Том 31 №3

Содержание

1. РАЗВИТИЕ ФУНКЦИОНАЛЬНЫХ НАРУШЕНИЙ В НАРУЖНОМ КОЛЕНЧАТОМ ТЕЛЕ РАЗНЫХ ПОЛУШАРИЙ ПРИ РАННЕЙ МОНОКУЛЯРНОЙ ДЕПРИВАЦИИ
2. ОПТИЧЕСКАЯ СИСТЕМА ГЛАЗА И РЕТИНАЛЬНАЯ ТОПОГРАФИЯ ЕВРАЗИЙСКОГО БОБРА CASTOR FIBER L.
3. РАСПОЗНАВАНИЕ ПРОЕКТИВНО ПРЕОБРАЗОВАННЫХ ПЛОСКИХ ФИГУР. X. МЕТОДЫ ПОИСКА ОКТЕТА ИНВАРИАНТНЫХ ТОЧЕК КОНТУРА ОВАЛА – ИТОГ ВКЛЮЧЕНИЯ РАЗВИТОЙ ТЕОРИИ В СХЕМЫ ЕГО ОПИСАНИЯ
4. МЕХАНИЗМЫ ОКИСЛИТЕЛЬНОГО ДЕЙСТВИЯ СВЕТА НА ЛИПОФУСЦИНОВЫЕ ГРАНУЛЫ ИЗ КЛЕТОК РЕТИНАЛЬНОГО ПИГМЕНТНОГО ЭПИТЕЛИЯ ГЛАЗА ЧЕЛОВЕКА: РОЛЬ СУПЕРОКСИДНЫХ РАДИКАЛОВ
5. ПРОСТРАНСТВЕННОЕ И ВРЕМЕННÓЕ ИНТЕГРИРОВАНИЕ В ЦЕПИ ТРАНСДУКЦИИ ОБОНЯТЕЛЬНЫХ СИГНАЛОВ
6. АДАПТИВНАЯ СТАБИЛИЗАЦИЯ ЯРКОСТИ ИЗОБРАЖЕНИЯ В ТЕХНИЧЕСКОЙ СИСТЕМЕ РАСПОЗНАВАНИЯ КРУПНЫХ ДВИЖУЩИХСЯ ОБЪЕКТОВ
7. АЛГОРИТМ БЫСТРОЙ БИНАРНОЙ ЛИНЕЙНОЙ КЛАСТЕРИЗАЦИИ МАЛОМЕРНЫХ ГИСТОГРАММ

В статье предложен алгоритм линейного разделения пары кластеров в двумерных или трехмерных гистограммах, причем критерий оптимальности разделения является для алгоритма входным параметром. Алгоритм основан на комбинации быстрого преобразования Хафа, кумулятивного суммирования и вычисления целевого функционала через аддитивные статистики. Таким образом, множество допустимых критериев ограничено требованием вычислимости по конечному набору аддитивных статистик на областях гистограммы. Показано, что для двумерного случая вычислительная сложность предложенного алгоритма составляет O(mn2 log n) операций, а для трехмерного – O (mn3 log n) где n – линейный размер гистограммы, а m – число аддитивных статистик, необходимых для вычисления критерия. Практическая применимость алгоритма для многомерных гистограмм ограничивается требованием явного плотного представления гистограммы в оперативной памяти.

Ключевые слова: быстрое преобразование Хафа, сегментация изображений, линейная бинарная кластеризация, критерий Отцу, аддитивные статистики

Список литературы:

• Ankerst M., Breunig M.M., Kriegel H.-P., Sander J. OPTICS: Ordering points to identify the clustering structure // Proc. ACM SIGMOD Int. Conf on Management of data. 1999. P. 49–60.
• Dempster A.P., Laird N.M., Rubin D. B. Maximum likelihood from incomplete data via the EM algorithm // J. Royal Statistical Society, Series B (Methodological). 1977. V. 39. No 1. P. 1–38.
• Ershov E., Terekhin A., Karpenko S., Nikolaev D., Postnikov V. Fast 3D Hough Transform computation // Proc. 30th Europ. Conf. Model. Simul. 2016. P. 227–230.
• Ershov E.I., Terekhin A.P., Postnikov V.V., Nikolaev D.P. Exact fast algorithm for optimal linear Separation of 2D distribution // Proc. 29th Europ. Conf. Model. Simul. 2015. P. 469–474.
• Ester M., Kriegel H.-P., Sander J., Xu X. A density-based algorithm for discovering clusters in large spatial databases with noise // Proc. Second Int. Conf. Knowledge Discovery and Data Mining. 1996. P. 226–231.
• Gong J., Li L., Chen W. Fast recursive algorithms for two-dimensional thresholding // Patt. Recogn. 1998. V. 31. No 3. P. 295–300.
• Jianzhuang L., Wenqing L., Yupeng N. Automatic thresholding of gray-level pictures using two-dimension Otsu method // China Int. Conf. Circuits and Systems. 1991. P. 325–327.
• Li L., Gong R., Chen W. Gray level image thresholding based on sher linear projection of two-dimensional histogram // Patt. Recogn. 1997. V. 30. No. 5. P. 743–749.
• Nikolaev D.P., Karpenko S.M., Nikolaev I.P., Nikolaev P.P. Hough transform: underestimated tool in the computer vision eld // Proc. 22th Europ. Conf. Model. Simul. 2008. V. 238.
• Ótsu N. A threshold selection method from gray-level histograms // IEEE transactions on systems, man, and cybernetics. 1979. V. 9. No 1. P. 62–66.
• Rokach L., Maimon O. Clustering methods // Data mining and knowledge discovery handbook. Springer US. 2005. 321–352.
• Steinhaus H. Sur la division des corps materiels en parties // Bull. Acad. Polon. Sci. 1956. V. 4 (C1.III). P. 801–804.
• Ye Z., Hu Z., Lai X., Chen H. Image segmentation using thresholding and swarm intelligence // Jour. Soft. 2012. V. 7. No 5. P. 1074–1082.