Заключение. 
Разработка прототипа настольной автоматизированной программы, реализующей распознавание изображений пыльцевых зерен с помощью комбинаций функций OpenCV и метода голосования

В работе проведено исследование возможности распознавания пыльцевых зерен методом голосования на фотографиях, сделанных под микроскопом, с целью их классификации.

В ходе работы были выполнены задачи, описанные ниже.

Анализ предметной области. Была описана предметная область — палинология, предмет изучения палинологии пыльцевые зерна и этапы их анализа. Были выделены наиболее важные таксономические признаки пыльцевых зерен, такие как форма, размер, цвет, апертуры и строение экзины и интины. Также в ходе анализа была сформулирована постановка задачи, которая заключалась в разработке программы классификатора для распознавания пыльцевых зерен. Описаны основные автоматизируемые бизнес процессы: распознавание пыльцевых зерен и формирование результатов распознавания. Сформулированы требования к системе и обоснована необходимость создания системы. А также проведен обзор наиболее значимых решений для распознавания пыльцевых зерен таких авторов как Н. Е. Ханжина и Е. Б. Замятина, M. Chica., C. Riley, F. Chung, R. Rendondo и V. Marcos.

Формализация описания решения задачи и проектирование системы. Описано решение основных этапов для распознавания пыльцевых зерен: предобработка изображения и классификация сегментированных пыльцевых зерен. Предобработка включает: устранение шумовых помех на изображении, пороговое преобразование, сегментацию контуров и вычисление значений признаков найденных пыльцевых зерен. Классификация содержит описание задачи распознавания методом голосования. При проектировании системы построены диаграммы прецедентов, деятельности, классов и архитектуры системы. А также спроектирован пользовательский интерфейс системы.

Реализация программной системы. В данной части работы описаны используемые инструменты, методы и данные; выполнен процесс реализации системы, тестирование системы, анализ результатов и оценка производительности распознавания методом голосования.

Предварительная обработка изображения велась с использованием функций библиотеки компьютерного зрения OpenCV. Были изучены и применены возможности OpenCV по удалению шумов на изображении и бинаризации. Подробно рассмотрены алгоритмы сегментации получения контуров и вычисления значений признаков. К результатам предобработки был применен метод голосования.

Такой подход дает следующие результаты: в среднем доля ошибок первого рода составляет 12%, второго рода — 20%. Соответственно, верно распознается около 88% пыльцевых зерен.

Подавляющее большинство случаев неправильной классификации приходится на пыльцевые зерна имеющие схожую форму и размер.

Одним из важных преимуществ применяемых методов является скорость обработки изображений — она довольна высокая. В среднем требуется около 2 секунд на обучение на 120 изображениях и около 1 секунды на распознавание 10 изображений.

Итогом выпускной квалификационной работы стала настольная автоматизированная программа, реализующая распознавание изображений пыльцевых зерен с помощью комбинации функций OpenCV и метода голосования.