Figure 3: (a) Red axis projections

Figure 3: (a) Red axis projections of 3d histograms for stained (light-yellow) and nonstained
(dark-red) classes, (b) Same plot in (a) using unnormalised images, (c) ROC
curves for different histogram bin sizes.
5 Experiments and Results
Stained/Non-Stained Pixel Classification: We formed 3 separate sets for training (Ta), validation
(Tθ ), and testing (Tt) containing 286041 / 37050319, 205996 / 22705363, 168483 /
25209681 stained/non-stained pixels respectively. Since histograms are conditional density
estimations we needed to find the appropriate histogram bin size which provides
the maximum generalisation with finite samples. Additionally, we have to determine the
threshold value θ for the histogram bin size which will be used in the classification. These
two variables (bin size and threshold value) are usually determined by plotting receiver
operating characteristics (ROC represents the trade-off between the true and false detection
rates) on a validation test [18]. Then the variables that maximise the area under the
ROC curve are chosen for the final tests. Figure 3(c) shows different ROC curves (in
Tθ ) of different sizes of histograms (quantisation levels :128,64,32,16). Examining these
ROC curves, it is apparent that the most efficient histogram bin size is 32 with the largest
rate of true detection and the lowest rate of false detection. For the 32 histogram bin size,
threshold value θ = 2.6 provides the best rates and was used for testing the test set Tt
.
Based on this observation we set the bin sizes to 323
for the histograms and calculated
the performance. In order to observe the distribution of the two classes and observe the
colour normalisation effect (projections on the red axis) cumulative histograms are plotted
in Figure 3 which are projections of the actual histograms that are in 3-d (r,g,b). The test
set performance for θ = 2.6 is shown in Table 1 together with the results of the threshold
method described in [12]. The results show that the Bayesian classifier outperforms
the threshold method. Also, the colour normalisation improves the overall procedure of
Bayesian stained/non-stained pixel classification (Table 1). However, for the threshold
method we were not able to see the normalisation effect since it assumes the peak of the
blue channel minus the peak of the max(red/green) channel gives the illumination bias
which does not hold after normalisation.
Parasite/Non-Parasite Stained Object Classification: Due to the low number of parasites
versus non-parasites in total of 260 images, we have formed 2 separate sets of stained
objects for training (Ta), and testing (Tt) containing 175/1312, 202/1311, parasite/nonparasite
objects respectively. In Ta, the RGB images were indexed with minimum variance
quantisation to have 32 distinct colours, the same indexed colour map is applied to the images
in Tt
. In the correlogram calculations the distance set was D = {1,2,...,8} which

ผลลัพธ์ (ไทย) 1:

รูปที่ 3: (ก) แดงแกนประมาณของฮิสโตแกรม 3d ทิ้งคราบ (แสงเหลือง) และ nonstained(ดำแดง) เรียน, (b) ลงจุดเดียวกัน (a) ใช้ unnormalised รูป ROC (c)เส้นโค้งสำหรับขนาดช่องฮิสโตแกรมที่แตกต่างกันการทดลองที่ 5 และผลจัดประเภทสี/ไม่มีสีพิกเซล: เราจัด 3 ชุดที่แยกต่างหากสำหรับการฝึกอบรม (ตา), ตรวจสอบ(Tθ), และการทดสอบ (Tt) ประกอบด้วย 286041 / 37050319, 205996 / 22705363, 168483 /พิกเซลสี/ไม่มีสี 25209681 ตามลำดับ เนื่องจากฮิสโตแกรมมีความหนาแน่นแบบมีเงื่อนไขเราต้องค้นหาฮิสโตแกรมที่เหมาะสมประมาณช่องเก็บขนาดที่ให้generalisation สูงสุดกับตัวอย่างจำกัด นอกจากนี้ เราต้องกำหนดθค่าขีดจำกัดสำหรับขนาดช่องฮิสโตแกรมที่จะใช้ในการจัดประเภท เหล่านี้สองตัวแปร (ช่องเก็บขนาดและขีดจำกัดค่า) มักจะกำหนด โดยพล็อตตัวรับสัญญาณปฏิบัติลักษณะ (ROC แทน trade-off ระหว่างตรวจจริง และเท็จราคา) ในการทดสอบตรวจสอบ [18] แล้วตัวแปรที่เพิ่มพื้นที่ภายใต้การเส้นโค้ง ROC ที่เลือกสำหรับการทดสอบขั้นสุดท้าย 3(c) รูปแสดงเส้นโค้ง ROC ที่แตกต่างกัน (ในTθ) ขนาดของฮิสโตแกรม (ระดับ quantisation: 128,64,32,16) ตรวจสอบเหล่านี้เส้นโค้ง ROC จึงชัดเจนว่ามีประสิทธิภาพสูงสุดฮิสโตแกรมช่องขนาด 32 ด้วยใหญ่ที่สุดอัตราการตรวจจับจริงและอัตราต่ำสุดของการตรวจสอบเท็จ ขนาดช่อง 32 ฮิสโตแกรมขีดจำกัดค่าθ = 2.6 แสดงราคาดีที่สุด และถูกใช้สำหรับการทดสอบชุดทดสอบ Tt.ตามสังเกตนี้เราตั้งค่าขนาดช่อง 323สำหรับฮิสโตแกรมและประสิทธิภาพการทำงาน เพื่อสังเกตการกระจายของชั้นสอง และปฏิบัติการสี normalisation ผล (ประมาณบนแกนแดง) สะสมฮิสโตแกรมจะลงจุดรูปที่ 3 ซึ่งอยู่ประมาณของฮิสโตแกรมที่แท้จริงที่อยู่ใน 3-d (r, g, b) การทดสอบตั้งประสิทธิภาพสำหรับθ = 2.6 แสดงในตารางที่ 1 พร้อมกับผลลัพธ์ของขีดจำกัดวิธีที่อธิบายไว้ใน [12] ผลลัพธ์แสดง classifier ทฤษฎี outperformsวิธีการจำกัดการ ยัง normalisation สีช่วยเพิ่มกระบวนการโดยรวมของทฤษฎีสี/ไม่มีสีพิกเซลประเภท (ตารางที่ 1) อย่างไรก็ตาม สำหรับขีดจำกัดวิธีเราไม่สามารถเห็นผล normalisation เนื่องจากมันถือว่าการช่องสีฟ้าลบจุดสูงสุดของช่อง max(red/green) ให้อคติรัศมีซึ่งไม่ได้ถือหลัง normalisationปรสิตไม่ปรสิตสีวัตถุประเภท: เนื่องจากจำนวนต่ำสุดของปรสิตเมื่อเทียบกับไม่ปรสิตรวมภาพ 260 เรามีรูปชุดแยก 2 สีวัตถุสำหรับการฝึกอบรม (ตา), และการทดสอบ (Tt) ประกอบด้วย 175/1312, 202/1311, ปรสิต/nonparasiteวัตถุตามลำดับ ในตา ภาพ RGB มีดัชนี มีความแปรปรวนต่ำสุดquantisation มีสีทั้งหมด 32 แผนที่ดัชนีสีเดียวกันกับภาพใน Tt. ในการคำนวณ correlogram ตั้งระยะห่างได้ D = {1, 2,... 8 } ซึ่ง

ผลลัพธ์ (ไทย) 2:

รูปที่ 3 (ก) การคาดการณ์แกนแดง histograms 3 มิติสำหรับการย้อมสี (สีเหลือง) และ nonstained
(สีแดงเข้ม) ชั้นเรียน (ข) พล็อตเดียวกันใน (ก) การใช้ภาพ unnormalised (ค)
ร็อคโค้งสำหรับถังกราฟที่แตกต่างกันขนาด.
5
การทดลองและผลการสี/ ไม่สีการจัดจำแนกพิกเซล: เราเกิดขึ้น 3 ชุดที่แยกต่างหากสำหรับการฝึกอบรม (ตา) ตรวจสอบ
(Tθ) และการทดสอบ (Tt) ที่มี 286041/37050319, 205996/22705363, 168,483 /
25209681 สี / ไม่ -stained พิกเซลตามลำดับ ตั้งแต่ histograms มีความหนาแน่นเงื่อนไขประมาณการเราต้องการที่จะหาขนาดถังกราฟที่เหมาะสมซึ่งมีทั่วไปสูงสุดกับตัวอย่างแน่นอน นอกจากนี้เรามีการกำหนดค่าเกณฑ์θขนาดถัง histogram ซึ่งจะถูกนำมาใช้ในการจัดหมวดหมู่ เหล่านี้สองตัวแปร (ขนาดถังและความคุ้มค่าเกณฑ์) จะถูกกำหนดโดยการวางแผนรับลักษณะการดำเนินงาน(ROC แสดงให้เห็นถึงการออกระหว่างการตรวจสอบความจริงและเท็จอัตรา) ในการทดสอบการตรวจสอบ [18] แล้วตัวแปรที่เพิ่มพื้นที่ใต้ที่โค้ง ROC จะถูกเลือกสำหรับการทดสอบขั้นสุดท้าย รูปที่ 3 (ค) แสดงให้เห็นเส้นโค้งร็อคที่แตกต่างกัน (ในTθ) ขนาดแตกต่างกันของ histograms (ระดับการประมาณ: 128,64,32,16) การตรวจสอบเหล่านี้เส้นโค้ง ROC จะเห็นได้ชัดว่ากราฟที่มีประสิทธิภาพสูงสุดขนาด 32 ถังมีขนาดใหญ่ที่สุดมีอัตราของการตรวจสอบความจริงและอัตราต่ำสุดของการตรวจสอบที่เป็นเท็จ สำหรับขนาดถัง histogram 32, θค่าเกณฑ์ = 2.6 มีอัตราที่ดีที่สุดและถูกนำมาใช้สำหรับการทดสอบการทดสอบชุด Tt. ขึ้นอยู่กับการสังเกตนี้เราตั้งถังขนาด 323 สำหรับ histograms และคำนวณผลการดำเนินงาน เพื่อที่จะสังเกตการกระจายของสองชั้นและสังเกตผลการฟื้นฟูสี (ประมาณการบนแกนสีแดง) histograms สะสมนำมาลงจุดในรูปที่3 ที่มีการคาดการณ์ของ histograms ที่เกิดขึ้นจริงที่อยู่ใน 3-d (R, G, B) . การทดสอบประสิทธิภาพการทำงานที่กำหนดไว้สำหรับθ = 2.6 จะแสดงในตารางที่ 1 ร่วมกับผลของการเกณฑ์วิธีการที่อธิบายไว้ใน[12] ผลการศึกษาพบว่าลักษณนาม Bayesian มีประสิทธิภาพดีกว่าวิธีการเกณฑ์ นอกจากนี้การฟื้นฟูสีช่วยเพิ่มขั้นตอนโดยรวมของเบส์สี / การจัดหมวดหมู่ของพิกเซลที่ไม่ใช่สี (ตารางที่ 1) แต่สำหรับเกณฑ์วิธีการที่เราไม่สามารถที่จะเห็นผลการฟื้นฟูเพราะมันถือว่าสูงสุดของช่องสีฟ้าลบจุดสูงสุดของสูงสุด(สีแดง / สีเขียว) ช่องให้อคติส่องสว่างที่ไม่ได้ถือหลังจากการฟื้นฟู. ปรสิต / ไม่ -Parasite การจำแนกประเภทวัตถุสี: เนื่องจากจำนวนของปรสิตต่ำเมื่อเทียบกับปรสิตที่ไม่ใช่รวม260 ภาพที่เราได้เกิด 2 ชุดแยกต่างหากจากการย้อมสีวัตถุสำหรับการฝึกอบรม(ตา) และการทดสอบ (Tt) ที่มี 175/1312, 202 / 1311 ปรสิต / nonparasite วัตถุตามลำดับ ในตา, ภาพ RGB ถูกจัดทำดัชนีที่มีความแปรปรวนขั้นต่ำการประมาณจะมี32 สีที่แตกต่าง, การจัดทำดัชนีแผนที่สีเดียวกันจะนำไปใช้กับภาพในTt ในการคำนวณระยะทาง Correlogram ชุดเป็น D = {1,2, ... , 8} ซึ่ง

ผลลัพธ์ (ไทย) 3:

รูปที่ 3 ( ก ) สีแดงแกนประมาณการของ 3D ฮิสโตแกรมเปื้อน ( สีเหลืองอ่อน ) และ nonstained
( แดงเข้ม ) เรียน ( 2 ) เดียวกัน ( ) ใช้แปลงใน unnormalised รูปภาพ ( C ) :
โค้งสำหรับที่แตกต่างกัน Histogram บินขนาด .
5 การทดลองและผล
/ ไม่เลอะเปื้อนหมวดหมู่พิกเซล : เราสร้างชุดฝึกแยก 3 ( TA ) ตรวจสอบ
( T θ ) และการทดสอบ ( TT ) ที่มี 37050319 286041 / ,205996 / 22705363 168483 /
, 25209681 / ไม่เลอะเปื้อนพิกเซลตามลำดับ ตั้งแต่ปีมีเงื่อนไขความหนาแน่น
ภาคเราต้องการที่จะหาที่เหมาะสมซึ่งมีความถี่บินขนาด
generalisation สูงสุดด้วยจำนวนที่จำกัด นอกจากนี้ เราต้องกำหนดเกณฑ์ค่า
θสำหรับฮิสโตแกรมบินขนาดซึ่งจะใช้ในการจำแนก เหล่านี้
สองตัวแปร ( ขนาดถังและค่า Threshold ) มักจะกำหนดโดยวางแผนรับ
คุณลักษณะการทำงาน ( ร็อคเป็น trade-off ระหว่างจริงและอัตราการตรวจจับ
เท็จ ) ในการทดสอบการตรวจสอบ [ 18 ] แล้วตัวแปรที่เพิ่มพื้นที่ใต้โค้ง ROC
เลือกการทดสอบขั้นสุดท้าย รูปที่ 3 ( C ) แสดงเส้นโค้ง ROC ที่แตกต่างกัน ( ใน
T θ ) ที่มีขนาดแตกต่างกันของฮิสโตแกรม ( quantisation ระดับ : 128,64,32,16 ) ตรวจสอบเหล่านี้เส้นโค้ง ROC
, มันชัดเจนว่ามีประสิทธิภาพมากที่สุดและกราฟินขนาด 32 กับคะแนนที่ใหญ่ที่สุด
ตรวจจริงและอัตราการตรวจจับเท็จ . สำหรับ 32 ภาพบินขนาดเกณฑ์ค่า
θ = 2.6 มีอัตราที่ดีที่สุดและถูกใช้เพื่อทดสอบชุดทดสอบ TT

ขึ้นอยู่กับการสังเกตนี้เราตั้งถังขยะขนาด 323 สำหรับฮิสโตแกรมคำนวณ

และการแสดง เพื่อสังเกตการกระจายตัวของทั้งสองชั้นเรียนและสังเกต
สีฟื้นฟูผล ( ประมาณการบนแกนแดง ) สะสมฮิสโตแกรมเป็นพล็อต
ในรูปที่ 3 ซึ่งมีการประมาณการของปีจริงที่ในสามมิติ ( R , G , B ) การทดสอบการปฏิบัติสำหรับθ
ชุด = 26 แสดงดังตารางที่ 1 พร้อมกับผลเกณฑ์
วิธีที่อธิบายไว้ใน [ 12 ] พบว่ามีประสิทธิภาพดีกว่าเกณฑ์วิธีแบบเบส์
. นอกจากนี้สีฟื้นฟูปรับปรุงขั้นตอนโดยรวมของระบบไม่เลอะเปื้อน
/ หมวดหมู่พิกเซล ( ตารางที่ 1 ) อย่างไรก็ตาม สำหรับเกณฑ์
วิธีที่เราไม่สามารถที่จะเห็นการฟื้นฟูผลกระทบเนื่องจากถือว่าสูงสุดของ
ฟ้าช่องลบสูงสุดของแม็กซ์ ( แดง / เขียว ) ช่องให้แสงสว่างที่ไม่ถืออคติ

หลังจากการฟื้นฟู . พยาธิปรสิตการจำแนกวัตถุ / ไม่เปรอะเปื้อนเนื่องจากจำนวนน้อยของปรสิต
เมื่อเทียบกับไม่มีปรสิต ในทั้งหมด 260 ภาพ เรามีตั้ง 2 ชุดแยกแอม
วัตถุสำหรับการฝึกอบรม ( TA ) และการทดสอบ ( TT ) ที่มี 175 / 1227 , 202 / คุณ พยาธิ / nonparasite
วัตถุตามลำดับ ในทา , RGB ภาพดัชนีกับ quantisation ความแปรปรวน
ขั้นมี 32 ที่แตกต่างกันสี , สีเดียวกันดัชนีแผนที่ใช้กับภาพใน TT

ใน correlogram การคำนวณระยะทางชุด D = { 1 , 2 , . . . ,
8 } ซึ่ง