АЛГОРИТМЫ ОБРАБОТКИ МИКРОСКОПИЧЕСКИХ СНИМКОВ ПЫЛЬЦЕВЫХ ЗЁРЕН

ALGORITHMS OF PROCESSING OF MICROSCOPIC IMAGES OF POLLEN GRAINS

Julia Kamalova

post-graduate student, Kalashnikov Izhevsk state technical University, a senior lecturer in "Applied mathematics and Informatics"

Russia, Izhevsk

АННОТАЦИЯ

Автоматическое распознавание пыльцы развивалось, основываясь на так называемых полутоновых инвариантах, которые характеризуют гранулы пыльцы независимо от их положения и ориентации на микроскопическом образце. Особые черты пыльцы выделяются из полутоновых изображений в прошедшем свете и флюорисцентной микроскопии.

ABSTRACT

Automatic recognition of pollen developed, based on the so-called gray-scale invariants, which characterize the pellets of pollen regardless of their position and orientation on a microscopic specimen. Special features of pollen stand out from the grayscale images in the last light and fluorescence microscopy.

Ключевые слова: полутоновые инварианты, распознавание пыльцы.

Keywords: gray-scale invariants, recognition of pollen.

На первом этапе, этот подход демонстрируется на пыльце амброзии из Буркард сэмплера, где пыльца собирается из окружающего воздуха на клейкую ленту, закрепленную на медленно вращающемся барабане.

Самообучающийся метод опорных векторов создает модель классификации полутоновых инвариантов частиц для трех образцов Буркарда из Меццаны (Тишино), Швейцария. Был обнаружен отклик в 77,3% случаев распознавания пыльцы Амброзии, с точностью в 84,0 % для этой классификации.

Ложно отрицательные классифицированные объекты можно частично отнести к агломерированный пыльце, количество ложно положительных классифицированных объектов может быть уменьшена посредством более специфичного классификационного режима.

Автоматическое распознавание пыльцы является основой развития полностью автоматизированных систем, которые сочетают отбор проб, осаждения частиц на поверхность, подходящую для оптического анализа, автоматическую подготовку, микроскопические методы визуализации, распознавание и часовая выход численной концентрации в воздухе пыльцы.

Становится все более очевидным, что климатическое изменение может облегчить географическое распространение отдельных видов растений в новые районы, которые становятся климатически подходящими [1].

Но эффекты изменений в использовании земли, социокультурные изменения наряду с международным транспортом и туризмом очевидно также способствуют распространению растений.

Возникновение некоторых инвазивных видов может привести, в частности, к рискам для здоровья и требует контроля, особенно таких видов пыльцы, которые, например, характеризуются высоким аллергическим потенциалом.

Для обычного анализа, пыльца забирается из окружающего воздуха с инструментами типа Burkard сэмплер, которые предоставляют образцы

для последующего микроскопического анализа пыльцы, нанесенной на липкий носитель [2].

Подсчет пыльцевых зерен под микроскопом осуществляется визуально.

Эта работа является кропотливой и длительной задачей опытных микроскопистов.

Из образцов выводится среднесуточная концентрация пыльцы в определенном режиме порядка измерений.

Таким образом, точность пыльцевых прогнозов строго ограничена

● Так как емкость визуального анализа пыльцы обычно ограничивается площадью пробы, представляющей 1 м³ воздуха / день, статистическая погрешность, принадлежащая к определению низких концентраций пыльцы (которые по-прежнему актуальны для таких видов, как Ambrosia) является достаточно высокой.

● Концентрация пыльцы и т.о. аллергический стресс может значительно меняться в течение дня. Этот временной курс, как правило, не определяется в пределах заведенного режима анализа в связи с высоким увеличением в визуальной микроскопии.

● Кроме того, качество и надежность обычных данных могут варьироваться в зависимости от квалификации и производительности пыльцы счетчиков.

Таким образом, существует сильная общественная потребность улучшить пыльцевой прогноз с помощью данных о концентрации пыльцы, которые обладают следующими особенностями:

информация в реальном времени;

более высокое временное разрешение;

высокое качество, характеризующееся способностью к репродукции, погрешности измерений, предел обнаружения, полноту и точность.

На рисунке 1а - выбор нелинейной функции ядра для объединения некоторых соседних пикселей, в этом примере сочетание двух серых значений на расстоянии в 3 пикселя.

На рисунке 1б - функция ядра оценивается для всех углов и результат суммируется, чтобы стать инвариантным к вращению объекта.

Рисунок 1в - этот ряд вращающихся функций ядра оценивается во всех возможных позициях картинки и результаты суммируются, чтобы стать инвариантным к перемещению объекта. Полученный результат не зависит от угла и положения объекта на картинке.

а)                            б)                                   в)

Рисунок 1. Расчет двумерных полутоновых инвариантов

В то время как обычные методы распознавания образа фокусируются на морфологических особенностях и пытаются имитировать процесс распознавания человеком, метод, разработанный для пыльцевого распознавания, использует особую черту оцифрованных изображений, - освещенность каждого пикселя, который описывается уровнем яркости (от 0 до 255) (Бургард, 2001; Роннербер, 2002) [3].

Функция ядра, которая связывает освещенности двух каждых пикселей определяет результирующее значение инварианта.

Например, умножение значений освещенностей каждых двух пикселей

на рисунке 2, как правило, приводит к иному результату, чем их сложение.

Однако, в зависимости от выбора функции ядра, из данных изображения, которые характеризуют неизвестный объект, можно вывести различные инварианты.

Множество N инвариантов объектов можно рассматривать как функцию вектора в n-мерном пространстве признаков.

Функции векторов подобных объектов образуют кластер в пространстве признаков, например, кластер Ambrosia и кластер из других частиц аэрозоля, так как результирующие значения соответствующих инвариантов схожи. 

Машины опорных векторов (метод опорных векторов) могут определять интерфейсы, которые отделяют эти группы друг от друга и могут быть использованы для  классификации неизвестных объектов (Вапника, 1995).

Маркировка объектов и расчет их инвариантов позволяет методу опорных векторов научиться различать пыльцу амброзии и другие объекты.

Классификация моделей была получена из кластеров функции векторов, принадлежащих к объектам в контроле.

Эта модель была применена для классификации объектов на оставшиеся 13 образцов.

Автоматическое распознавание сравнивалось с классификацией человеком. В то время как распознавание образа пыльцы представляет собой амбициозную задачу, распознавание реальных образцов  является важнейшей задачей в мире для успешного мониторинга пыльцы.

На рисунке 2 представлены основные проблемы, которые возникают на реальных образцах.

Рисунок 2. Пыльца амброзии

Микроскопические изображения (20f. увеличения) пыльцы амброзии с примесями пыли (слева посередине) и агломерированная пыльца амброзии (справа).

Пыльцевые зерна в большинстве случаев расположены близко к атмосферным частицам пыли на образце. Эти частицы содержат большое морфологическое разнообразие и могут помешать автоматическому распознаванию пыльцы.

Более того, 102 из 538 пыльчинок Амброзии собрались в пары (82), тройки (12) или четверки (8) соответственно.

Только 3 из этих 47 агломератов были распознаны как объекты, содержащие пыльцу Амброзии – без спецификации количества пыльцы в пределах агломерации.

Таким образом, было посчитано, как бы увеличился уровень распознавания, если бы агломерированной пыльцой можно было бы пренебречь.

С целью создания общей системы классификации изображений, которая может быть использована для ряда различных задач, необходимо сосредоточиться на конкретной группе изображений для оценки результатов точного выделения, внедрения и совершенствования различных компонентов такой системы классификации изображений.

В связи с этим, чтобы найти такую проблему, обратимся к классификации изображений пыльцевых зерен.

Сегодня, пыльцевые зерна с подготовленных предметных стекол классифицируются и считываются вручную в лабораториях по всему миру.

Если бы можно было развить программное обеспечение компьютерного зрения, которое смогло бы помочь исследователям в этом начинании, доступ к ресурсам можно было бы сделать открытым и доступным для других задач.

С практической точки зрения, пыльцевые зерна являются хорошим выбором для оценки эффективности общей системы классификации изображений, поскольку существует разнообразная литература, доступная с хорошо подготовленными и классифицированными изображениями пыльцевых зерен, полученными под микроскопом.

Программы для анализа изображений предназначены для распознавания определённого типа изображений и для решения данной задачи не подходят. Поэтому возникла необходимость разработки программного средства, которое на снимке пыльцы будет:

1. Идентифицировать пыльцевые зёрна (наличие/отсутствие),

2. Определять их тип (1 из 4, либо 1 из 3, если одна из выборок небольшая).

3. Подсчитывать процентное соотношение различных типов пыльцы.

4. Определять тип мёда.

Для определения типа пыльцы программное средство должно содержать базу, основанную на образцах пыльцы.

Выводы

Алгоритмы распознавания изображений зёрен пыльцы, полученных с помощью оптического микроскопа, были основаны на полутоновых инвариантах, быстром преобразовании Фурье.

Для определения соответствия формы и устойчивости к шуму при сравнении дескрипторов в пространственной области применимо прямое преобразование Фурье.

На основе проанализированных методов контурного анализа и разных типов бинаризации изображения выбраны оптимальные параметры для автоматического выделения контура пыльцевого зерна – использование фильтра Собеля, и адаптивной бинаризации по методу Отсу.

Список литературы:

1. McCrone W.I. The Particle Atlas / W.I. McCrone, J.K. Delly // Ann Arbor Science Publishers. – 1973. – Vol. 5. – P. 163
2. Ronneberger O. Automatic Identification and Counting of Airborne Pollen Grains [электронный ресурс] // Homepage of the Project ‘Automatic Identification and Counting of Airborne Pollen Grains’ [сайт]. – Режим доступа: http://bienemaja.informatik.uni-freiburg.de/pollen (дата обращения 17.03.2012)
3. Schael M.J. Invariant grey-scale features for 3D sensor-data / M.J. Schael, Siggelkow S.H. // Proceedings of the International Conference on Pattern Recognition (ICPR2000). / 2000. – Vol. 562. – P. 531-535.