Дескрипторы и детекторы хороши тем, что хоть они и занимаются поиском углов, применяя их можно легко получить количество выделенных объектов, а эксперт сможет найти ошибки распознавания как первого, так и второго родов.
Рис. 6 Пример работы Blob-детектора и SURF-детектора с шаблоном
По аналогии с табл. 1 были проведены подсчеты этих алгоритмов и сравнение с экспертной оценкой (табл. 3). Несмотря на то что детекторы и дескрипторы позволяют легко получить количественную оценку, ей нельзя доверять - превышение до 115 раз (SURF-детектор) относительно оценок экспертов. Рассмотренные ранее алгоритмы (табл. 1 и табл.2) хоть и являются предобработкой, с помощью них эксперту проще произвести оценку.
Таблица №3
Сравнения дополнительных алгоритмов
|
Изображения/ Алгоритмы |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
|
|
Harris |
336 |
518 |
433 |
360 |
125 |
546 |
408 |
154 |
637 |
1000 |
634 |
1000 |
|
|
SURF |
2326 |
3627 |
3528 |
2808 |
1346 |
1370 |
4184 |
1181 |
3897 |
4513 |
6722 |
8533 |
|
|
SIFT |
1228 |
2034 |
2052 |
1436 |
493 |
819 |
836 |
221 |
684 |
467 |
1160 |
1527 |
|
|
FAST |
6040 |
12596 |
11538 |
8738 |
1344 |
1368 |
789 |
267 |
816 |
1500 |
3047 |
5509 |
|
|
Blob |
121 |
202 |
191 |
153 |
22 |
527 |
192 |
92 |
280 |
89 |
249 |
287 |
|
|
Эксперты |
233 |
320 |
304 |
283 |
1054 |
692 |
63 |
41 |
40 |
60 |
63 |
74 |
Заключение
Проведенный анализ алгоритмов показывает, что для изображений, полученных с помощью различных микроскопов и красителей, не существует одного универсального алгоритма по обработке изображений. Для обработки изображений биологических микрообъектов необходимо индивидуально подбирать, как имеющиеся алгоритмы обработки изображений, так и красители в зависимости от гистологического препарата. Более надежные результаты получаются на высококонтрастных изображениях при использовании конфокального микроскопа и на изображениях с четко выраженными границами при использовании оптического светового микроскопа.
Литература
1. Поляков М.В., Хоперсков А.В. Вычислительные эксперименты для исследования радиационных и тепловых полей в биоткани. // Инженерный вестник Дона, 2017, №2, URL: ivdon.ru/ru/magazine/archive/n2y2017/4239.
2. Chvбtal A., Andмrovб M., Kirchhoff F. Three-dimensional confocal morphometry - a new approach for studying dynamic changes in cell morphology in brain slices // J. Anat. - 2007. - Vol. 210, № 6. pp. 671-683.
3. Khoperskov A.V., Kovalev M.E., Astakhov A.S., Novochadov V.V., Terpilovskiy A.A., Tiras T.P., Malanin D.A. Software for full-color 3D reconstruction of the biological tissues internal structure // Lecture Notes in Computer Science, 2017, v.10594. pp.1-10. doi: 10.1007/978-3-319-69182-4_1
4. Абламейко С.В., Недзьведь А.М. Обработка оптических изображений клеточных структур в медицине. Минск: ОИПИ НАН Беларуси, 2005. 156 c.
5. Новочадов В.В., Хоперсков А.В., Терпиловский А.А., Маланин Д.А., Тирас Х.П., Ковалев М.Е., Астахов А.С. Виртуальная полноцветная трехмерная реконструкция коленного сустава человека на основе оцифровки серийных шлифов // Математическая биология и биоинформатика: Доклады VI Международной конференции. 16-21 октября 2016 г., г. Пущино. С. 78-79.
6. Лосев А.Г., Хоперсков А.В., Астахов А.С., Сулейманова Х.М. Проблемы измерения и моделирования тепловых и радиационных полей в биотканях: анализ данных микроволновой термометрии // Вестник Волгоградского государственного университета. Серия 1: Математика. Физика. 2015. № 6 (31). С. 31-71. doi: 10.15688/jvolsu.2015.6.3
7. Сойфер В.А. Методы компьютерной обработки изображений. Москва.: ФИЗМАТЛИТ, 2003. 782 с.
8. Фурман Я. А., Кревецкий А. В., Передреев А. К., Роженцов А. А. Введение в контурный анализ. Приложения к обработке изображений и сигналов. Фурман, под ред. Фурмана, 2-е изд. Москва: ФИЗМАТДИТ, 2003г. 592 с.
9. Бумагин В. В., Сиволобов С. В. Автоматизированный программный комплекс для оперативного отождествления человека по походке. Информационная безопасность регионов, 2013. №2(13). C. 136-140.
10. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. Москва: Вильямс, 2004. 928 с.
11. Hu M. K. Visual Pattern Recognition by Moment Invariants // IRE Trans. Info. Theory, vol. IT-8, 1962. pp. 179-197.
12. Буй Т.Т.Ч., Спицын В.Г. Анализ методов выделения краев на цифровых изображениях // Доклады ТУСУРа, № 2 (22), часть 2, декабрь 2010. C. 222.
13. Рвачёва О.В., Чмутин А.М. Управление яркостью в компьютерной графике: нелинейный аспект. // Инженерный вестник Дона, 2017, №1, URL: ivdon.ru/ru/magazine/archive/n1y2017/3974.
14. Тюрин Ю. Н., Макаров А. А. Анализ данных на компьютере. Москва: Форум, 2008. 368 с.
15. Суханов А.В., Артемьев И.С., Долгий A.И., Хатламаджиян А.Е. Метод оптической идентификации железнодорожных подвижных единиц на основе интегральных устойчивых признаков // Инженерный вестник Дона, 2013, №4, URL: ivdon.ru/ru/magazine/archive/n4y2013/2217.
Аннотация
В работе проведен анализ 11 алгоритмов обработки изображений для выделения микрообъектов на гистологических срезах биоткани. Показано, что для изображений, полученных с помощью различных микроскопов и красителей, не существует одного универсального метода обработки изображений. Выбор алгоритма в существенной мере зависит от конкретного типа микроскопа. Рассмотренные алгоритмы дают более надежные результаты для высококонтрастных изображений при использовании конфокального микроскопа.
Ключевые слова: цифровая обработка изображений, выделение контуров, биологические микрообъекты, OpenCV, ImageJ, морфометрическая обработка.