Обзор наиболее значимых решений распознавания пыльцевых зерен

В данном обзоре рассмотрим работы следующих авторов:

• 1. Н. Е. Ханжина и Е. Б. Замятина.
• 2. M. Chica.
• 3. C. Riley.
• 4. F. Chung.
• 5. R. Rendondo и V. Marcos.

Краткий обзор наиболее значимых решений представлен в табл. 1.4.

В своей работе Н. Е. Ханжина и Е. Б. Замятина разработали систему распознавания пыльцевых зерен по фотографиям сделанных под микроскопом. Предварительная обработка изображений выполняется с помощью функций библиотеки OpenCV. Для классификации сегментированных пыльцевых зерен, используются следующие методы: метод особых точек, лингвистический метод и нейронная сеть Хэмминга, где комбинируются данные методы с помощью бэггинга. Метод особых точек используется для исключения объектов, не являющихся пыльцевыми зернами. Данная система имеет следующие результаты распознавания: доля ошибок первого рода составляет 7%, второго рода — 24%. Средняя точность распознавания около 93%. Недостатком системы является низкая скорость обработки изображений и распознавания сегментированных пыльцевых зерен. С целью улучшения производительности Н. Е. Ханжина и Е. Б. Замятина применяют возможности технологии CUDA. В среднем на обработку одного изображения требуется 20 секунд.

Таблица 1.4. Сравнение аналогов.

M. Chica в своей работе представляет полную методологию аутентификации пыльцевых зерен медоносов от фальсифицируемых образцов, где экспериментально показывает, что предложенная методология будет иметь среднюю точность в 94%. Разрабатываемая система будет способна быстро отклонить фальсифицируемые образцы с недорогих аппаратных средств без необходимости их отправки в лабораторию на экспертизу. Данная методология основана на цветовых свойствах пыльцевых зерен медоносов и использовании одно-классового классификатора (K-NN). Метод ближайших соседей (K-NN) она выбирает, основываясь на своих предыдущих работах. Однако прототип программы еще полностью не реализован.

C. Riley в своем исследовании представляет полуавтоматическую систему, которая выполняет оцифровку изображений пыльцевых зерен из-под микроскопа и их классификацию для построения вероятностной модели гео-исторического расположения для судебно-медицинских экспертиз. C. Riley достиг точности в 95,4% и 93,8% для двух различных морфологически сходных наборов данных пыльцевых зерен. Данная система использует мульти-классификатор из нескольких методов: метод ближайших соседей (K-NN), метод опорных векторов (SVM), линейный дискриминантный анализ (Pseudo-linear discriminant analysis), квадратичный дискриминантный анализ (Pseudo-quadratic discriminant analysis) и дерево принятия решения (Decision tree). Данный мульти-классификатор выбирает результат с наименьшей ошибкой. Наилучшие результаты были получены при использовании K-NN метода.

F. Chung разработал свою систему для распознавания изображений пыльцевых зерен. На стадии предобработки изображений и сегментации пыльцевых зерен он предлагает использовать теорию многофокальной обработки изображений, которая основана на анализе резкости изображения наблюдаемого объекта. Далее на этапе классификации аналогично работе C. Riley он использует мульти-классификатор, состоящий из метода ближайших соседей (K-NN), нейронной сети, дерева принятия решений (Decision tree) и метод «случайный лес» (Random Forest). Где самая высокая точность в 97% была достигнута с помощью метода Random Forest.

И в заключении рассмотрим работу в области распознавания пыльцевых зерен R. Rendondo и V. Marcos. Они в своей работе использовали следующие классификаторы метод Фишера (Fischer), метод опорных векторов (SVM) и Random Forest, кроме того на этапе обработки изображения они предложили новый признак сегментации пыльцевых зерен, который назвали признак новой внутренне-контурной (novel contour-inner) сегментации зерен. Данный признак повысил точность распознавания на 50%. В своей работе они смогли достичь наибольшей точности 99%.

Подводя итог, можно отметить тенденции к использованию мультиклассификаторов, так как различные алгоритмы распознавания проявляют себя по-разному на одной и той же выборке данных. Однако каждый частный метод лишь подсчитывает свои значения, а после сравнительного анализа выбирается лишь результат с наименьшей ошибкой, то закономерно встает вопрос о комбинации алгоритмов, которая может повысить точность результатов. Для решения данной задачи отлично подходит метод голосования использующий ансамбли признаков. А это значит, что данный метод можно использовать не только как частный алгоритм распознавания образов, но и как алгоритм для комбинации методов для повышения точности в дальнейшем.

В данной главе описана изучаемая область — палинология. Описан предмет изучения палинологии, т. е. пыльцевые зерна, их устройство и этапы анализа.

По итогам разбора устройства пыльцевых зерен, для распознавания программой являются важными форма зерна, вид поверхностного слоя экзины, размер зерна.

Дана постановка задачи распознавания — последнего из этапов анализа пыльцевых зерен, описаны основные бизнес-процессы и выдвинуты требования к системе.

Конечная программа-распознаватель должна уметь найти и сегментировать пыльцевые зерна на входном изображении (фотографии сделанной из-под микроскопа), а также определить названия их видов и предоставить результаты пользователю.

Обоснована необходимость создания системы и приведен обзор наиболее значимых аналогов систем распознавания пыльцевых зерен таких авторов как Н. Е. Ханжина и Е. Б. Замятина, M. Chica., C. Riley, F. Chung, R. Rendondo и V. Marcos.