The 17 references with contexts in paper A. Karpenko P., I. Sobenin A., V. Harlamov V., А. Карпенко П., В. Харламов В., И. Собенин А. (2016) “Программная система АОРТА для автоматизации исследований в области оценки предрасположенности пациента к атеросклерозу на основе генетических и фенотипических маркеров // AORTA software system for automation of investigation in the field of estimating patient’s predisposition for atherosclerosis on the basis of genetic and phenotypic markers” / spz:neicon:technomag:y:2014:i:1:p:224-249

1
Сазонова М.А., Иванова М.М., Желанкин А.В., Митрофанов К.Ю., Хасанова З.Б., Собенин И.А., Мясоедова .ВА., Постнов А.Ю., Орехов А.Н. Прямая количественная оценка мутантного аллелямитохондриального генома // Фундаментальные науки и практика: материалы трудов второй международной телеконференции. Томск, 2010. Т. 1, No 2. С. 19-21.
Total in-text references: 2
  1. In-text reference with the coordinate start=1106
    Prefix
    Исследования имеют целью нахождение взаимосвязи между соматическими мутациями митохондриального генома в клетках стенки аорты и степенью выраженности атеросклеротического поражения участков аорты
    Exact
    [1]
    Suffix
    . Митохондриальные мутации выявлены при различных патологиях, таких как стеноз коронарных сосудов, некоторые формы диабета и глухоты, атеросклероз, инфаркт миокарда, кардиомиопатия.

  2. In-text reference with the coordinate start=2261
    Prefix
    Для определения критического уровня гетероплазмиимитохондриальных мутаций, ассоциированных с возникновением и развитием патологий в организме человека, разработан метод прямой количественной оценки митохон дриального генома
    Exact
    [1]
    Suffix
    . В качестве исходных данных для изучения роли полиморфизмов митохондриальной ДНК в формировании атеросклеротических поражений артерий человека система АОРТА использует количественные показатели степени выраженности атеросклеротического поражения и митохондриальных мутаций, а также геометрические формы изучаемых областей аорты.

3
Шапиро Л., Стокман Дж. Компьютерное зрение: пер. с англ. М.: БИНОМ. Лаборатория знаний, 2006. 752 с.
Total in-text references: 4
  1. In-text reference with the coordinate start=6790
    Prefix
    В нашем случае в качестве признака точки можно использовать её цвет. Метрикой может служить евклидово расстояние между векторами в пространстве признаков. Наиболее известным методом кластерного анализа является итерационный метод k-средних
    Exact
    [3]
    Suffix
    . Метод гарантированно сходится, но может не привести к глобально оптимальному решению (в смысле критерия наименьшей квадратичной ошибки сегментации). Результат функционирования метода зависит от начального приближения к решению и значения k.

  2. In-text reference with the coordinate start=7319
    Prefix
    Гистограммные методы представляют собой не итерационный вариант методов кластеризации. Методы данного класса основаны на поиске минимумов и максимумов гистограммы цвета или яркости пикселей изображения, то есть функционируют непосредственно в пространстве изображения
    Exact
    [3]
    Suffix
    . Методы разделения и слияния областей включают в себя в качестве основных этапы дробления и слияния [5]. Дробление начинается с произвольного разбиения изображения на области и продолжается до тех пор, пока не будет получено разбиение, удовлетворяющее некоторому критерию однородности областей.

  3. In-text reference with the coordinate start=15688
    Prefix
    Информацию о смежных областях изображения обычно представляют в виде графа смежности областей (RegionAdjacencyGraph, RAG), в котором каждый узел соответствует некоторой области изображения, а рёбра связывают пары узлов, соответствующие смежным областям. В комплексе АОРТА используется алгоритм построения графа смежности областей, представленный в работе
    Exact
    [3]
    Suffix
    . Алгоритм обрабатывает изображение порциями по две строки, обнаруживая горизонтальную и вертикальную смежности, а если рассматривается 8N-соседство, то также - диагональную смежность. При обнаружении новой смежности областей в граф RAG добавляется новое ребро. 2.4.

  4. In-text reference with the coordinate start=17980
    Prefix
    Спектральный алгоритм бисекции графа использует два критерия оптимальности разбиения – минимум числа разрезанных рёбер и минимум разности между числами вершин в разных подграфах. Алгоритм основан на анализе собственного вектора, соответствующего второму по величине собственному значению матрицы Лапласа исходного графа
    Exact
    [3]
    Suffix
    . Известны обобщения данного алгоритма, которые выполняют разбиение исходного графа на четыре подграфа (quadrisection) и на восемь подграфов (octasection). Для разбиения графа на произвольное число подграфов указанный алгоритм следует применять рекурсивно.

5
Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.
Total in-text references: 3
  1. In-text reference with the coordinate start=7434
    Prefix
    Методы данного класса основаны на поиске минимумов и максимумов гистограммы цвета или яркости пикселей изображения, то есть функционируют непосредственно в пространстве изображения [3]. Методы разделения и слияния областей включают в себя в качестве основных этапы дробления и слияния
    Exact
    [5]
    Suffix
    . Дробление начинается с произвольного разбиения изображения на области и продолжается до тех пор, пока не будет получено разбиение, удовлетворяющее некоторому критерию однородности областей.

  2. In-text reference with the coordinate start=9226
    Prefix
    Из-за шумов измерения, неоднородности освещения и прочих эффектов непрерывность границ областей нарушается. В результате алгоритмы обнаружения контуров приходится дополнять процедурами, обеспечивающими связанность полученных границ областей
    Exact
    [5]
    Suffix
    . Методы сегментации по морфологическим водоразделам основаны на представлении изображения в виде трёхмерной поверхности, заданной двумя пространственными координатами и уровне м яркости в качестве высоты поверхности (рельефа) [5].

  3. In-text reference with the coordinate start=9470
    Prefix
    Методы сегментации по морфологическим водоразделам основаны на представлении изображения в виде трёхмерной поверхности, заданной двумя пространственными координатами и уровне м яркости в качестве высоты поверхности (рельефа)
    Exact
    [5]
    Suffix
    . На указанной поверхности выделяют точки локальных максимумов, совокупность которых образует так называемые линии водораздела, принимаемые за искомые границы областей. Методы, основанные на теории графов.

6
Вежневец А., Баринова О. Методы сегментации изображений: автоматическая сегментация // Компьютерная графика и мультимедиа. Сетевой журнал. 2006. No 4 (4). Режим доступа: http://cgm.computergraphics.ru/content/view/147 (дата обращения 01.09.2013).
Total in-text references: 1
  1. In-text reference with the coordinate start=8536
    Prefix
    Присоединяем к полученным точкам соседние точки изображения, если они удовлетворяют некоторому критерию. Процесс роста областей (regiongrowing) останавливаем в случае, если ни одна точка изображения не может быть присоединена ни к одной из областей
    Exact
    [6]
    Suffix
    . В качестве указанного критерия может быть использована, например, некоторая мера близости пикселя к центру области. Методы выделения границ. В данном подходе задача сегментации формулируется как задача поиска границ областей.

7
Shi J., Malik J. Normalized cuts and image segmentation // IEEE Conference on Computer Vision and Pattern Recognition. 1997. P. 731-737. DOI: 10.1109/CVPR.1997.609407
Total in-text references: 1
  1. In-text reference with the coordinate start=10141
    Prefix
    Сегментация изображения в результате сводится к поиску разреза графа минимальной «стоимости», которая формализует качество полученной сегментации. Примерами методов данного класса является метод нормированного разреза NC (normalizedcut)
    Exact
    [7]
    Suffix
    , а также метод сегментации SWA (SegmentationbyWeightedAggregation) [8]. Нейросетевые методы образуют класс перспективных методов сегментации изображения. В настоящее время число публикаций, посвящённых этим методам, невелико.

8
Sharon E., Brandt A., Basri R. Fast multiscale image segmentation // Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. 2000. Vol. 1. P. 70-77. DOI: 10.1109/CVPR.2000.855801
Total in-text references: 1
  1. In-text reference with the coordinate start=10215
    Prefix
    Сегментация изображения в результате сводится к поиску разреза графа минимальной «стоимости», которая формализует качество полученной сегментации. Примерами методов данного класса является метод нормированного разреза NC (normalizedcut) [7], а также метод сегментации SWA (SegmentationbyWeightedAggregation)
    Exact
    [8]
    Suffix
    . Нейросетевые методы образуют класс перспективных методов сегментации изображения. В настоящее время число публикаций, посвящённых этим методам, невелико. В работе [9] представлена нейронная сеть, реализующая автоматический выбор глобального порога бинаризации для промышленной видеосистемы.

9
Koker R., Sari Y. Neural network based automatic threshold selection for an industrial vision system // Proc. Int. Conf. on Signal Processing. 2003. P. 523-525.
Total in-text references: 1
  1. In-text reference with the coordinate start=10392
    Prefix
    Примерами методов данного класса является метод нормированного разреза NC (normalizedcut) [7], а также метод сегментации SWA (SegmentationbyWeightedAggregation) [8]. Нейросетевые методы образуют класс перспективных методов сегментации изображения. В настоящее время число публикаций, посвящённых этим методам, невелико. В работе
    Exact
    [9]
    Suffix
    представлена нейронная сеть, реализующая автоматический выбор глобального порога бинаризации для промышленной видеосистемы. В работе [10] предложен метод отыскания локального порога бинаризации, использующий самоорганизующуюся карту Кохонена и предназначенный для увеличения чёткости символов в документах.

10
Papamarkos N. A Technique for fuzzy document binarization // Proc. of the ACM Symposium on Document Engineering. 2001. P. 152-156.
Total in-text references: 1
  1. In-text reference with the coordinate start=10542
    Prefix
    В настоящее время число публикаций, посвящённых этим методам, невелико. В работе [9] представлена нейронная сеть, реализующая автоматический выбор глобального порога бинаризации для промышленной видеосистемы. В работе
    Exact
    [10]
    Suffix
    предложен метод отыскания локального порога бинаризации, использующий самоорганизующуюся карту Кохонена и предназначенный для увеличения чёткости символов в документах. Наши эксперименты с указанными методами сегментации изображения показали, что ни один из них не может с удовлетворительной точностью выполнить, как автоматическое, так и автоматизированное выделение границ областей

11
Wu K., Otoo E., Suzuki K. Optimizing two-pass connected-component labeling algorithms // Pattern Analysis & Applications. 2009. Vol. 12, no. 2. P. 206-220.
Total in-text references: 2
  1. In-text reference with the coordinate start=12598
    Prefix
    Аналогично определяем 8N-путь от пикселя ),(cr′′ к пикселю (,)cr. Связную компоненту (connectedcomponent) пиксельного массива B со значением v образует множество C пикселей, имеющих значения v, каждая пара которых является связной по значению v
    Exact
    [11]
    Suffix
    . Во введенных обозначениях задача маркировки связных компонентов бинарного массива B формулируется следующим образом: выделить в данном массиве все связные компоненты и сформировать маркированное изображение, в котором каждому пикселю изображения присвоена метка (уникальный идентификатор) связной компоненты, которой принадлежит данный пиксель.

  2. In-text reference with the coordinate start=13032
    Prefix
    связных компонентов бинарного массива B формулируется следующим образом: выделить в данном массиве все связные компоненты и сформировать маркированное изображение, в котором каждому пикселю изображения присвоена метка (уникальный идентификатор) связной компоненты, которой принадлежит данный пиксель. Алгоритмы выделения связных компонентов разделяют на пять следующие классов
    Exact
    [11]
    Suffix
    : многопроходные, двухпроходные, однопроходные, алгоритмы с использованием иерархических структур представления изображения, параллельные алгоритмы. Многопроходные алгоритмы используют многократное сканирование изображения [12].

12
Haralick R.M. Some neighborhood operations // In: Real Time-Parallel Computing: Image Analysis / M. Onoe, K. Preston Jr., A. Rosenfeld (eds.). New York: Plenum Press, 1981. P. 11-35.
Total in-text references: 1
  1. In-text reference with the coordinate start=13262
    Prefix
    Алгоритмы выделения связных компонентов разделяют на пять следующие классов [11]: многопроходные, двухпроходные, однопроходные, алгоритмы с использованием иерархических структур представления изображения, параллельные алгоритмы. Многопроходные алгоритмы используют многократное сканирование изображения
    Exact
    [12]
    Suffix
    . Скорость работы этих алгоритмов может быть повышена путем использования таблицы связности (connectiontable) [13]. Двухпроходные алгоритмы представляют собой классические алгоритмы выделения связных компонентов [14].

13
Suzuki K., Horiba I., Sugie N. Linear-time connected-component labeling based on sequential local operations // Comput. Vis. Image Underst. 2003. Vol. 89, no. 1. P. 1-23.
Total in-text references: 1
  1. In-text reference with the coordinate start=13376
    Prefix
    компонентов разделяют на пять следующие классов [11]: многопроходные, двухпроходные, однопроходные, алгоритмы с использованием иерархических структур представления изображения, параллельные алгоритмы. Многопроходные алгоритмы используют многократное сканирование изображения [12]. Скорость работы этих алгоритмов может быть повышена путем использования таблицы связности (connectiontable)
    Exact
    [13]
    Suffix
    . Двухпроходные алгоритмы представляют собой классические алгоритмы выделения связных компонентов [14]. Алгоритмы требуют вспомогательной таблицы высокой размерности для хранения информации о метках, что сужает область их использования.

14
Rosenfeld A., Pfaltz P. Sequential operations in digital picture processing // Journal of the Association for Computing Machinery. 1966. Vol. 12. P. 471-494.
Total in-text references: 1
  1. In-text reference with the coordinate start=13479
    Prefix
    Скорость работы этих алгоритмов может быть повышена путем использования таблицы связности (connectiontable) [13]. Двухпроходные алгоритмы представляют собой классические алгоритмы выделения связных компонентов
    Exact
    [14]
    Suffix
    . Алгоритмы требуют вспомогательной таблицы высокой размерности для хранения информации о метках, что сужает область их использования. Известно большое число модификаций классических алгоритмов, направленных на преодоление указанных недостатков.

15
Chang F., Chen C.-J., Lu C.-J. A lineartime component-labeling algorithm using contour tracing technique // Comput. Vis. Image Underst. 2004. Vol. 93, no. 2. P. 206-220.
Total in-text references: 1
  1. In-text reference with the coordinate start=14618
    Prefix
    В первом случае алгоритм носит название алгоритма с поиском в ширину (BreadthFirstSearch, BFS), а во втором случае – алгоритма с поиском в глубину (Depth-FirstSearch, DFS). Одним из наиболее эффективных однопроходных алгоритмов является алгоритм обхода контуров (contourtracing), предложенный в работе
    Exact
    [15]
    Suffix
    . Известный высокоэффективный метод представления изображения -метод кодирования длин серий (Run-LengthEncoding, RLE) [16]. Многие алгоритмы отыскания связных компонентов могут быть реализованы с использованием этого метода [17].

16
Shapiro L. Connected component labeling and adjacency graph construction // In: Topological algorithms for digital image processing. Amsterdam, 1996. P. 1-31. DOI: 10.1016/S0923-0459(96)800115 (Ser. Machine Intelligence and Pattern Recognition; vol. 19).
Total in-text references: 1
  1. In-text reference with the coordinate start=14744
    Prefix
    Одним из наиболее эффективных однопроходных алгоритмов является алгоритм обхода контуров (contourtracing), предложенный в работе [15]. Известный высокоэффективный метод представления изображения -метод кодирования длин серий (Run-LengthEncoding, RLE)
    Exact
    [16]
    Suffix
    . Многие алгоритмы отыскания связных компонентов могут быть реализованы с использованием этого метода [17]. Достоинством методов данного класса является их высокая производительность [18]. В силу высокой эффективности и простоты реализации в комплексе АОРТА используем однопроходный алгоритм DFS, имеющий cложность O(n), где n – число пикселей изображения. 2.3.

17
He L., Chao Y., Suzuki K., Wu K. Fast connected-component labeling // Pattern Recognition. 2009. Vol. 42, no. 9. P. 1977-1987.
Total in-text references: 1
  1. In-text reference with the coordinate start=14851
    Prefix
    Известный высокоэффективный метод представления изображения -метод кодирования длин серий (Run-LengthEncoding, RLE) [16]. Многие алгоритмы отыскания связных компонентов могут быть реализованы с использованием этого метода
    Exact
    [17]
    Suffix
    . Достоинством методов данного класса является их высокая производительность [18]. В силу высокой эффективности и простоты реализации в комплексе АОРТА используем однопроходный алгоритм DFS, имеющий cложность O(n), где n – число пикселей изображения. 2.3.

18
Стержанов М.В. Методики выделения связных компонент в штриховых бинарных изображениях. Минск: БГУИР, 2006. 6 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=14932
    Prefix
    Известный высокоэффективный метод представления изображения -метод кодирования длин серий (Run-LengthEncoding, RLE) [16]. Многие алгоритмы отыскания связных компонентов могут быть реализованы с использованием этого метода [17]. Достоинством методов данного класса является их высокая производительность
    Exact
    [18]
    Suffix
    . В силу высокой эффективности и простоты реализации в комплексе АОРТА используем однопроходный алгоритм DFS, имеющий cложность O(n), где n – число пикселей изображения. 2.3. Построение графа смежности областей маркированного изображения.

19
Ohlander R., Price K., Reddy D.R. Picture segmentation using a recursive region splitting method // Comput. Graphics and Image Proc. 1978. Vol. 8. P. 313-333. Karypis G., Kumar V. Multilevel k-way partitioning scheme for irregular graphs // Journal of Parallel and Distributed Computing. 1998. Vol. 8, no. 1. P. 96-129.
Total in-text references: 1
  1. In-text reference with the coordinate start=17444
    Prefix
    Поэтому метод приходится использовать в комбинации с методом мультистарта, когда процесс поиска лучшего разбиения повторяется многократно, исходя из различных начальных разбиений. Метод разбиения с учетом связности(LevelizedNestedDissection, LND) используют для отыскания такой бисекции графа, которая обеспечивает равенство чисел узлов в результирующих подграфах
    Exact
    [19]
    Suffix
    . Метод чувствителен к выбору начальной вершины, и его, как и предыдущий метод, приходится комбинировать с методом мультистарта. Для разбиения графа на произвольное число подграфов метод применяется рекурсивно.