Подготовка обучающей информации

Методика детектирование микрочастиц

Задача детектирования шарообразных микрочастиц на полутоновом изображении поверхности, аналогичном Рис.1, можно сформулировать как задачу классификации каждого из участков снимка как содержащего или не содержащего микрочастицу. Микрочастицы имеют разную величину, поэтому участки детектирования будут различаться по размеру. С другой стороны, все микрочастицы имеют схожую шарообразную форму, что позволяет не строить различные классификатора, а проводить детектирование с помощью одного классификатора и масштабирования исходного изображения.

Существует множество методов классификации изображений [3]. В более ранних работах мы рассматривали метод классификации изображений на основе метода главных компонент. В данной работе мы рассматриваем определение сильного классификатора на основе набора слабых классификаторов используя один из вариантов алгоритма бустинга [4]. Нами будет показано, что использование классификатора построенного с помощью бустинга позволяет получить лучшие результаты, чем применение классификатора на основе метода главных компонент.

Как было отмечено в пункте 2, задача детектирования микрочастиц на полутоновом изображении может быть сведена к определению, является ли отдельный участок изображения микрочастицой или нет. Поэтому необходимо подготовить обучающие примеры, которые будут содержать как микрочастицы (позитивное детектирование), так и участки напыленной поверхности, не содержащие микрочастицы (негативное детектирование).

Для правильной работы алгоритма все обучающие примеры (Рис.2) должны быть приведены к одному и тому же размеру; мы остановились на размере 100x100 пикселей, т.к. это был средний размер изображений микрочастиц, получаемых с электронного микроскопа.

Рис.2 Обучающие примеры содержащие (слева) и не содержащие микрочастицы (справа)

Слабые классификаторы

Основная идея алгоритмов бустинга для детектирования объектов заключается в объединении множества слабых классификаторов, дающих точность детектирования лишь немногим более 50%, в один сильный классификатор. Сильный классификатор позволяет достигнуть высокую точность в определении наличия объекта на конкретном участке изображения.

Каждый из слабых классификаторов вычисляет свое характеристическое значение для окна детектирования используя три последовательных шага. На первом шаге мы свертываем изображение в окне детектирования с фильтром . Данный фильтр выбирается из 13 фильтров, часть из которых представлена на Рис. 3 сверху. Типы используемых двумерных фильтров аналогичны представленным в работе [3]:

1 - Дельта функция

2-7 - производные фильтра Гаусса размером 3x3 пикселя по разным направлениям

8 - функция Лапласа

9 - детектор углов

10-13 - детекторы граней размером 3x5, 3x7, 5x3 и 7x3 пикселей

На втором шаге вычисления значения классификатора, мы представляем изображение используя гистограмму. А затем вычисляем дисперсию (второй момент ) или коэффициент эксцесса (четвертый момент ) гистограммы. На третьем шаге мы накладываем на окно детектирования одну из 30 масок , которая позволяет локализовать особенность в пределах одного окна детектирования. Несколько масок представлено на Рис.3 внизу. Аналогично работе [3] мы применяем прямоугольные маски, которые позволяют эффективно проводить вычисления.

Рис.3 Обучающие примеры содержащие (слева) и не содержащие микрочастицы (справа)

В итоге мы рассчитываем гиcтограмму обрезанного и отфильтрованного изображения в окне детектирования и вычисяем ее дисперсию и коэффициент эксцесса. Всего существует слабых классификаторов в форме (1) на основе которых мы будем строить один сильный классификатор с помощью алгоритма бустинга.

(1)

Дата добавления: 2014-12-10