presents a research on mammography images using wavelet transformation and K -means clustering for cancer tumor mass segmentation. The first step is to perform image segmentation. It allows distinguishing masses and micro calcifications from background tissue. In this paper wave… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
2
1

Citation Types

0
17
0
2

Year Published

2015
2015
2022
2022

Publication Types

Select...
5
1
1

Relationship

0
7

Authors

Journals

citations
Cited by 27 publications
(19 citation statements)
references
References 4 publications
0
17
0
2
Order By: Relevance
“…The wavelet transform is important to provide a compact description of images that are limited in time and it is very useful in description of edges and line that are highly localized [19]. A 1-level wavelet transform of a discrete image 'f' can be done by using the following two steps:…”
Section: Wavelet With Level Setmentioning
confidence: 99%
See 2 more Smart Citations
“…The wavelet transform is important to provide a compact description of images that are limited in time and it is very useful in description of edges and line that are highly localized [19]. A 1-level wavelet transform of a discrete image 'f' can be done by using the following two steps:…”
Section: Wavelet With Level Setmentioning
confidence: 99%
“…Another method [19] is proposed an application of wavelet based K-mean algorithm in mammogram segmentation. Discrete wavelet transform is used to extract the high level details from MRI images.…”
Section: Related Workmentioning
confidence: 99%
See 1 more Smart Citation
“…Diferentes variações para o algoritmo são obtidas cada vez que diferentes métricas são consideradas, como por exemplo a distância de Minkowski considerada em [3]. Além disso, a escolha para o número de clusters k também influencia na dinâmica do algoritmo, permitindo diferentes agrupamentos ao final do processo iterativo.Figura 1: Quatro primeiras iterações do algoritmo k-means, utilizando distância Euclidiana, quando aplicado a uma nuvem de 3000 pontos, p i ∈ R 2 , distribuídos em 3 clusters (k = 3).Apesar do algoritmo k-means ser amplamente utilizado em diversos tipos de dados [1,2], ele pode produzir resultados não satisfatórios, quando aplicado a séries temporais [8]. Este baixo desempenho se dá principalmente devido a grande dimensão d de cada elemento do conjunto das séries a serem classificadas, possível alta correlação entre os dados e a grande quantidade de ruído geralmente presente em séries temporais obtidas através de medições associadas a problemas realistas .…”
unclassified
“…Apesar do algoritmo k-means ser amplamente utilizado em diversos tipos de dados [1,2], ele pode produzir resultados não satisfatórios, quando aplicado a séries temporais [8]. Este baixo desempenho se dá principalmente devido a grande dimensão d de cada elemento do conjunto das séries a serem classificadas, possível alta correlação entre os dados e a grande quantidade de ruído geralmente presente em séries temporais obtidas através de medições associadas a problemas realistas .…”
unclassified