(images). The main cause for featur

(images). The main cause for feature wavelet transform to detect edges in the image is the ability choose the size
of the details that will be detected. 2-D image, wavelet analysis was conducted separately from the horizontal
and vertical directions. Therefore, detecting vertical and horizontal edges are separately. Using a separation of
property from DWT, the first part of the decomposition is composed of the application of filters row to the
original image. Then, the filter column has been used for further processing of the image resulting from the first
step. This image decomposition can be described mathematically out of the equation (1).
(1) ܻڄܫڄܺ ൌ ܥ
Where ܥ is the final matrix of wavelet coefficients, ܫ represents an original image, ܺ is a matrix of row filters
and ܻ is a matrix of column filters.
2D DWT decomposition separates the image into four parts, each containing different information of the
original image. The 2-D DWT is an extension of the 1-D DWT in both the horizontal and the vertical direction.
The resulting sub-images from a single iteration of the DWT are labeled as A ( image smoothing the original
image, contains the most information of the original image), H (keeps the horizontal edge details), and V (keeps
edge details vertical) , and D (diagonal keeps the details that are greatly affected by noise), according to the
filters used to generate sub-image . They are called approximation coefficients (LowLow or LL), horizontal
(LowHigh or LH), vertical (HighLow or HL) and detail coefficients (HighHigh or HH) [2, 6]. Approximation
coefficients obtained in the first level can be used for the next decomposition level. Inverse 2D Discrete Wavelet
Transform used in image reconstruction is defined by equation (2) [14, 15].
ܫ௥௘௖ ൌ ܺିଵ ڄܥڄܻିଵ (2)
For the orthogonal matrices this formula can be simplified into equation (3).
(3) ்ܻڄܥڄ ்ܺ ൌ ௖௘௥ܫ
2D DWT decomposition separates the image into four parts, each containing different information of the
original image. Detail coefficients represent the edges in the image, and the approximation coefficients are
assumed to be noise. Modifying the approximation coefficients is the easiest way to detect the edge [14].
3.2.2 Edge detection
Edges indicate the boundaries of objects or between two different regions in an image, which helps with
segmentation and and automatic recognition of object contents. they can show wherever the shadows in an image or
other distinct change within the density of the image.Edge Edge detection is a basic of low-level image
processing.There are many methods for edge detection such as gradient-based edge detectors, Laplacian of Gaussian,
zero crossing, and Canny edge detectors [13, 16]. By using edge detection the following shape features has been
extracted:
• Area: is the actual scalar number of pixels
• Mean gray value: This is the sum of the gray values of all the pixels in the selection divided by the
number of pixels.
• Standard deviation: Standard deviation of the gray values used to generate the mean gray value.
• Center of mass: This is the brightness-weighted average of the x and y coordinates all pixels in the image
or selection. These coordinates are the first order spatial moments.
• Median: The median value of the pixels in the image or selection.
As wavelets are real and continuous in nature and have least root mean-square (RMS) error they are more
suitable for detecting discontinuities and break down points in images, which helps in finding edge of an image.
Asmaa Hashem Sweidan et al. / Procedia Computer Science 65 ( 2015 ) 601 – 611 605
3.3. Support Vector Machines (SVMs)
Support Vector Machines algorithm is a set of supervised learning models that is widely used as a
classification tool in a variety of areas classification and regression analysis of high dimensional datasets as well as
related learning algorithms that analyze data and recognize patterns. Moreover, SVMs is a binary class classification
method that solves problems by attempts to find the optimal hyperplane separation between classes. It depends on the
training cases that are placed on the edge of descriptor class, so-called support vectors, and ignores any other cases.
The nearest vectors from the hyperplane are called the support vectors . SVMs algorithm is based on finding the
hyperplane that gives the largest minimum distance to the training. This distance receives the important name of
margin within SVMs. Therefore, the optimal separating hyperplane maximizes the margin of the training data that
separates a positive class from a negative class [17, 18].
Given a set of ݊ input vectors ݔ௜ and outputs ݕ௜ א ሼെͳǡ ൅ͳሽ, one tries to find a weight vector ݓ and offset ܾ
defining a hyperplane that maximally separates the examples. This can be formalized as the maximize problem in
equation (4).
݉ܽݔ݅݉݅ݖܹ݁ሺߣሻ ൌ σ௡
௝ୀଵ ߣ௝ െ ଵ
ଶ σ௜ǡ௝ୀଵ ߣ௜ߣ௝ݕ௜ݕ௝Ǥ ܭሺݔ௜ǡ ݔ௝ሻ (4)
௡σ ݋ݐ െ ݐ݆ܾܿ݁ݑܵ
ͲǤ ൒ ߣ ൒ ܥ ǡ௝ݕ௝ߣ ୀଵ௝
Where the coefficients ߣ௜ are non-negative. The ݔ௜ with ߣ௜ ൐ Ͳ are called support vectors. ܥ is a parameter
used to trade off the training accuracy and the model complexity so that a superior generalization capability can be
achieved. ܭ is a kernel function transforms the data into a higher dimensional feature space to make it possible to
perform the linear separation. Different choices of kernel functions have been proposed and widely used in the past
and the most popular are the Gaussian radial basis function (RBF), polynomial of a given degree, linear, and multi
layer perception (MLP). These kernels are in general used, independently of the problem, for both discrete and
continuous data. Three key issues need to be take into account when using SVMs: feature selection, kernel function
selection, and the penalty and inner parameters of kernel function selection.

4. The proposed system
In this article, a content-based classification system has been proposed for classifying fish gills microscopic
images based on machine learning classifiers. As Tilipia is pollution resistant species, They are perfect to be used as
biomarker for water pollution. The datasets used for experiments were constructed based on real sample images for
fish gills, in different histopathlogical stages, exposed to copper and water PH. The collected datasets contain
colored JPEG images as 125 images and 45 images were used as training and datasets, respectively. Training dataset
is divided into 4 classes representing the different histopathlogical change and water quality degree.
Features have to be extracted from the dataset images by using digital image processing techniques for localizing
and classifying fish gills in a given image. The proposed approach utilizes shaper feature extraction methods and
SVMs machine learning algorithms for classification of fish gill’s image. It content-based classification approach
consists of three phases; namely pre-processing phase, feature extraction phase, and classification phase, as
described in figure 1.
4.1. Pre-processing phase
During this phase, the proposed approach prepares images for the features extraction phase,It resizes images to
250x250 pixels, in order to reduce their color index, and the background of each image will be removed using
background subtraction technique. Also, each gills image is converted from RGB to gray scale level. The main steps
of pre-processing input images as follows:
1. Input microscopic images dataset
606 Asmaa Hashem Sweidan et al. / Procedia Computer Science 65 ( 2015 ) 601 – 611
2. Resize the input images
3. Remove image background to get region of interest (RoI)
4. Convert images from RGB to gray scale level
5. Apply contrast enhancement, so that the contrast of a microscopic image in a given gray level
descriptors models the spatial relationship of a pixel and its neighbors
Fig .1. Architecture of the proposed system
4.2. Feature extraction
In this phase, after apply pre-processing phase The resulted gray scale image is decomposed using wavelets into
four components as approximation, horizontal, vertical component and diagonal component. It used edge information
for all four components. The proposed approach identifies four maps edge by multiplying four masks with the
approximation component. These are obtained as the following:
x First and second masks are obtained by placing two different thresholds on the horizontal , verti

ผลลัพธ์ (ไทย) 1:

(ภาพ) สาเหตุหลักสำหรับการแปลงคุณลักษณะ wavelet เพื่อตรวจหาขอบในรูปคือ สามารถเลือกขนาดรายละเอียดที่จะตรวจพบ ภาพ 2 มิติ การวิเคราะห์ wavelet ได้ดำเนินการแยกต่างหากจากแนวและทิศทางแนวตั้ง ดังนั้น ตรวจสอบขอบแนวตั้ง และแนวนอนได้ต่างหาก ใช้แยกของประกอบด้วยคุณสมบัติจาก DWT ส่วนแรกของการเน่าของตัวกรองแถวภาพต้นฉบับ แล้ว คอลัมน์ตัวกรองมีการใช้งานของภาพที่เกิดจากครั้งแรกขั้นตอนการ แยกส่วนประกอบรูปภาพนี้สามารถอธิบาย mathematically จากสมการ (1)(1) ܻڄܫڄܺൌܥโดยที่ܥคือ เมตริกซ์ขั้นสุดท้ายของ wavelet สัมประสิทธิ์ ܫแสดงภาพต้นฉบับ ܺเป็นเมทริกซ์ของตัวกรองแถวและܻเป็นเมทริกซ์ของตัวกรองคอลัมน์2D DWT แยกส่วนประกอบแยกภาพออกเป็นสี่ส่วน รายละเอียดต่าง ๆ แต่ละที่มีของภาพต้นฉบับ DWT 2 D เป็นส่วนขยายของ DWT 1 D ในแนวและทิศทางแนวตั้งภาพย่อยเกิดจากการเกิดซ้ำ DWT เดียวจะติดป้ายว่าเป็น (รูปเดิมที่ราบเรียบภาพ ประกอบด้วยรายละเอียดมากที่สุดของภาพต้นฉบับ), H (เน้นรายละเอียดของขอบแนวนอน), และ V (รักษาเอดจ์รายละเอียดแนวตั้ง), และ D (เส้นทแยงมุมช่วยให้รายละเอียดที่มากได้รับผลกระทบจากเสียง), ตามตัวกรองที่ใช้ในการสร้างภาพย่อย พวกเขาจะเรียกประมาณสัมประสิทธิ์ (LowLow หรือ LL), แนวนอน(LowHigh หรือ LH), แนวตั้ง (HighLow หรือ HL) และรายละเอียดค่าสัมประสิทธิ์ (HighHigh หรือชช) [2, 6] ประมาณสามารถใช้ได้ในระดับแรกสัมประสิทธิ์สำหรับระดับถัดไปแยกส่วนประกอบ ผกผัน Wavelet แยกกัน 2Dแปลงที่ใช้ในการฟื้นฟูภาพลักษณ์ถูกกำหนด โดยสมการ (2) [14, 15]ܫ௥௘௖ൌܺିଵڄܥڄܻିଵ (2) สำหรับเมทริกซ์ orthogonal สามารถประยุกต์สูตรนี้ลงในสมการ (3)(3) ்ܻڄܥڄ்ܺൌ௖௘௥ܫ2D DWT แยกส่วนประกอบแยกภาพออกเป็นสี่ส่วน รายละเอียดต่าง ๆ แต่ละที่มีของภาพต้นฉบับ รายละเอียดสัมประสิทธิ์แสดงถึงขอบในรูป และค่าสัมประสิทธิ์ประมาณได้ถือว่าเป็น เสียงรบกวน ปรับเปลี่ยนค่าสัมประสิทธิ์ประมาณเป็นวิธีง่ายที่สุดเพื่อตรวจหาขอบ [14]3.2.2 ตรวจพบขอบขอบระบุขอบเขต ของวัตถุ หรือ ระหว่างสองภูมิภาคในภาพ ซึ่งช่วยให้มีแบ่ง และ และการรับรู้โดยอัตโนมัติของเนื้อหาวัตถุ พวกเขาสามารถแสดงที่ใดก็ตามเงาในภาพ หรือเปลี่ยนแปลงอื่น ๆ ทั้งหมดภายในความหนาแน่นของรูป ตรวจพบขอบขอบเป็นพื้นฐานของภาพต่ำการประมวลผล มีวิธีการมากขอบตรวจเช่นตรวจจับการไล่ระดับสีขอบ Laplacian ของ Gaussianศูนย์ crossing และแหลมขอบจับ [13, 16] โดยตรวจสอบขอบ ลักษณะรูปร่างดังต่อไปนี้ได้แยก:•ที่ตั้ง: จำนวนพิกเซลจริงที่สเกลา•หมายถึง ค่าสีเทา: เป็นผลรวมของค่าสีเทาของพิกเซลทั้งหมดที่เลือกโดยการจำนวนพิกเซล•ส่วนเบี่ยงเบนมาตรฐาน: ส่วนเบี่ยงเบนมาตรฐานของค่าสีเทาที่ใช้ในการสร้างค่าสีเทาที่หมายถึงการ•ศูนย์กลางมวล: เป็นค่าเฉลี่ยถ่วงน้ำหนักความสว่างของ x และ y ประสานทุกพิกเซลในภาพหรือเลือก ช่วงแรกสั่งพื้นที่พิกัดเหล่านี้ได้•มัธยฐาน: ค่ามัธยฐานของพิกเซลในภาพหรือเลือกเป็น wavelets เป็นจริง และต่อเนื่องในธรรมชาติ และมีข้อผิดพลาดของค่าเฉลี่ยกำลังสอง (RMS) รากน้อยที่สุด จะเพิ่มมากขึ้นเหมาะสำหรับการตรวจสอบ discontinuities และแบ่งลงคะแนนในภาพ ซึ่งช่วยในการหาขอบของภาพ Asmaa Hashem Sweidan et al. / วิทยาการคอมพิวเตอร์ Procedia 65 (2015) 601-611 6053.3 การสนับสนุนเวกเตอร์เครื่อง (SVMs)อัลกอริทึมแบบเวกเตอร์เครื่องสนับสนุนคือ ชุดของรูปแบบการเรียนรู้ที่มีที่ใช้กันอย่างแพร่หลายเป็นเครื่องมือการจัดประเภทในหลากหลายพื้นที่จัดประเภทและการถดถอยการวิเคราะห์มิติ datasets สูงเป็นที่เกี่ยวข้องกับอัลกอริทึมที่วิเคราะห์ข้อมูล และจดจำรูปแบบการเรียนรู้ นอกจากนี้ SVMs คือ ประเภทฐานสองชั้นวิธีที่แก้ปัญหาโดยพยายามค้นหาแยก hyperplane เหมาะสมระหว่างเรียน ขึ้นอยู่กับการกรณีอบรมที่วางอยู่บนขอบของตัวอธิบายคลาส เรียกว่า สนับสนุนเวกเตอร์ และละเว้นกรณีอื่น ๆเวกเตอร์ที่ใกล้ที่สุดจาก hyperplane เรียกว่าเวกเตอร์สนับสนุน อัลกอริทึม SVMs ตามค้นหานี้hyperplane ที่ระยะต่ำสุดที่ใหญ่ที่สุดให้การฝึกอบรม ระยะนี้ได้รับชื่อที่สำคัญของระยะขอบภายใน SVMs ดังนั้น hyperplane แยกเหมาะสมวางขอบของข้อมูลการฝึกอบรมที่แยกชั้นบวกจากระดับติดลบ [17, 18]กำหนดชุดของ݊เวกเตอร์อินพุตเอาท์พุตและݔ௜ݕ௜אሼെͳǡ൅ͳሽ หนึ่งพยายามที่จะค้นหาݓเวกเตอร์มีน้ำหนัก และตรงข้ามܾกำหนด hyperplane ที่แยกตัวอย่าง maximally นี้สามารถ formalized เป็นปัญหาขยายสมการ (4)݉ܽݔ݅݉݅ݖܹ݁ሺߣሻൌΣ௡௝ୀଵߣ௝െଵଶΣ௜Ǡ௝ୀଵߣ௜ߣ௝ݕ௜ݕ௝Ǥܭሺݔ௜Ǡݔ௝ሻ (4)௡Σ݋ݐെݐ݆ܾܿ݁ݑܵͲǤ൒ߣ൒ܥǠ௝ݕ௝ߣୀଵ௝ߣ௜สัมประสิทธิ์เป็นค่าลบไม่ ݔ௜กับߣ௜൐Ͳเรียกว่าเวกเตอร์สนับสนุน ܥเป็นพารามิเตอร์ใช้เพื่อค้าถูกต้องฝึกอบรมและความซับซ้อนของรูปแบบเพื่อให้มีความสามารถเหนือกว่า generalization สามารถประสบความสำเร็จ ܭเป็นฟังก์ชันเคอร์เนลแปลงข้อมูลลงในช่องว่างมิติคุณลักษณะสูงเพื่อให้สามารถทำการแยกเส้น ตัวเลือกต่าง ๆ ของฟังก์ชันเคอร์เนลได้นำเสนอ และใช้กันอย่างแพร่หลายในอดีตและเป็นนิยมมากที่สุดฟังก์ชันฐานรัศมี Gaussian (RBF), พหุนามปริญญากำหนด เชิงเส้น และหลายชั้นรู้ (MLP) เมล็ดเหล่านี้โดยทั่วไปใช้ ปัญหา อิสระทั้งเดี่ยว ๆ และข้อมูลอย่างต่อเนื่อง สามประเด็นสำคัญต้องนำเข้าบัญชีเมื่อใช้ SVMs: เลือกคุณลักษณะ ฟังก์ชันเคอร์เนลการเลือก และพารามิเตอร์โทษและในการเลือกฟังก์ชันเคอร์เนลด้วย4. ระบบนำเสนอในบทความนี้ ระบบการจัดประเภทตามเนื้อหาได้รับการเสนอชื่อสำหรับประเภทปลา gills กล้องจุลทรรศน์ภาพตามคำนามภาษาการเรียนรู้ของเครื่อง Tilipia เป็น พันธุ์ที่ทนทานต่อมลภาวะ พวกเขาเหมาะที่จะใช้เป็นไบโอมาร์คเกอร์สำหรับมลพิษทางน้ำ Datasets ที่ใช้สำหรับการทดลองถูกสร้างตามภาพตัวอย่างจริงปลา gills ในขั้นตอนต่าง ๆ histopathlogical สัมผัสกับทองแดงและน้ำ PH ประกอบด้วย datasets รวบรวมสี JPEG รูปภาพ 125 และ 45 ภาพถูกใช้เป็นการฝึกอบรมและ datasets ตามลำดับ ชุดข้อมูลการฝึกอบรมแบ่งออกเป็น 4 ชั้นแทน histopathlogical อื่นเปลี่ยน และน้ำระดับคุณภาพลักษณะการทำงานต้องถูกแยกจากชุดข้อมูลภาพ โดยใช้เทคนิคสำหรับทั้งการประมวลผลภาพดิจิตอลและประเภทปลา gills ในรูปกำหนดให้ วิธีการนำเสนอใช้วิธีการสกัดคุณลักษณะ shaper และเครื่อง SVMs เรียนอัลกอริทึมการจัดรูปเหงือกปลา เรื่องวิธีการจัดประเภทตามเนื้อหาประกอบด้วยขั้นตอนที่สาม ได้แก่ ก่อนการประมวลผลขั้นตอน ขั้นตอนการสกัดคุณลักษณะ และประเภท ระยะ เป็นอธิบายไว้ในรูปที่ 14.1 การประมวลผลเบื้องต้นระยะในระหว่างขั้นตอนนี้ วิธีการนำเสนอเตรียมภาพสำหรับขั้นตอนการสกัดคุณลักษณะ มันปรับขนาดรูป250 x 250 พิกเซล การลดดัชนีสีของพวกเขา และพื้นหลังของภาพแต่ละจะถูกเอาออกโดยใช้เทคนิคการลบพื้นหลัง ยัง แต่ละภาพ gills ถูกแปลงจาก RGB ระดับโทนสีเทา ขั้นตอนหลักการประมวลผลก่อนเข้ารูปเป็นดังนี้:1. ป้อนชุดข้อมูลภาพด้วยกล้องจุลทรรศน์ 606 Asmaa Hashem Sweidan et al. / วิทยาการคอมพิวเตอร์ Procedia 65 (2015) 601-6112. ปรับขนาดรูปสัญญาณ3. เอารูปพื้นหลังจะน่าสนใจ (ร้อย)4. แปลงภาพจาก RGB ระดับโทนสีเทา5. ใช้ปรับความคมชัด ให้ความคมชัดของภาพด้วยกล้องจุลทรรศน์ในระดับสีเทาที่กำหนดตัวบอกรุ่นความสัมพันธ์ปริภูมิของพิกเซลและของเพื่อนบ้านฟิกที่.1 สถาปัตยกรรมของระบบที่เสนอ4.2. คุณลักษณะแยกในระยะนี้ หลังจากใช้ภาพให้โทนสีเทาจะย่อยสลายไปใช้ wavelets เป็นระยะก่อนการประมวลผลส่วนที่สี่เป็นประมาณ แนวนอน แนวตั้งส่วนประกอบและส่วนประกอบเส้นทแยงมุม จะใช้ข้อมูลขอบสำหรับส่วนประกอบทั้งหมด 4 วิธีนำเสนอระบุขอบแผนที่สี่คูณสี่รูปแบบด้วยการส่วนประกอบประมาณ เหล่านี้จะได้รับต่อไปนี้:x แรก และรูปแบบที่สองจะได้รับ โดยการวางขีดจำกัดแตกต่างกันสองบนเวอร์ติคัลแนวนอน

ผลลัพธ์ (ไทย) 2:

(ภาพ)
สาเหตุหลักสำหรับคุณลักษณะแปลงเวฟเล็ตในการตรวจสอบขอบในภาพคือความสามารถในการเลือกขนาดของรายละเอียดที่จะถูกตรวจพบ ภาพ 2
มิติการวิเคราะห์เวฟได้ดำเนินการแยกจากแนวนอนทิศทางและแนวตั้ง ดังนั้นการตรวจหาขอบแนวตั้งและแนวนอนแยกต่างหาก ใช้แยกของทรัพย์สินจากเดทเวทตันส่วนแรกของการสลายตัวที่ประกอบด้วยแอพลิเคชันของตัวกรองแถวกับภาพต้นฉบับ จากนั้นคอลัมน์กรองถูกนำมาใช้สำหรับการประมวลผลต่อไปของภาพที่เกิดจากการเป็นครั้งแรกขั้นตอน การสลายตัวภาพนี้สามารถอธิบายได้ในทางคณิตศาสตร์ออกจากสมการ (1). (1) ܻڄܫڄܺൌܥที่ไหนܥเป็นเมทริกซ์สุดท้ายของสัมประสิทธิ์เวฟܫแสดงให้เห็นถึงภาพเดิมܺเป็นเมทริกซ์ของตัวกรองแถวและܻเป็นเมทริกซ์ของกรองคอลัมน์. สลายตัว DWT 2D แยกภาพออกเป็นสี่ส่วนแต่ละที่มีข้อมูลที่แตกต่างของภาพต้นฉบับ 2-D เดทเวทตันเป็นส่วนขยายของ DWT 1-D ทั้งในแนวนอนและแนวตั้ง. ภาพย่อยที่เกิดจากการย้ำเดียวของระวางที่มีการระบุว่าเป็น A (ภาพเรียบเดิมภาพที่มีข้อมูลมากที่สุดของภาพต้นฉบับ) H (เก็บรายละเอียดขอบแนวนอน) และ V (เก็บรายละเอียดขอบแนวตั้ง) และ D (เส้นทแยงมุมช่วยให้รายละเอียดที่ได้รับผลกระทบอย่างมากจากเสียง) ตามที่ตัวกรองใช้ในการสร้างภาพย่อย พวกเขาจะเรียกค่าสัมประสิทธิ์ประมาณ (LowLow หรือ LL), แนวนอน(LowHigh หรือ LH) แนวตั้ง (HighLow หรือ HL) และค่าสัมประสิทธิ์รายละเอียด (HighHigh หรือเอชเอช) [2, 6] การประมาณค่าสัมประสิทธิ์ที่ได้รับในระดับแรกที่สามารถใช้สำหรับการสลายตัวในระดับต่อไป ผกผัน 2D เนื่องเวฟTransform ใช้ในการฟื้นฟูบูรณะภาพจะถูกกำหนดโดยสมการ (2) [14, 15]. ܫ௥௘௖ൌܺିଵڄܥڄܻିଵ (2) สำหรับการฝึกอบรมมุมฉากสูตรนี้ได้ง่ายเป็นสมการ (3). (3) ்ܻڄܥڄ்ܺൌ௖௘௥ܫสลายตัว2D DWT แยกภาพออกเป็นสี่ส่วนแต่ละที่มีข้อมูลที่แตกต่างของภาพต้นฉบับ ค่าสัมประสิทธิ์รายละเอียดเป็นตัวแทนของขอบในภาพและค่าสัมประสิทธิ์การประมาณที่มีการสันนิษฐานว่าจะเป็นเสียง การปรับเปลี่ยนค่าสัมประสิทธิ์การประมาณเป็นวิธีที่ง่ายที่สุดในการตรวจสอบขอบ [14]. 3.2.2 การตรวจสอบขอบขอบบ่งบอกถึงขอบเขตของวัตถุหรือระหว่างสองภูมิภาคที่แตกต่างกันในภาพซึ่งจะช่วยให้มีการแบ่งส่วนและอัตโนมัติและการรับรู้ของเนื้อหาวัตถุ พวกเขาสามารถแสดงที่ใดก็ตามที่เงาในภาพหรือการเปลี่ยนแปลงที่แตกต่างอื่น ๆ ในความหนาแน่นของการตรวจจับขอบ image.Edge เป็นพื้นฐานของภาพในระดับต่ำ processing.There วิธีการมากมายสำหรับการตรวจหาขอบเช่นเครื่องตรวจจับขอบลาดตาม Laplacian ของ เสียน, ศูนย์ข้ามและเครื่องตรวจจับขอบแสนรู้ [13, 16] โดยใช้การตรวจหาขอบคุณสมบัติรูปร่างดังต่อไปนี้ได้รับการสกัด: •พื้นที่: เป็นจำนวนเกลาจริงของพิกเซล•หมายถึงค่าสีเทา: นี่คือผลรวมของค่าสีเทาพิกเซลทั้งหมดในการเลือกหารด้วย. จำนวนพิกเซล• ส่วนเบี่ยงเบนมาตรฐาน: ค่าเบี่ยงเบนมาตรฐานของค่าสีเทาที่ใช้ในการสร้างค่าเฉลี่ยสีเทา. •ศูนย์มวล: นี่เป็นค่าเฉลี่ยถ่วงน้ำหนักความสว่างของ x y ที่และพิกัดพิกเซลทั้งหมดในภาพหรือการเลือก พิกัดเหล่านี้เป็นลำดับแรกช่วงเวลาอวกาศ. •ค่ามัธยฐาน: ค่าเฉลี่ยของพิกเซลในภาพหรือเลือก. ในฐานะที่เป็นคลื่นเป็นจริงและต่อเนื่องในธรรมชาติและมีรากน้อยเฉลี่ยตาราง (RMS) ข้อผิดพลาดที่พวกเขามีความเหมาะสมสำหรับการตรวจสอบต่อเนื่องและทำลายลงคะแนนในภาพซึ่งจะช่วยในการหาขอบภาพ. Asmaa Hashem Sweidan et al, / Procedia วิทยาการคอมพิวเตอร์ 65 (2015) 601 - 611 605 3.3 สนับสนุนเวกเตอร์เครื่อง (SVMs) ขั้นตอนวิธีการสนับสนุนเวกเตอร์เครื่องเป็นชุดของรูปแบบการเรียนรู้ภายใต้การดูแลที่ถูกนำมาใช้อย่างกว้างขวางว่าเป็นเครื่องมือที่มีการจัดหมวดหมู่ในความหลากหลายของการจำแนกพื้นที่และการวิเคราะห์การถดถอยของชุดข้อมูลมิติสูงเช่นเดียวกับขั้นตอนวิธีการเรียนรู้ที่เกี่ยวข้องที่วิเคราะห์ข้อมูลและรับรู้รูปแบบ. นอกจากนี้จำแนกเป็นการจำแนกระดับไบนารีวิธีที่แก้ปัญหาโดยพยายามที่จะหาแยกไฮเปอร์เพลนที่ดีที่สุดระหว่างเรียน มันขึ้นอยู่กับกรณีการฝึกอบรมที่จะถูกวางไว้บนขอบของระดับอธิบายที่เรียกว่าพาหะสนับสนุนและไม่สนใจกรณีอื่น ๆ . เวกเตอร์ที่ใกล้ที่สุดจากไฮเปอร์เพลนที่เรียกว่าพาหะสนับสนุน ขั้นตอนวิธีการจำแนกจะขึ้นอยู่กับการหาไฮเปอร์เพลนที่ให้ระยะทางขั้นต่ำที่ใหญ่ที่สุดในการฝึกอบรม ระยะนี้ได้รับชื่อที่สำคัญของอัตรากำไรขั้นต้นภายใน SVMs ดังนั้นการที่ดีที่สุดแยกไฮเปอร์เพลช่วยเพิ่มอัตรากำไรขั้นต้นของข้อมูลการฝึกอบรมที่แยกชั้นในเชิงบวกจากระดับที่เป็นลบ [17, 18]. ได้รับชุดของ݊เวกเตอร์ป้อนข้อมูลݔ௜และผลݕ௜אሼെͳǡ൅ͳሽหนึ่งพยายามที่จะหา น้ำหนักเวกเตอร์ݓและชดเชยܾกำหนดไฮเปอร์เพลที่สุดที่แยกตัวอย่างที่ นี้สามารถเป็นทางการเป็นปัญหาที่ขยายในสมการ (4). ݉ܽݔ݅݉݅ݖܹ݁ሺߣሻൌุ௡௝ୀଵߣ௝െଵଶุ௜ǡ௝ୀଵߣ௜ߣ௝ݕ௜ݕ௝Ǥܭሺݔ௜ǡݔ௝ሻ (4) ௡σ ݋ݐെݐ݆ܾܿ݁ݑܵͲǤ൒ߣ൒ܥǡ௝ݕ௝ߣୀଵ௝ที่ไหนสัมประสิทธิ์ߣ௜เป็นเชิงลบ ݔ௜กับߣ௜൐Ͳจะเรียกว่าพาหะสนับสนุน ܥเป็นพารามิเตอร์ที่ใช้ในการค้าปิดการฝึกอบรมความถูกต้องและความซับซ้อนรูปแบบเพื่อให้ความสามารถที่เหนือกว่าทั่วไปสามารถประสบความสำเร็จ ܭเป็นหน้าที่เคอร์เนลแปลงข้อมูลลงในพื้นที่คุณลักษณะมิติที่สูงขึ้นจะทำให้มันเป็นไปได้ที่จะดำเนินการแยกเชิงเส้น ทางเลือกที่แตกต่างกันของฟังก์ชันเคอร์เนลได้รับการเสนอและใช้กันอย่างแพร่หลายในอดีตที่ผ่านมาและเป็นที่นิยมมากที่สุดฟังก์ชั่นพื้นฐานเสียนรัศมี (RBF) พหุนามของระดับได้รับการเชิงเส้นและหลายการรับรู้ชั้น(MLP) เมล็ดเหล่านี้จะถูกนำมาใช้โดยทั่วไปเป็นอิสระจากปัญหาที่เกิดขึ้นทั้งต่อเนื่องและข้อมูลอย่างต่อเนื่อง สามประเด็นสำคัญที่จะต้องมีการคำนึงถึงเมื่อใช้ SVMs: เลือกคุณลักษณะฟังก์ชันเคอร์เนลเลือกและการลงโทษและพารามิเตอร์ด้านในของเมล็ดเลือกฟังก์ชั่น. 4 ระบบที่นำเสนอในบทความนี้เป็นระบบการจำแนกเนื้อหาตามที่ได้รับการเสนอให้แบ่งประเภทของเหงือกปลากล้องจุลทรรศน์ภาพขึ้นอยู่กับการเรียนรู้เครื่องลักษณนาม ในฐานะที่เป็นมลพิษ Tilipia สายพันธุ์ทนพวกเขาจะเหมาะที่จะใช้เป็นbiomarker สำหรับมลพิษทางน้ำ ชุดข้อมูลที่ใช้ในการทดลองที่สร้างขึ้นอยู่กับภาพตัวอย่างที่แท้จริงสำหรับเหงือกปลาในขั้นตอนที่แตกต่างกัน histopathlogical สัมผัสกับทองแดงและน้ำ PH ชุดข้อมูลที่เก็บรวบรวมได้มีภาพ JPEG สีเป็นภาพที่ 125 และ 45 ภาพที่ถูกนำมาใช้กับการฝึกอบรมและชุดข้อมูลตามลำดับ ชุดการฝึกอบรมแบ่งออกเป็น 4 ชั้นเรียนที่เป็นตัวแทนของการเปลี่ยนแปลงที่แตกต่างกัน histopathlogical และระดับคุณภาพน้ำ. คุณสมบัติจะต้องมีการสกัดจากภาพชุดข้อมูลโดยใช้เทคนิคการประมวลผลภาพดิจิตอลสำหรับ localizing และจำแนกเหงือกปลาในภาพที่กำหนด วิธีการที่นำเสนอใช้วิธีการสกัดคุณลักษณะจำลองและเครื่องจำแนกขั้นตอนวิธีการเรียนรู้สำหรับการจัดหมวดหมู่ของภาพเหงือกปลา วิธีการจัดหมวดหมู่ของมันเนื้อหาประกอบด้วยสามขั้นตอน; คือขั้นตอนก่อนการประมวลผลขั้นตอนการดึงและขั้นตอนการจัดหมวดหมู่ตามที่อธิบายไว้ในรูปที่ 1. 4.1 ขั้นตอนก่อนการประมวลผลในระหว่างขั้นตอนนี้วิธีการที่นำเสนอภาพเตรียมความพร้อมสำหรับขั้นตอนการสกัดคุณสมบัติปรับขนาดภาพให้250x250 พิกเซลเพื่อลดดัชนีสีของพวกเขาและพื้นหลังของภาพแต่ละภาพจะถูกลบออกโดยใช้เทคนิคการลบพื้นหลัง นอกจากนี้แต่ละภาพเหงือกถูกแปลงจาก RGB สีเทาขนาดระดับ ขั้นตอนหลักของภาพการป้อนข้อมูลก่อนการประมวลผลดังต่อไปนี้: 1 การป้อนข้อมูลภาพด้วยกล้องจุลทรรศน์ชุด606 Asmaa Hashem Sweidan et al, / Procedia วิทยาการคอมพิวเตอร์ 65 (2015) 601 - 611 2. ปรับขนาดภาพการป้อนข้อมูล3 ลบภาพพื้นหลังที่จะได้รับในภูมิภาคที่น่าสนใจ (ROI) 4 แปลงภาพจาก RGB สีเทาขนาดระดับ5 นำไปใช้เพิ่มประสิทธิภาพความคมชัดเพื่อให้ความคมชัดของภาพด้วยกล้องจุลทรรศน์ในระดับสีเทาได้รับการอธิบายรูปแบบความสัมพันธ์เชิงพื้นที่ของพิกเซลและเพื่อนบ้านของรูปที่0.1 สถาปัตยกรรมของระบบที่นำเสนอ4.2 ดึงในระยะนี้หลังจากที่ใช้ขั้นตอนก่อนการประมวลผลส่งผลให้ภาพระดับสีเทาจะถูกย่อยสลายโดยใช้แสงเข้าไปในสี่ส่วนเป็นประมาณแนวนอนแนวตั้งและองค์ประกอบองค์ประกอบในแนวทแยง จะใช้ข้อมูลที่ขอบทั้งสี่องค์ประกอบ วิธีการที่นำเสนอระบุขอบสี่แผนที่โดยการคูณสี่มาสก์ที่มีส่วนประกอบประมาณ เหล่านี้จะได้รับต่อไปนี้: x แรกและมาสก์ที่สองจะได้รับโดยการวางเกณฑ์ทั้งสองแตกต่างกันในแนวนอน Verti




































































%