Разработка прототипа настольной автоматизированной программы, реализующей распознавание изображений пыльцевых зерен с помощью комбинаций функций OpenCV и метода голосования

nTN=TN / Nn * 100%, (12)

nTP=TP / Np * 100%. (13)

Данные величины наглядно отражают вероятность верного распознавания, так как не зависят в явном виде от количества объектов в тестовой выборке.

Также рассчитаем меру точности (precision) и меру отзыва (recall). Мера точности измеряет долю верных обнаружений среди всех обнаруженных объектов. Мера отзыва измеряет долю верного распознавания среди всех объектов интересующего нас класса и совпадает с nTP.

Precision=TP / (TP+FP) * 100%, (14)

Recall=TP / (TP+FN) * 100%. (15)

Проведем 2 эксперимента для одного набора данных. В первом случае оценим производительность распознавания методом голосования без опорных множеств на 12 начальных признаках (см. табл 2.1). Во втором случае оценим производительность метода с учетом опорного множества, которое определим с помощью корреляционного анализа. Были получены следующие результаты корреляции (См. табл. 3.3).

Исходя из полученных результатов было решено исключить 2 признака эксцентриситет (E) и Rmax/Rmin. Остальные признаки были сформированы в опорные множества по два признака в каждом следующим образом:

1. Область (A) и диаметр (D).

2. Периметр (Р) и компактность (С).

3. Максимальный радиус (Rmax) и средний радиус (Rср).

4. Минимальный радиус (Rmin) и отношение между Rmin и Rd (Rmin/Rd).

5. Дисперсия радиуса (Rd) и отношение между Rmax и Rd (Rmax/Rd).

Результаты тестирования для первого эксперимента распознавания методом голосования без опорных множеств на 12 начальных признаках по приведенным формулам представлены в табл. 3.4.

Результаты тестирования для второго экспериментов распознавания методом голосования на опорном множестве по приведенным формулам представлены в табл. 3.5.

Можно сделать вывод, что формирование признаков в опорные множества для метода голосования показывает более высокие результаты. В среднем доля по количеству ошибок первого рода составляет 12%. Средняя доля правильно распознаваемых изображений составляет 88%.

Таблица 3.3. Корреляционный анализ признаков

Таблица 3.4. Оценка качества работы распознавания для 1 эксперимента

Таблица 3.5. Оценка качества работы распознавания для 2 эксперимента

В данной главе описаны механизмы реализации системы: предобработка изображения, вычисления значений признаков и классификация объектов. Рассмотрены работа функций библиотеки компьютерного зрения OpenCV, производящих предварительную обработку изображений и вычисление некоторых значений признаков, а также работа метода голосования. Из всех имеющихся функций по обработке изображений для программы были выбраны в основном самые эффективные.

На этапе предобработки изображений на изображениях верно детектируются контуры 100% пыльцевых зерен.

На обучение на 120 изображениях уходит в среднем от 1,9 до 2 секунд.

На распознавание 10 изображений примерно 1 секунда.

Распознавание методом голосования показывает результаты выше среднего. В среднем, верно распознаются 88% пыльцевых зерен. Доля ошибок второго рода составляет 20%, доля ошибок первого рода - 12%.

Подавляющее большинство случаев неправильной классификации приходится на пыльцевые зерна имеющие схожую форму и размер.

Заключение

В работе проведено исследование возможности распознавания пыльцевых зерен методом голосования на фотографиях, сделанных под микроскопом, с целью их классификации.

В ходе работы были выполнены задачи, описанные ниже.

Анализ предметной области. Была описана предметная область - палинология, предмет изучения палинологии пыльцевые зерна и этапы их анализа. Были выделены наиболее важные таксономические признаки пыльцевых зерен, такие как форма, размер, цвет, апертуры и строение экзины и интины. Также в ходе анализа была сформулирована постановка задачи, которая заключалась в разработке программы классификатора для распознавания пыльцевых зерен. Описаны основные автоматизируемые бизнес процессы: распознавание пыльцевых зерен и формирование результатов распознавания. Сформулированы требования к системе и обоснована необходимость создания системы. А также проведен обзор наиболее значимых решений для распознавания пыльцевых зерен таких авторов как Н.Е. Ханжина и Е.Б. Замятина, M. Chica., C. Riley, F. Chung, R. Rendondo и V. Marcos.

Формализация описания решения задачи и проектирование системы. Описано решение основных этапов для распознавания пыльцевых зерен: предобработка изображения и классификация сегментированных пыльцевых зерен. Предобработка включает: устранение шумовых помех на изображении, пороговое преобразование, сегментацию контуров и вычисление значений признаков найденных пыльцевых зерен. Классификация содержит описание задачи распознавания методом голосования. При проектировании системы построены диаграммы прецедентов, деятельности, классов и архитектуры системы. А также спроектирован пользовательский интерфейс системы.

Реализация программной системы. В данной части работы описаны используемые инструменты, методы и данные; выполнен процесс реализации системы, тестирование системы, анализ результатов и оценка производительности распознавания методом голосования.

Предварительная обработка изображения велась с использованием функций библиотеки компьютерного зрения OpenCV. Были изучены и применены возможности OpenCV по удалению шумов на изображении и бинаризации. Подробно рассмотрены алгоритмы сегментации получения контуров и вычисления значений признаков. К результатам предобработки был применен метод голосования.

Такой подход дает следующие результаты: в среднем доля ошибок первого рода составляет 12%, второго рода - 20%. Соответственно, верно распознается около 88% пыльцевых зерен.

Подавляющее большинство случаев неправильной классификации приходится на пыльцевые зерна имеющие схожую форму и размер.

Одним из важных преимуществ применяемых методов является скорость обработки изображений -- она довольна высокая. В среднем требуется около 2 секунд на обучение на 120 изображениях и около 1 секунды на распознавание 10 изображений.

Итогом выпускной квалификационной работы стала настольная автоматизированная программа, реализующая распознавание изображений пыльцевых зерен с помощью комбинации функций OpenCV и метода голосования.

Литература

1. Вайнцвайг М.Н. Алгоритм обучения распознаванию образов «кора» // Алгоритмы обучения распознаванию образов. Под ред. В.Н. Вапник. -- М.: Советское радио, 1973. -- С. 110-116.

2. Журавлёв Ю.И., Никифоров В. В. Алгоритмы распознавания, основанные на вычислении оценок // Кибернетика. -- 1971. -- № 3.

3. Журавлёв Ю.И. Непараметрические задачи распознавания образов // Кибернетика. -- 1976. -- № 6.

4. Журавлёв Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. -- 1978. -- Т. 33. -- С. 5-68.

5. Павлидис Т. Алгоритмы машинной графики и обработки изображений. Пер. С англ. М.: Радио и связь, 1986.

6. Полякова М.П., Вайнцвайг М.Н. Об использовании метода «голосования» признаков в алгоритмах распознавания // Моделирование обучения и поведения. -- М., 1975. -- С. 25-28.

7. Рязанов В.В., Сенько О.В. О некоторых моделях голосования и методах их оптимизации // Распознавание, классификация, прогноз. -- 1990. -- Т. 3. -- С. 106-145.

8. Сладков А.Н. Введение в спорово-пыльцевой анализ. -- М.: 1967.

9. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход -- М.: «Вильямс», 2004.

10. Ханжина Н.Е., Замятина Е.Б. Автоматизированное распознавание пыльцевых зерен с использованием нейронных сетей Хэмминга // Методы компьютерной диагностики в биологии и медицине. Материалы Всерос. школы-семинара - Саратов: Изд-во Саратовский источник, 2014. С. 137-140.

Размещено на Allbest.ru