Использование классических методов и нейронных сетей для распознавания пыльцевых зерен
Автор: Ханжина Н.Е., Замятина Е.Б.
Журнал: Вестник Пермского университета. Серия: 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
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).
