Использование классических методов и нейронных сетей для распознавания пыльцевых зерен
Автор: Ханжина Н.Е., Замятина Е.Б.
Журнал: Вестник Пермского университета. Математика. Механика. Информатика @vestnik-psu-mmi
Рубрика: Информатика. Информационные системы
Статья в выпуске: 4 (27), 2014 года.
Бесплатный доступ
Рассматривается проблема автоматизированного процесса распознавания изображений пыльцевых зерен, полученных с помощью микроскопа. Задача является актуальной, поскольку позволяет автоматизировать рутинный процесс отнесения пыльцевых зерен к тому или иному классу и тем самым, например, определить период пыления растений. Своевременное определение момента пыления растений, вызывающих аллергические реакции у людей, очень важно для предупреждения острых аллергических заболеваний. Авторы попытались применить для распознавания как классические методы (лингвистический), так и пришедшим на смену классическим методы распознавания с помощью нейронных сетей. Для распознавания авторы используют нейронную сеть Хэмминга. На этапе предварительной обработки изображения (устранение шума, бинаризация, сегментация) применены функции библиотеки OpenCV и метод особых точек (также реализованный в библиотеке OpenCV). Результаты экспериментов показали относительную эффективность применяемых методов. Выводы об эффективности сделаны на основе подсчета ошибок первого и второго рода.
Распознавание изображений, нейронная сеть хэмминга, ме, тод особых точек, пыльцевые зерна, лингвистический метод
Короткий адрес: https://sciup.org/14730146
IDR: 14730146 | УДК: 004.932.2
Pollen-grains recognition using classical methods and neural networks
This paper describes the problem of automated pollen-grains image recognition using images from microscope. This problem is relevant because it can help to automate a complex process of pollen-grains classification and to determine the beginning of plants pollinating which are cause of allergy. The main recognition method is Hamming network and linguistic approach. The paper includes Hamming network advantages over Hopfield network. The step of preprocessing (noise filtering, binarization, segmentation) uses OpenCV functions and the feature point method. The paper describes both preprocessing algorithms and main recognition methods. The experiments results showed relative efficiency of these methods. The conclusions about methods productivity are based on errors of type I and II. The paper includes alternative recognition methods which are planning to use in the follow up researches
Список литературы Использование классических методов и нейронных сетей для распознавания пыльцевых зерен
- Сладкое А.Н. Введение в спорово-пыльцевой анализ. М.: 1967.
- Черных А.Н., Замятина Е.Б. Проблемы применения классических методов распознавания образов для фотографических изображений пыльцевых зерен. Докл. все-рос. науч. конф. "Анализ изображений, сетей и текстов" (АИСТ'2013), Екатеринбург. Россия, 4-6 апреля 2013 г. М: Национальный Открытый Университет "ИНТУИТ", 2013. ISBN 978-5-9556-0148-9. С.160-168.
- Bradsky G., Kaehler A. "Learning OpenCV. Computer Vision with the OpenCV Library". 2008.
- Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М.: Техносфера, 2005.
- Фу К. Структурные методы в распознавании образов. М.: Мир, 1977.
- Осовский С. Нейронные сети для обработки информации/пер. с польского И.Д. Ру-динского. М.: Финансы и статистика, 2002. С. 176-186.
- Короткий.С. "Нейронные сети Хопфилда и Хэмминга". URL: http://www.shestopaloff. ca/kyriako/Russian/Artificia_Intelligence/Som e_publications/Korotky_Neuron_network_ Lectures.pdf (Дата обращения: 28.11.2014).
- Bay H, Ess A., Tuytelaars T., Van Gool L. Speeded-Up Robust Features (SURF)/Scientific publication -Zurich,Switzerland; Leuven, Belgium.
- Бовырин А, Дружков П, Ерухимов В. "Детекторы и дескрипторы ключевых точек. Алгоритмы классификации изображений. Задача детектирования объектов на изображениях и методы её решения". URL: http://www.intuit.ru/studies/courses/10621/11 05/lecture/17983?page=2 (Дата обращения: 28.11.2014).
- Вежневец В. Оценка качества работы классификаторов//Сетевой журнал "Компьютерная графика и мультимедиа". URL: httpy/cgrnxomputergraphics. ru/content/view/1 06 (Дата обращения: 28.11.2014).
