کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4970282 1450032 2017 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Robust graph representation of images with underlying structural networks. Application to the classification of vascular networks of mice's colon
ترجمه فارسی عنوان
نمایش گراف ها با ثبات از تصاویر با شبکه های ساختاری زیر. کاربرد در طبقه بندی شبکه های عروقی کولون موش
کلمات کلیدی
نمای گرافیک مبتنی بر گرافیک، طبقه بندی شبکه، برنامه های کاربردی علوم علمی،
ترجمه چکیده
در این نامه، صحنه هایی را که توسط شبکه های سازه ای زیرزمینی تشکیل شده اند، در نظر می گیریم. این یک مسئله مهم است چرا که چنین صحنه هایی در بسیاری از حوزه های علوم ظاهر می شوند، مثلا تصاویر شبکه های جاده ای، شبکه های عروقی، سیستم های ریشه و غیره. استخراج اطلاعات از چنین شبکه هایی مستلزم روش های مشخصی است که به طور خاص برای حفظ ساختار توپولوژیکی شبکه در تصویر پنهان شده است ما یک خط لوله پردازش تصویر را برای این کار پیشنهاد می دهیم با یک بخش بندی قوی و روش نمایشی مبتنی بر گراف. روش پیشنهادی، در نزدیکترین ادبیات، به منطقه اصطلاحی به اصطلاح حداکثر پایدار در اینجا به گراف به شدت پایدار پایبند است. این روش با موفقیت به رسمیت شناختن الگوی تشخیص الگوی پزشکی زیست پزشکی واقعی با رویکرد ما، نشان داده شده است. استحکام شایع ترین پارامترهای گراف از شبیه سازی های مونت کارلو در نمودارهای مصنوعی مورد بحث قرار گرفته است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
In this letter, we consider scenes constituted by underlying structural networks. This is an important issue since such scenes appear in many domains of sciences with for instance images of road networks, vascular networks, root systems, etc. The extraction of information from such networks requires characterization methods specifically designed to preserve the topological structure of the network hidden in the image. We propose an entire image processing pipeline for this task with a robust joint segmentation and graph-based representation approach. The proposed method relates, in the closest literature, to the so-called Maximally Stable Extremal Region here extended to extremally stable graph. The method is successfully illustrated with a real world biomedical pattern recognition problem solved with our approach. The robustness of the most common graph parameters is discussed from Monte Carlo simulations on synthetic graphs.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 87, 1 February 2017, Pages 29-37
نویسندگان
, , , , , ,