requires detection of the stained o

requires detection of the stained objects. However, to prevent false diagnosis the stained
objects have to be analysed further to determine if they are parasites or not.
Automatic parasite detection has been addressed in [12], [13], [14] with thresholdings
based on colour histograms. In [12], the image was pre-processed to remove the illumination
bias which was estimated as the difference between the histogram peak positions
of the colour channels (i.e. peak of blue - peak red/green). The markers for the parasites
were extracted using a threshold at the halfway point of the cumulative histogram. However,
in a diagnosis scenario, for every sample, such an approach would fail by marking
all white blood cells (WBC), platelets and artefacts as parasites.
In this study we have proposed a solution for the parasite detection problem with
two consecutive classifications: stained/non-stained pixel classification and parasite/nonparasite
classification. Provided enough samples are present to estimate class conditional
density functions, the Bayesian decision rule can be used as a powerful pixel classification
method [3], [7], [8]. We have employed the Bayesian decision rule to determine if a pixel
has stained or non-stained colour. The pixels that are classified as stained are further
processed to form labelled connected components which are parasite candidates. Then
these candidates are classified in a distance weighted K-nearest neighbour classifier to
determine if they are parasites. For this classification, we have selected four different
candidate features: colour histogram, Hu moments, shape measurements, and colour auto
correlogram which are all rotation and scale invariant. We have evaluated and compared
the performance of the individual selected features as well as their concatenated forms.
The organisation of the rest of the paper is as follows. Details of our method are
discussed in Sections 2-4. The experimental results are provided in Section 5, and the
conclusions are given in Section 6.
2 Colour Normalisation
It is essential to apply a colour normalisation to the images in order to decrease the effect
of different light sources or sensor characteristics (e.g. intensity, white balance). Among
many computational colour constancy algorithms [1] based on the different models of illumination
change, we have chosen to use an adapted grey world normalisation method
[17] based on the diagonal model of illumination change which utilises certain characteristics
of microscopic peripheral blood images. Grey world normalisation assumes that
there is a constant grey value of the image which does not change among different conditions.
In the diagonal model an image of unknown illumination I
u
can be simply transformed
to known illuminant space ˜
I
k by multiplying pixel values with a diagonal matrix
(
˜
I
k
rgb(x) = MIu
rgb(x)). Based on the grey world assumption, if there is an image with

ผลลัพธ์ (ไทย) 1:

ต้องการตรวจจับวัตถุทิ้งคราบ อย่างไรก็ตาม เพื่อป้องกันการวินิจฉัยผิดที่ทิ้งคราบวัตถุต้องมี analysed เพิ่มเติมเพื่อกำหนดว่า จะมีปรสิต หรือไม่มีการส่งตรวจหาปรสิตอัตโนมัติใน [12], [13], [14] โดย thresholdingsตามสีฮิสโตแกรม ใน [12], ภาพประมวลผลเบื้องต้นเพื่อเอาแสงสว่างความโน้มเอียงที่ถูกประเมินเป็นความแตกต่างระหว่างตำแหน่งสูงสุดฮิสโตแกรมช่องสี (เช่นสูงสีน้ำเงิน - สีแดง/สีเขียวสูงสุด) เครื่องหมายสำหรับปรสิตถูกสกัดโดยใช้ขีดจำกัดเป็นจุดอยู่ตรงกลางของฮิสโตแกรมแบบสะสม อย่างไรก็ตามในสถานการณ์สมมติการวินิจฉัย ทุกอย่าง สำหรับวิธีการดังกล่าวจะไม่ผ่าน โดยทำเครื่องหมายทั้งหมดเซลล์เม็ดเลือดขาว (WBC), เกล็ดเลือด และสิ่งที่เป็นปรสิตในการศึกษานี้ เราได้เสนอแก้ไขปัญหาสำหรับปัญหาการตรวจหาปรสิตด้วยจัดต่อเนื่องกันสองประเภท: ประเภทสี/ไม่มีสีพิกเซลและ ปรสิต/nonparasiteจัดประเภทการ มีตัวอย่างเพียงพอมีการประเมินการเรียนตามเงื่อนไขสามารถใช้ฟังก์ชันความหนาแน่น กฎการตัดสินใจทฤษฎีการจัดประเภทของพิกเซลที่มีประสิทธิภาพวิธี [3], [7], [8] เราได้จ้างกฎการตัดสินใจทฤษฎีตรวจพิกเซลมีสี หรือสีไม่ใช่สี พิกเซลที่จัดประเภทเป็นสีเพิ่มเติมประมวลผลฟอร์มมันส่วนประกอบเชื่อมต่อซึ่งเป็นปรสิตผู้สมัคร แล้วประเภทผู้สมัครเหล่านี้ในการถ่วงน้ำหนักจาก K ใกล้ neighbour classifier เพื่อกำหนดถ้าเป็นปรสิต สำหรับการจัดประเภทนี้ เราเลือกสี่แตกต่างกันคุณสมบัติผู้สมัคร: สีฮิสโตแกรม หูช่วงเวลา รูปวัด และสีอัตโนมัติcorrelogram หมุนทั้งหมด และขนาดไม่เปลี่ยนแปลง เรามีประเมิน และเปรียบเทียบประสิทธิภาพของคุณลักษณะที่เลือกแต่ละฟอร์มของพวกเขาต่อองค์กรของกระดาษมีดังนี้ มีรายละเอียดของวิธีการของเรากล่าวถึงในส่วน 2-4 มีผลการทดลองในส่วน 5 และบทสรุปได้ใน 6 ส่วนสีที่ 2 Normalisationจำเป็นต้องใช้ normalisation สีกับภาพเพื่อลดผลกระทบของแหล่งแสงต่าง ๆ หรือลักษณะเซ็นเซอร์ (เช่นดุลความเข้ม สีขาว) ระหว่างหลายสีคำนวณทางอัลกอริทึม [1] ตามรูปแบบที่แตกต่างของแสงสว่างเปลี่ยนแปลง ที่เราได้เลือกใช้วิธีการ normalisation โลกดัดแปลงสีเทา[17] ตามรุ่นเส้นทแยงมุมของการเปลี่ยนแปลงรัศมีซึ่ง utilises ลักษณะบางของภาพเลือดด้วยกล้องจุลทรรศน์อุปกรณ์ต่อพ่วง โลกสีเทา normalisation สันนิษฐานที่สีเทาค่าคงที่ของรูปที่ไม่เปลี่ยนแปลงในสถานการณ์ต่าง ๆ ได้ทแยงมุมในรูปแบบภาพของแสงสว่างไม่รู้จักฉันuเพียงแค่แตกต่างสามารถกับหลอดไฟชื่อดังพื้นที่˜ฉันk คูณค่าพิกเซลกับเมทริกซ์ทแยงมุม(˜ฉันkrgb(x) = MIurgb(x)) อยู่ในโลกสีเทา ถ้ามีรูปด้วย

ผลลัพธ์ (ไทย) 2:

ต้องมีการตรวจสอบของวัตถุสี
แต่เพื่อป้องกันไม่ให้การวินิจฉัยที่ผิดพลาดสีวัตถุที่จะต้องมีการวิเคราะห์ต่อไปเพื่อตรวจสอบว่าพวกเขาจะมีปรสิตหรือไม่.
การตรวจหาพยาธิอัตโนมัติได้รับการแก้ไขใน [12] [13] [14] ด้วย thresholdings
ขึ้นอยู่กับ histograms สี ใน [12]
ภาพที่ถูกประมวลผลก่อนที่จะลบส่องสว่างอคติซึ่งเป็นที่คาดกันว่าเป็นความแตกต่างระหว่างตำแหน่งสูงสุดกราฟของช่องสี
(คือจุดสูงสุดของสีฟ้า - ยอดเขาสีแดง / สีเขียว)
เครื่องหมายสำหรับปรสิตถูกสกัดโดยใช้เกณฑ์ที่จุดกึ่งกลางของกราฟสะสม อย่างไรก็ตามในสถานการณ์การวินิจฉัยสำหรับทุกตัวอย่างเช่นวิธีการที่จะล้มเหลวโดยการทำเครื่องหมายทุกเซลล์เม็ดเลือดขาว(WBC) เกล็ดเลือดและสิ่งของที่เป็นปรสิต. ในการศึกษานี้เราได้นำเสนอวิธีการแก้ปัญหาสำหรับปัญหาการตรวจหาพยาธิที่มีสองจำแนกประเภทติดต่อกัน: สี / การจัดหมวดหมู่ของพิกเซลที่ไม่ใช่สีและปรสิต / nonparasite การจัดหมวดหมู่ ตัวอย่างมีให้มากพอที่จะนำเสนอในการประเมินเงื่อนไขระดับฟังก์ชั่นความหนาแน่นของกฎการตัดสินใจแบบเบย์สามารถใช้เป็นการจัดหมวดหมู่ของพิกเซลที่มีประสิทธิภาพวิธี[3] [7] [8] เรามีการจ้างงานการปกครองการตัดสินใจแบบเบย์เพื่อตรวจสอบว่าพิกเซลมีสีหรือไม่ย้อมสี พิกเซลที่จัดเป็นสีที่มีการต่อไปประมวลผลในรูปแบบที่มีข้อความส่วนประกอบที่เชื่อมต่อซึ่งมีผู้สมัครปรสิต จากนั้นผู้สมัครเหล่านี้จะถูกจัดให้อยู่ในระยะทางที่ถ่วงน้ำหนักลักษณนามเพื่อนบ้านK-ที่ใกล้ที่สุดเพื่อตรวจสอบว่าพวกเขาเป็นปรสิต สำหรับการจัดหมวดหมู่นี้เราได้เลือกที่แตกต่างกันสี่คุณสมบัติผู้สมัคร: กราฟสีช่วงเวลาที่อู่วัดรูปร่างและสีอัตโนมัติ Correlogram ซึ่งทั้งหมดหมุนและขนาดคงที่ เราได้รับการประเมินและเปรียบเทียบประสิทธิภาพของคุณสมบัติที่เลือกของแต่ละบุคคลเช่นเดียวกับรูปแบบการตัดแบ่งของพวกเขา. องค์กรของส่วนที่เหลือของกระดาษเป็นดังนี้ รายละเอียดของวิธีการของเราจะกล่าวถึงในส่วนที่ 2-4 ผลการทดลองที่มีการบัญญัติไว้ในมาตรา 5 และข้อสรุปที่จะได้รับในมาตรา6 2 สี Normalisation มันเป็นสิ่งสำคัญที่จะใช้ฟื้นฟูสีให้กับภาพเพื่อลดผลกระทบที่แตกต่างกันแหล่งกำเนิดแสงหรือลักษณะเซ็นเซอร์ (เช่นความเข้มของสีขาว ความสมดุล) ท่ามกลางสีหลายขั้นตอนวิธีการคำนวณความมั่นคง [1] ตามรูปแบบที่แตกต่างกันของการส่องสว่างการเปลี่ยนแปลงเราได้เลือกที่จะใช้วิธีการดัดแปลงการฟื้นฟูโลกสีเทา[17] ตามแบบเส้นทแยงมุมของการเปลี่ยนแปลงการส่องสว่างที่ใช้ลักษณะบางอย่างของกล้องจุลทรรศน์ภาพเลือด ฟื้นฟูโลกสีเทาสันนิษฐานว่ามีค่าสีเทาอย่างต่อเนื่องของภาพที่ไม่ได้มีการเปลี่ยนแปลงในหมู่เงื่อนไขที่แตกต่างกัน. ในรูปแบบเส้นทแยงมุมภาพของการส่องสว่างที่ไม่รู้จักฉันยูสามารถเปลี่ยนเพียงแค่พื้นที่สว่างที่รู้จักกัน~ ฉันk โดยการคูณค่าพิกเซลด้วย เมทริกซ์ทแยงมุม(~ ฉันk rgb (x) = Miu rgb (x)) ขึ้นอยู่กับสมมติฐานโลกสีเทาถ้ามีภาพกับ

ผลลัพธ์ (ไทย) 3:

ต้องมีการตรวจสอบของสีวัตถุ อย่างไรก็ตาม เพื่อป้องกันการปลอมการวินิจฉัยเปื้อน
วัตถุต้องวิเคราะห์เพิ่มเติม เพื่อตรวจสอบว่า มีพยาธิหรือไม่ การตรวจหาพยาธิ
อัตโนมัติได้รับการ addressed ใน [ 12 ] , [ 13 ] , [ 14 ] กับ thresholdings
จากฮิสโตแกรมสี ใน [ 12 ] , ภาพที่ถูกลบรัศมี
ก่อนแปรรูปอคติที่ถูกประเมินเป็นความแตกต่างระหว่างตำแหน่งสูงสุดของกราฟ
สีช่อง ( คือจุดสูงสุดของยอดฟ้า - แดง / เขียว ) เครื่องหมายสำหรับปรสิต
ถูกสกัดโดยใช้เกณฑ์ที่จุดกึ่งกลางของความถี่สะสม อย่างไรก็ตาม การวินิจฉัยสถานการณ์
ในสำหรับทุกตัวอย่าง วิธีการดังกล่าวจะล้มเหลว โดยเครื่องหมาย
ทั้งหมดของเซลล์เม็ดเลือดขาว ( WBC )เกล็ดเลือดและสิ่งประดิษฐ์เช่นปรสิต .
ในการศึกษานี้ได้เสนอโซลูชั่นสำหรับปรสิตตรวจจับปัญหา
ติดต่อกัน 2 หมวดหมู่ : ย้อม / ไม่เปื้อนและการจำแนกหมวดหมู่พิกเซล / nonparasite
ปรสิต ตัวอย่างให้พออยู่กะชั้น ฟังก์ชันความหนาแน่นแบบมีเงื่อนไข
, กฎการตัดสินใจแบบที่สามารถใช้เป็นที่มีประสิทธิภาพการจำแนก
พิกเซลวิธี [ 3 ] , [ 7 ] , [ 8 ] เราต้องใช้กฎการตัดสินใจแบบเบส์เพื่อตรวจสอบว่าพิกเซล
เปื้อนหรือไม่เปื้อนสี พิกเซลที่ถูกจัดเป็นเปื้อนเพิ่มเติม
ประมวลผลแบบฟอร์มที่มีส่วนประกอบซึ่งมีผู้สมัครต่อปรสิต งั้น
ผู้สมัครเหล่านี้จะแบ่งระยะละ 1 หรือเพื่อนบ้าน

ตรวจสอบว่า มีปรสิตสำหรับหมวดหมู่นี้ เราได้คัดเลือกคุณสมบัติสี่ผู้สมัครที่แตกต่างกัน
: สี Histogram , Hu ช่วงเวลาการวัดรูปร่างและสีอัตโนมัติ
correlogram ซึ่งมีทั้งหมุนและไม่เปลี่ยนแปลงค่า เราได้ประเมินและเปรียบเทียบประสิทธิภาพของแต่ละบุคคล
เลือกคุณสมบัติเช่นเดียวกับรูปแบบที่มาของพวกเขา
องค์กรของส่วนที่เหลือของกระดาษมีดังนี้รายละเอียดของวิธีการของเรา
กล่าวถึงในส่วน 2-4 ผลการทดลองมีการระบุไว้ในมาตรา 5 และมาตรา 6
ข้อสรุปจะได้รับการฟื้นฟู
.
2 สีมันเป็นสิ่งจำเป็นที่จะใช้สีเพื่อการฟื้นฟูภาพ เพื่อลดผลของแหล่งแสงที่แตกต่างกันหรือเซ็นเซอร์
ลักษณะ ( เช่นความสมดุลสีขาว ) ระหว่าง
อัลกอริทึมหลายความจงรักภักดีสีคอมพิวเตอร์ [ 1 ] ตามรูปแบบต่าง ๆของการเปลี่ยนแปลงรัศมี
, ที่เราได้เลือกที่จะใช้วิธีดัดแปลงสีเทาโลกการฟื้นฟู
[ 11 ] ตามแนวทแยงรูปแบบการเปลี่ยนแปลง ซึ่งใช้ลักษณะบางอย่างของเลือดส่วนปลาย
ด้วยภาพ สีเทาโลก
การฟื้นฟูถือว่ามีสีเทาค่าคงที่ของภาพที่ไม่มีการเปลี่ยนแปลงในเงื่อนไขที่แตกต่างกัน .
ในรูปแบบเส้นทแยงมุมภาพไม่ทราบ
U
รัศมีฉันสามารถเพียงแค่เปลี่ยน
รู้จักพื้นที่ K ซึ่งส่องแสง˜
ผม

โดยการคูณค่าพิกเซลกับเมทริกซ์ทแยงมุม (

ผม

˜ RGB ( เค x ) = Miu
RGB ( x ) ) จากโลกสีเทา ( หากมีภาพด้วย