The 25 references with contexts in paper P. Kutlunin E., S. Belim V., П. Кутлунин Е., С. Белим В. (2016) “Использование алгоритма кластеризации для разбиения изображения на односвязные области // Usage of Clustering Algorithm to Segment Image into Simply Connected Domains” / spz:neicon:technomag:y:2015:i:3:p:269-281

1
Барталев С.А., Ховратович Т.С. Анализ возможностей применения методов сегментации спутниковых изображений для выявления изменений в лесах // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8, No 1. С. 44-62.
Total in-text references: 1
  1. In-text reference with the coordinate start=1331
    Prefix
    Введение Проблема выделения на изображениях односвязных областей является актуальной при решении большого количества прикладных задач, таких как обработка спутниковых фотографий поверхности земли
    Exact
    [1, 2]
    Suffix
    , обработка снимков биологических объектов под микроскопом [3], обработка медицинских данных [4,5], локализация текста на изображениях [6, 7] и т.д. Задача разбиения цифровых изображений на связные области решалась в различных постановках для различных типов изображений.

2
Катаев С.Г., Кусков А.И. Проблемы исследования геофизических полей // Вестник ТГПУ. 2000. No 2 (15). С. 21-27. Наука и образование. МГТУ им. Н.Э. Баумана 276
Total in-text references: 1
  1. In-text reference with the coordinate start=1331
    Prefix
    Введение Проблема выделения на изображениях односвязных областей является актуальной при решении большого количества прикладных задач, таких как обработка спутниковых фотографий поверхности земли
    Exact
    [1, 2]
    Suffix
    , обработка снимков биологических объектов под микроскопом [3], обработка медицинских данных [4,5], локализация текста на изображениях [6, 7] и т.д. Задача разбиения цифровых изображений на связные области решалась в различных постановках для различных типов изображений.

3
Yingying Deng, Qingmin Liao. An accurate segmentation method for white blood cell images // Proc. 2002 IEEE International Symposium on Biomedical Imaging. IEEE, 2002. P. 245-248. DOI: 10.1109/ISBI.2002.1029239
Total in-text references: 1
  1. In-text reference with the coordinate start=1403
    Prefix
    Введение Проблема выделения на изображениях односвязных областей является актуальной при решении большого количества прикладных задач, таких как обработка спутниковых фотографий поверхности земли [1, 2], обработка снимков биологических объектов под микроскопом
    Exact
    [3]
    Suffix
    , обработка медицинских данных [4,5], локализация текста на изображениях [6, 7] и т.д. Задача разбиения цифровых изображений на связные области решалась в различных постановках для различных типов изображений.

4
Абламейко С.В., Недзьведь А.М., Белоцерковский А.М., Руцкая Е.А. Сегментация трехмерных изображений компьютерной томографии на основе глобально-локальной информации // Вестник БГУ. Сер. 1. Физика. Математика. Информатика. 2009. No 1. С. 58-64.
Total in-text references: 1
  1. In-text reference with the coordinate start=1440
    Prefix
    Введение Проблема выделения на изображениях односвязных областей является актуальной при решении большого количества прикладных задач, таких как обработка спутниковых фотографий поверхности земли [1, 2], обработка снимков биологических объектов под микроскопом [3], обработка медицинских данных
    Exact
    [4,5]
    Suffix
    , локализация текста на изображениях [6, 7] и т.д. Задача разбиения цифровых изображений на связные области решалась в различных постановках для различных типов изображений. Классическая постановка задачи состоит в поиске связных областей на двуцветном черно-белом изображении.

5
Ying Y., Tian G.Y. Defects area segmentation for X-ray images // Proceedings of the 12th Chinese Automation & Computing Society Conference. UK, Loughborough, England, 2006. P. 155-158.
Total in-text references: 1
  1. In-text reference with the coordinate start=1440
    Prefix
    Введение Проблема выделения на изображениях односвязных областей является актуальной при решении большого количества прикладных задач, таких как обработка спутниковых фотографий поверхности земли [1, 2], обработка снимков биологических объектов под микроскопом [3], обработка медицинских данных
    Exact
    [4,5]
    Suffix
    , локализация текста на изображениях [6, 7] и т.д. Задача разбиения цифровых изображений на связные области решалась в различных постановках для различных типов изображений. Классическая постановка задачи состоит в поиске связных областей на двуцветном черно-белом изображении.

6
Андрианов А.И. Локализация текста на изображениях сложных графических сцен // Современные проблемы науки и образования. 2013. No 3. Режим доступа: URL:http://www.science-education.ru/109-r9311 (дата обращения 01.01.2015).
Total in-text references: 1
  1. In-text reference with the coordinate start=1486
    Prefix
    Введение Проблема выделения на изображениях односвязных областей является актуальной при решении большого количества прикладных задач, таких как обработка спутниковых фотографий поверхности земли [1, 2], обработка снимков биологических объектов под микроскопом [3], обработка медицинских данных [4,5], локализация текста на изображениях
    Exact
    [6, 7]
    Suffix
    и т.д. Задача разбиения цифровых изображений на связные области решалась в различных постановках для различных типов изображений. Классическая постановка задачи состоит в поиске связных областей на двуцветном черно-белом изображении.

7
Epshtein B., Ofek E., Wexler Y. Detecting Text in Natural Scenes with Stroke Width Transform // 23rd IEEE Conference on Computer Vision and Pattern Recognition (CVPR). San Francisco. IEEE, 2010. P. 2963-2970. DOI: 10.1109/CVPR.2010.5540041
Total in-text references: 1
  1. In-text reference with the coordinate start=1486
    Prefix
    Введение Проблема выделения на изображениях односвязных областей является актуальной при решении большого количества прикладных задач, таких как обработка спутниковых фотографий поверхности земли [1, 2], обработка снимков биологических объектов под микроскопом [3], обработка медицинских данных [4,5], локализация текста на изображениях
    Exact
    [6, 7]
    Suffix
    и т.д. Задача разбиения цифровых изображений на связные области решалась в различных постановках для различных типов изображений. Классическая постановка задачи состоит в поиске связных областей на двуцветном черно-белом изображении.

8
Нарасимхан Р. Автоматический анализ сложных изображений: сб. переводов: пер. с англ. М.: Мир, 1969. 310 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=1998
    Prefix
    В этом случае каждый пиксель имеет цвет, обозначаемый либо 0, либо 1 и ставится задача поиска групп пикселей, имеющих одинаковый цвет, проход по которым изменяет координату либо на 0, либо на 1. Для задачи в такой постановке было выработано несколько алгоритмов
    Exact
    [8-11]
    Suffix
    , позволяющих получить результат за полиномиальное время. В связи с успешностью работы данных алгоритмов в большом количестве случаев методы выделения связных областей на цветных изображениях включают в себя этап бинаризации изображения [1214].

9
Rosenfeld A. Picture Processing by Computer. Academic Press, N.Y.; London, 1969.
Total in-text references: 1
  1. In-text reference with the coordinate start=1998
    Prefix
    В этом случае каждый пиксель имеет цвет, обозначаемый либо 0, либо 1 и ставится задача поиска групп пикселей, имеющих одинаковый цвет, проход по которым изменяет координату либо на 0, либо на 1. Для задачи в такой постановке было выработано несколько алгоритмов
    Exact
    [8-11]
    Suffix
    , позволяющих получить результат за полиномиальное время. В связи с успешностью работы данных алгоритмов в большом количестве случаев методы выделения связных областей на цветных изображениях включают в себя этап бинаризации изображения [1214].

10
Башкиров О.А., Рудометова С.Б., Чудинович Б.М. Выделение и счет связных областей на дискретном изображении // Автоматика и телемеханика. 1972. No 11. С. 84-91.
Total in-text references: 1
  1. In-text reference with the coordinate start=1998
    Prefix
    В этом случае каждый пиксель имеет цвет, обозначаемый либо 0, либо 1 и ставится задача поиска групп пикселей, имеющих одинаковый цвет, проход по которым изменяет координату либо на 0, либо на 1. Для задачи в такой постановке было выработано несколько алгоритмов
    Exact
    [8-11]
    Suffix
    , позволяющих получить результат за полиномиальное время. В связи с успешностью работы данных алгоритмов в большом количестве случаев методы выделения связных областей на цветных изображениях включают в себя этап бинаризации изображения [1214].

11
He L., Chao Y., Suzuki Y., Wu K. Fast connected-component labeling // Pattern Recognition. 2009. Vol. 42, no. 9. P. 1977-1987. DOI: 10.1016/j.patcog.2008.10.013
Total in-text references: 1
  1. In-text reference with the coordinate start=1998
    Prefix
    В этом случае каждый пиксель имеет цвет, обозначаемый либо 0, либо 1 и ставится задача поиска групп пикселей, имеющих одинаковый цвет, проход по которым изменяет координату либо на 0, либо на 1. Для задачи в такой постановке было выработано несколько алгоритмов
    Exact
    [8-11]
    Suffix
    , позволяющих получить результат за полиномиальное время. В связи с успешностью работы данных алгоритмов в большом количестве случаев методы выделения связных областей на цветных изображениях включают в себя этап бинаризации изображения [1214].

12
Pietikainen M., Maenpaa T., Ojala T. Multiresolution gray-scale and rotation in variant texture classification with local binary patterns // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002. Vol. 24, iss. 7. P. 971-987. DOI: 10.1109/TPAMI.2002.1017623
Total in-text references: 1
  1. In-text reference with the coordinate start=2260
    Prefix
    Для задачи в такой постановке было выработано несколько алгоритмов [8-11], позволяющих получить результат за полиномиальное время. В связи с успешностью работы данных алгоритмов в большом количестве случаев методы выделения связных областей на цветных изображениях включают в себя этап бинаризации изображения
    Exact
    [12- 14]
    Suffix
    . Наука и образование. МГТУ им. Н.Э. Баумана 269 Для выделения областей на цветных и полутоновых изображениях в большинстве случаев используются итерационные алгоритмы. Например, алгоритм k-средних [15,16] используется в основном в пространстве яркостей пикселей и служит для разбиения изображений на заранее заданное количество областей.

13
Haralick R.M., Shapiro L.G. Image segmentation techniques // Computer Vision, Graphics, and Image Processing. 1985. Vol. 29, no. 1. P. 100-132. DOI: 10.1016/S0734189X(85)90153-7
Total in-text references: 1
  1. In-text reference with the coordinate start=2260
    Prefix
    Для задачи в такой постановке было выработано несколько алгоритмов [8-11], позволяющих получить результат за полиномиальное время. В связи с успешностью работы данных алгоритмов в большом количестве случаев методы выделения связных областей на цветных изображениях включают в себя этап бинаризации изображения
    Exact
    [12- 14]
    Suffix
    . Наука и образование. МГТУ им. Н.Э. Баумана 269 Для выделения областей на цветных и полутоновых изображениях в большинстве случаев используются итерационные алгоритмы. Например, алгоритм k-средних [15,16] используется в основном в пространстве яркостей пикселей и служит для разбиения изображений на заранее заданное количество областей.

14
Fu K. S., Mu J. K. A survey on image segmentation // Pattern Recognition. 1981. Vol. 13, no.1. P. 3-16. DOI: 10.1016/0031-3203(81)90028-5
Total in-text references: 1
  1. In-text reference with the coordinate start=2260
    Prefix
    Для задачи в такой постановке было выработано несколько алгоритмов [8-11], позволяющих получить результат за полиномиальное время. В связи с успешностью работы данных алгоритмов в большом количестве случаев методы выделения связных областей на цветных изображениях включают в себя этап бинаризации изображения
    Exact
    [12- 14]
    Suffix
    . Наука и образование. МГТУ им. Н.Э. Баумана 269 Для выделения областей на цветных и полутоновых изображениях в большинстве случаев используются итерационные алгоритмы. Например, алгоритм k-средних [15,16] используется в основном в пространстве яркостей пикселей и служит для разбиения изображений на заранее заданное количество областей.

15
Wang J.Z., Li J., Wiederhold G. SIMPLIcity: Semantics-Sensitive Integrated Matching for Picture Libraries // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2001. Vol. 23, no. 9. P. 947-963.
Total in-text references: 1
  1. In-text reference with the coordinate start=2463
    Prefix
    связи с успешностью работы данных алгоритмов в большом количестве случаев методы выделения связных областей на цветных изображениях включают в себя этап бинаризации изображения [1214]. Наука и образование. МГТУ им. Н.Э. Баумана 269 Для выделения областей на цветных и полутоновых изображениях в большинстве случаев используются итерационные алгоритмы. Например, алгоритм k-средних
    Exact
    [15,16]
    Suffix
    используется в основном в пространстве яркостей пикселей и служит для разбиения изображений на заранее заданное количество областей. Главным преимуществом данного алгоритма является простота и скорость работы.

16
Wang J.Z., Du Y. Scalable Integrated Region-based Image Retrieval using IRM and Statistical Clustering // Proc. ACM/IEEE Joint Conference on Digital Libraries. Roanoke, VA. ACM, 2001. P. 268-277. DOI: 10.1145/379437.379679 Наука и образование. МГТУ им. Н.Э. Баумана 277
Total in-text references: 1
  1. In-text reference with the coordinate start=2463
    Prefix
    связи с успешностью работы данных алгоритмов в большом количестве случаев методы выделения связных областей на цветных изображениях включают в себя этап бинаризации изображения [1214]. Наука и образование. МГТУ им. Н.Э. Баумана 269 Для выделения областей на цветных и полутоновых изображениях в большинстве случаев используются итерационные алгоритмы. Например, алгоритм k-средних
    Exact
    [15,16]
    Suffix
    используется в основном в пространстве яркостей пикселей и служит для разбиения изображений на заранее заданное количество областей. Главным преимуществом данного алгоритма является простота и скорость работы.

17
Буй Т.Т.Ч., Спицын В.Г. Анализ методов выделения краев на цифровых изображениях // Доклады ТУСУР. 2010. No 2 (22), ч. 2. С. 221-223.
Total in-text references: 1
  1. In-text reference with the coordinate start=2969
    Prefix
    Однако использование метода k-средних может приводить к ошибочным результатам при обработке цветных изображений. Может происходить слияние областей с различным цветом и одной интенсивностью. Часто используется группа алгоритмов, основанная на выделении границы областей
    Exact
    [17,18]
    Suffix
    . В этом случае сначала решается задача поиска четких границ областей на изображении. После чего замкнутые контуры рассматриваются как искомые односвязные области. Использование поиска областей на основе выделения их границ позволяет получать существенно лучшие результаты по сравнению с методом k-средних при правильном выборе фильтров и параметров фильтров.

18
Senthilkumaran N.A., Rajesh R. Study on Edge Detection Methods for Image Segmentation // Proceedings of the International Conference on Mathematics and Computer Science (ICMCS-2009). Vol. 1. 2009. P. 255-259.
Total in-text references: 1
  1. In-text reference with the coordinate start=2969
    Prefix
    Однако использование метода k-средних может приводить к ошибочным результатам при обработке цветных изображений. Может происходить слияние областей с различным цветом и одной интенсивностью. Часто используется группа алгоритмов, основанная на выделении границы областей
    Exact
    [17,18]
    Suffix
    . В этом случае сначала решается задача поиска четких границ областей на изображении. После чего замкнутые контуры рассматриваются как искомые односвязные области. Использование поиска областей на основе выделения их границ позволяет получать существенно лучшие результаты по сравнению с методом k-средних при правильном выборе фильтров и параметров фильтров.

19
Jianping Fan, Yau D.K.Y., Elmagarmid A.K., Aref W.G. Automatic image segmentation by integrating color-edge extraction and seeded region growing // IEEE Transactions on Image Processing. 2001. Vol. 10, iss. 10. P. 1454-1466. DOI: 10.1109/83.951532
Total in-text references: 1
  1. In-text reference with the coordinate start=3876
    Prefix
    Также следует отметить очень медленную работу метода в целом. Существуют алгоритмы непосредственного выделения областей. Прежде всего, следует отметить известный алгоритм роста регионов (Region Growing)
    Exact
    [19]
    Suffix
    , который позволяет выделить заранее заданное количество регионов по какому-либо признаку, например, яркости. Однако следует отметить, что данный алгоритм является рекурсивным и требует большого объема памяти.

20
Calderero F., Marques F. Region Merging Techniques Using Information Theory Statistical Measures // IEEE Transactions on Image Processing. 2010. Vol. 19, no. 6. P. 1567-1586. DOI: 10.1109/TIP.2010.2043008
Total in-text references: 1
  1. In-text reference with the coordinate start=4269
    Prefix
    Однако следует отметить, что данный алгоритм является рекурсивным и требует большого объема памяти. Более того для него существует ограничение на объем изображения, возникающее вследствие возможности переполнения стека. В методе слияния регионов (Region Merging)
    Exact
    [20]
    Suffix
    производится разбиение изображения на области каким-либо быстрым методом, а затем производится слияние соседних областей, если они удовлетворяют некоему критерию схожести. В методе разбиения и слияния областей (Region splitting and merging) [21] производится несколько этапов разбиения изображения на области и подобласти.

21
Reyad Y.A., El-Zaart A., Mathkour H., Al-Zuair M. Image Thresholding Using Split and Merge Techniques with Log-Normal Distribution // Canadian Journal on Image Processing and Computer Vision. 2010. Vol.1, no.3. P. 36-45.
Total in-text references: 1
  1. In-text reference with the coordinate start=4515
    Prefix
    В методе слияния регионов (Region Merging) [20] производится разбиение изображения на области каким-либо быстрым методом, а затем производится слияние соседних областей, если они удовлетворяют некоему критерию схожести. В методе разбиения и слияния областей (Region splitting and merging)
    Exact
    [21]
    Suffix
    производится несколько этапов разбиения изображения на области и подобласти. После этого также производится слияние по некоторому критерию. В методе водораздела (Watershed Segmentation) [22] полутоновое изображение рассматривается как некоторый ландшафт, в котором высота уровня поверхности определяется яркостью точки.

22
Haris K., Efstratiadis S.N., Maglaveras N., Katsaggelos A.K. Hybrid Image Segmentation Using Watersheds and Fast Region Merging// IEEE Transactions on Image Processing. 1998. Vol. 7, no. 12. P. 1684-1699. DOI: 10.1109/83.730380
Total in-text references: 1
  1. In-text reference with the coordinate start=4705
    Prefix
    В методе разбиения и слияния областей (Region splitting and merging) [21] производится несколько этапов разбиения изображения на области и подобласти. После этого также производится слияние по некоторому критерию. В методе водораздела (Watershed Segmentation)
    Exact
    [22]
    Suffix
    полутоновое изображение рассматривается как некоторый ландшафт, в котором высота уровня поверхности определяется яркостью точки. Далее производится поиск областей минимума, разделенных областями максимума.

23
Baraldi A., Blonda P. A Survey of Fuzzy Clustering Algorithms for Pattern Recognition – Part I // IEEE Transactions on Systems, Man, and Cybernetics – Part B: Cybernetics. 1999. Vol. 29, no. 6. P. 778-785. DOI: 10.1109/3477.809032
Total in-text references: 1
  1. In-text reference with the coordinate start=5140
    Prefix
    Методы кластеризации изображений в основном базируются на представлении изображения в виде некоторой статистической выборки. На основе метода k-средних построены алгоритмы fuzzy-кластеризации
    Exact
    [23]
    Suffix
    , в которых объекты изображений представляются в виде нечетких множеств. Разбиение на области производится через вычисление функции принадлежности к нечетким множествам. В методе максимальной дисперсии [24], как и в методе k-средних необходимо заранее определиться с количеством кластеров.

24
Veenman C. J., Reinders M. J. T., Backer E. A Maximum Variance Cluster Algorithm // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002. Vol. 24, no. 9. P. 1273-1280. DOI: 10.1109/TPAMI.2002.1033218
Total in-text references: 1
  1. In-text reference with the coordinate start=5359
    Prefix
    На основе метода k-средних построены алгоритмы fuzzy-кластеризации [23], в которых объекты изображений представляются в виде нечетких множеств. Разбиение на области производится через вычисление функции принадлежности к нечетким множествам. В методе максимальной дисперсии
    Exact
    [24]
    Suffix
    , как и в методе k-средних необходимо заранее определиться с количеством кластеров. В работе [25] предложен алгоритм кластеризации на основе метода дендрограмм. Наука и образование. МГТУ им.

25
Башков Е.А., Вовк О.Л. Кластеризация изображений методом дендрограмм // Наукові праці Донецького національного технічного університету «Проблеми моделювання та автоматизації проектування динамічних систем». No 78. Донецк: ДНТУ, 2005. С. 152161. Наука и образование. МГТУ им. Н.Э. Баумана 278
Total in-text references: 1
  1. In-text reference with the coordinate start=5459
    Prefix
    Разбиение на области производится через вычисление функции принадлежности к нечетким множествам. В методе максимальной дисперсии [24], как и в методе k-средних необходимо заранее определиться с количеством кластеров. В работе
    Exact
    [25]
    Suffix
    предложен алгоритм кластеризации на основе метода дендрограмм. Наука и образование. МГТУ им. Н.Э. Баумана 270 Целью данной статьи ставиться разработка алгоритма разбиения изображения на односвязные области с использованием метода кластеризации. 2.