First and second masks are obtained

First and second masks are obtained by placing two different thresholds on the horizontal , vertical, and
diagonal components. Two different thresholds are used in this approach to get more edge information.
x Third mask is obtained by looking at the maximum pixel value of the horizontal , vertical, and diagonal
components.
x Forth mask is obtained by finding the max intensity pixels among h, v and d components and by multiplying
with approximation component.
Steps of Edge detection with wavelet that show the details of the feature extraction are describes as follows:
Asmaa Hashem Sweidan et al. / Procedia Computer Science 65 ( 2015 ) 601 – 611 607
1. After pre-processing phase Decompose the image using wavelets.
2. Get approximation a, horizontal y, vertical v and diagonal d components.
3. Filter out the strong edges of horizontal, vertical and diagonal components by using T1ߛ and T2ߛ
where T is threshold and ߛ is the standard deviation of respected image.
4. Obtain first edge map by applying T1ߛ on h, v and d components and combining them and then
multiplying the resulting mask with the approximation component.
5. Repeat step5 on T2ߛ
6. Repeat step5 on T1ߛ and T2ߛ
7. Repeat step5 on finding the max intensity pixels among h, v and d components and by multiplying
with approximation component
In this paper moment invariants are used to represent a shape . Feature vectors are calculated for input image
and image data base. shape feature vector are given by equations (5-11).
߶ሺͳሻ ൌ ߟଶ଴ ൅ ߟ଴ଶ (5)

߶ሺʹሻ ൌ ሺߟଶ଴ െ ߟ଴ଶሻଶ ൅ Ͷߟଵଵ
ଶ (6)

߶ሺ͵ሻ ൌ ሺߟଷ଴ െ ͵ߟଵଶሻଶ ൅ ሺ͵ߟଶଵ െ ߟ଴ଷሻଶ (7)

߶ሺͶሻ ൌ ሺߟଷ଴ ൅ ߟଵଶሻଶ ൅ ሺߟଶଵ ൅ ߟ଴ଷሻଶ (8)
߶ሺͷሻ ൌ ሺߟଷ଴ െ ͵ߟଵଶሻሺߟଷ଴ ൅ ߟଵଶሻሾሺߟଷ଴ ൅ ߟଵଶሻଶ െ ͵ሺߟଶଵ ൅ ߟ଴ଷሻଶሿ ൅ ሺ͵ߟଶଵ െ ߟ଴ଷሻሺߟଶଵ ൅ ߟ଴ଷሻሾ͵ሺߟଷ଴ ൅
ߟଵଶሻଶ െ ሺߟଶଵ ൅ ߟ଴ଷሻଶሿሺͻሻ
߶ሺ͸ሻ ൌ ሺߟଶ଴ െ ߟ଴ଶሻሾሺߟଷ଴ ൅ ߟଵଶሻଶ െ ሺߟଶଵ ൅ ߟ଴ଷሻଶሿ ൅ Ͷߟଵଵሺߟଷ଴ ൅ ߟଵଶሻሺߟଶଵ ൅
ߟ଴ଷሻሺͳͲሻ
߶ሺ͹ሻ ൌ ሺ͵ߟଶଵ െ ߟ଴ଷሻሺߟଷ଴ ൅ ߟଵଶሻሾሺߟଷ଴ ൅ ߟଵଶሻଶ െ ͵ሺߟଶଵ ൅ ߟ଴ଷሻଶሿ െ ሺߟଷ଴ െ ͵ߟଵଶሻሺߟଶଵ ൅ ߟ଴ଷሻሾ͵ሺߟଷ଴
൅ߟଵଶሻଶ െ ሺߟଶଵ ൅ ߟ଴ଷሻଶሿሺͳͳሻ
The PCA algorithm has been utilized for feature extraction. PCA transformed space contribution to the sub-spaces
to reduce the dimensions. Then, it turns the contribution of space in sub-spaces to reduce the dimensions. A shape
feature vector will be formed as a four edge maps.
4.3. Classification phase
In this stage, SVMs classifier is used for classification of feature vectors from features extracted stage via
classifying input image using a trained model. This phase employs retrieving all the best matching images from the
matching class of the input image, whereas the outputs are the corresponding water quality degree equivalent to each
image in the testing dataset. The proposed approach addresses a multi-class problem where a variety of techniques
was used for decomposition of the multi-class problem into several binary problems using SVMs as binary classifiers.
In this research, We used one-against-all approach with 10-fold cross validation to solve a multi-class problems.
Algorithm (1) shows the details about the classification algorithm.
5. Experimental Analysis and Discussion
Nile Tilipia "Oreochromis niloticus” is pollution resistant species ideal for biomarker of water pollution. The
datasets used for experiments were constructed based on real sample microscopic images for fish gills in different
histopathlogical change stages exposed to copper and water pH.
Fish images were collected from Abbassa farm, Abo-Hammad, Sharkia Governote, Egypt. Some samples of both
training and testing datasets are shown in fig. 2. Training dataset is divided into 4 classes representing the different
608 Asmaa Hashem Sweidan et al. / Procedia Computer Science 65 ( 2015 ) 601 – 611
water quality degrees; namely excellent quality, good quality, moderate quality, and bad quality [19], as shown in fig.
3
Algorithm (1) Feature selection and classifier training
Fig.2. Examples of training and testing fish gills microscopic images
x Excellent water quality: showing primary filament (F) and secondary lamellae (L) arising from these,
parallel to each other and perpendicular to the filament axis, as shown in figure 3.a.
x Good water quality: where fish exposed to copper at pH 9 were more or less similar to those of control
group, as shown in figure 3.b.
x Moderate water quality: where fish exposed to copper at pH 7 showing hyperplasia of the primary lamellae
with complete fusion of the secondary lamellaeand shortened , as shown in figure 3.c.
x Bad water quality: where fish exposed to copper at pH 5 Drooping and shortening of some of the
secondary lamellae , as shown in figure 3.d.
Input: Training data as example ܺ଴ ൌ ሾݔͳǡ ݔʹǡ Ǥ Ǥ Ǥ ݔ݈ሿ
்
Initialize: Index for selected features: f=[1,2,...n]
Train the SVMs classifier using samples ܺ଴
For t=1,...,T do
Compute the ranking criteria according to the trained SVMs
Select the top ܯ௧features, and eliminate the other features
Restrict training examples to selected feature
Construct ܰ binary SVMs.
Each SVM separates one class from the rest classes
Train the ݅
௧௛ SVM with all training samples of the ݅
௧௛ class with positive
labels, and training samples of other classes with negative labels
End for
Output: Classify the water quality degree
Asmaa Hashem Sweidan et al. / Procedia Computer Science 65 ( 2015 ) 601 – 611 609
Fig. 3. Examples of water quality degrees
The proposed approach was tested using different number of training images per class. The used features for
classification is shape feature extraction based on edge detection and wavelet transform. Moreover, SVMs algorithm
was employed with different kernel functions that are: Linear kernel, radial basis function (RBF) kernel, and MultiLayer
Perceptron (MLP) kernel for for water quality degree classification.
Figure 4 depicts experimental results that show classification accuracy obtained via applying each kernel function
considering 10, 20, 30, and 35 training images per class. The results of the proposed classification approach were
evaluated against human expert assessment for measuring obtained accuracy. As shown in figure 4, with the linear
kernel function being used for SVMs algorithm and the number of training images per class is 35, the proposed
classification approach achieved 95.41 Ψ accuracy for all water quality degrees. The accuracy is computed using
equation (12).
ݏ݁݃ܽ݉݅ ݂݀݁݅݅ݏݏ݈ܽܿ ݕ݈ݐܿ݁ݎݎ݋͓ܿ ൌ ݕܿܽݎݑܿܿܽ
ͳͲͲሺͳʹሻ כ ݏ݁݃ܽ݉݅ ݃݊݅ݐݏ݁ݐ͓
Many points of research assessing water pollution based on using fish gill microscopic images as biomarker
but this research using experimental laboratory as in paper [10]. However, none of them used not computer-based
system on the experimented dataset(s). So, to the best of our knowledge, this article is the first research work aims at
highlighting the most appropriate classification algorithm, for classifying water quality degree using fish gills
Figure 4: SVMs classification with different kernel functions &10-fold cross validation accuracy
results
610 Asmaa Hashem Sweidan et al. / Procedia Computer Science 65 ( 2015 ) 601 – 611
microscopic images as biomarker for assessing water pollution based on the shape features.
6. Conclusions and Future Work
In these studies, many feature extraction and classification approaches were used. In this study is designed
for fulfilling the system and testing the performance of the proposed Method for classification of fish gills in
microscopic images. The proposed approach consists of three main phases; pre-processing, feature extraction and
classification phase. edge detection and wavelet transform as shape feature vectors are combined to extract feature
and used as a PCA inputs for transformation. Finally, SVMs with 10 cross validation model is developed for water
quality degree classification. Based on the obtained results, water quality degree classification accuracy is 95.41%
using SVMs linear kernel function.
This research is intended to highlight the capabilities of usage of image classification technique based on fish
gills as biomarker for water quality. We aim to improve the understanding of fish gills as biomarker and effects of
fish on water quality.
REFERENCES
1. Reddy P, Rawat S. S, Assessment of Aquatic Pollution Using Histopathology in Fish as a Protocol,
International Research Journal of Environment Sciences, vol. 2, no. 8, pp. 79-82, 2013.
2. Rachel Ann Hauser-Davis, Reinaldo Calixto de Campos, and Roberta Louren Ziolli Fish Metalloproteins as
Biomarkers of Environmental Contamination, Springer., vol. 218, pp. 101–123, 2012.
3. Wael A. Omar, Khalid H. Zaghloul, Amr A. Abdel-Khalek, and S. Abo-Hegab, Risk Assessment and Toxic
Effects of Metal Pollution in Two Cultured and Wild Fish Species from Highly Degraded Aquatic Habitats,
Archives of environmental contamination and toxicology , vol. 65, no. 4, pp. 753-764,2013.
4. Abdolreza Jahanbakhshi and Aliakbar Hedayati, Gill histopathological changes in Great sturgeon after
exposure to crude and water soluble fraction of diesel oil, Comparative Clinical Pathology, vol. 22, no. 6, pp.
1083–1086,2013.
5. Morina Valon,Aliko Valbona, Eldores Sula, Gavazaj Fahri,Kastrati Dhurata and Cakaj Fatmir,
Histopathologic Biomarker of Fish Liver as Good Bioindicator of Water Pollution in Sitnica River, Kosovol,
Global Journal Of Science Frontier Research , vol. 13 , no. 5,2013.
6. Iman M.K. Abumourad, Mohammad M.N. Authman and Wafaa T. Abbas, Heavy Metal Pollution and
Metallothionein Expression: A Survey on Egyptian Tilapia Farmsl, Journal of Applied Sciences Research, vol. 9,
no. 1, pp. 612-619,2013.
7. Freylan Mena Torres, Maria Azzopardi, Sascha Pfenn

ผลลัพธ์ (ไทย) 1:

รูปแบบหนึ่ง และสองจะได้รับ โดยการวางขีดจำกัดแตกต่างกันสองบนแนวนอน แนวตั้ง และส่วนประกอบของเส้นทแยงมุม ขีดจำกัดแตกต่างกันสองจะใช้ในวิธีนี้สามารถหาข้อมูลขอบx สามรูปแบบจะได้รับ โดยดูที่ค่าพิกเซลสูงสุดแนวตั้ง แนวนอน และเส้นทแยงมุมคอมโพเนนต์x ออกรูปแบบได้รับมา โดยการค้นหาพิกเซลความเข้มสูงสุดระหว่างคอมโพเนนต์ h, v และ d และคูณมีส่วนประกอบประมาณขั้นตอนของการตรวจสอบขอบกับ wavelet ที่แสดงรายละเอียดสกัดคุณลักษณะมีอธิบายดังนี้: Asmaa Hashem Sweidan et al. / วิทยาการคอมพิวเตอร์ Procedia 65 (2015) 601-611 6071. หลังจากประมวลผลก่อนระยะ Decompose ภาพโดยใช้ wavelets2. ได้รับการประมาณการ แนวนอน y, v แนวตั้ง และส่วนประกอบ d เส้นทแยงมุม3. กรองส่วนประกอบแนวนอน แนวตั้ง และแนวทแยงมุมขอบแข็งแรง โดยใช้ T1ߛ และ T2ߛโดยที่ T คือ ขีดจำกัดและߛคือ ส่วนเบี่ยงเบนมาตรฐานของรูปเคารพ4. ได้รับแรกขอบแผนที่ โดยใช้ T1ߛ กับ h, v และ d ส่วนประกอบ และรวมพวกเขาแล้วคูณรูปแบบผลลัพธ์ โดยประมาณส่วนประกอบ5. ทำซ้ำ step5 ใน T2ߛ6. ทำซ้ำ step5 T1ߛ และ T2ߛ7. ทำซ้ำ step5 ในการค้นหาพิกเซลที่ความเข้มสูงสุดส่วนประกอบของ h, v และ d และคูณมีส่วนประกอบประมาณในเอกสารนี้ invariants เวลาจะใช้เพื่อแสดงรูปร่าง คำนวณเวกเตอร์ลักษณะเข้ารูปand image data base. shape feature vector are given by equations (5-11).߶ሺͳሻ ൌ ߟଶ଴ ൅ ߟ଴ଶ (5)߶ሺʹሻ ൌ ሺߟଶ଴ െ ߟ଴ଶሻଶ ൅ Ͷߟଵଵଶ (6)߶ሺ͵ሻ ൌ ሺߟଷ଴ െ ͵ߟଵଶሻଶ ൅ ሺ͵ߟଶଵ െ ߟ଴ଷሻଶ (7)߶ሺͶሻ ൌ ሺߟଷ଴ ൅ ߟଵଶሻଶ ൅ ሺߟଶଵ ൅ ߟ଴ଷሻଶ (8)߶ሺͷሻ ൌ ሺߟଷ଴ െ ͵ߟଵଶሻሺߟଷ଴ ൅ ߟଵଶሻሾሺߟଷ଴ ൅ ߟଵଶሻଶ െ ͵ሺߟଶଵ ൅ ߟ଴ଷሻଶሿ ൅ ሺ͵ߟଶଵ െ ߟ଴ଷሻሺߟଶଵ ൅ ߟ଴ଷሻሾ͵ሺߟଷ଴ ൅ߟଵଶሻଶ െ ሺߟଶଵ ൅ ߟ଴ଷሻଶሿሺͻሻ߶ሺ͸ሻ ൌ ሺߟଶ଴ െ ߟ଴ଶሻሾሺߟଷ଴ ൅ ߟଵଶሻଶ െ ሺߟଶଵ ൅ ߟ଴ଷሻଶሿ ൅ Ͷߟଵଵሺߟଷ଴ ൅ ߟଵଶሻሺߟଶଵ ൅ߟ଴ଷሻሺͳͲሻ߶ሺ͹ሻ ൌ ሺ͵ߟଶଵ െ ߟ଴ଷሻሺߟଷ଴ ൅ ߟଵଶሻሾሺߟଷ଴ ൅ ߟଵଶሻଶ െ ͵ሺߟଶଵ ൅ ߟ଴ଷሻଶሿ െ ሺߟଷ଴ െ ͵ߟଵଶሻሺߟଶଵ ൅ ߟ଴ଷሻሾ͵ሺߟଷ଴൅ߟଵଶሻଶ െ ሺߟଶଵ ൅ ߟ଴ଷሻଶሿሺͳͳሻThe PCA algorithm has been utilized for feature extraction. PCA transformed space contribution to the sub-spacesto reduce the dimensions. Then, it turns the contribution of space in sub-spaces to reduce the dimensions. A shapefeature vector will be formed as a four edge maps.4.3. Classification phaseIn this stage, SVMs classifier is used for classification of feature vectors from features extracted stage viaclassifying input image using a trained model. This phase employs retrieving all the best matching images from thematching class of the input image, whereas the outputs are the corresponding water quality degree equivalent to eachimage in the testing dataset. The proposed approach addresses a multi-class problem where a variety of techniqueswas used for decomposition of the multi-class problem into several binary problems using SVMs as binary classifiers.In this research, We used one-against-all approach with 10-fold cross validation to solve a multi-class problems.Algorithm (1) shows the details about the classification algorithm.5. Experimental Analysis and DiscussionNile Tilipia "Oreochromis niloticus” is pollution resistant species ideal for biomarker of water pollution. Thedatasets used for experiments were constructed based on real sample microscopic images for fish gills in differenthistopathlogical change stages exposed to copper and water pH.Fish images were collected from Abbassa farm, Abo-Hammad, Sharkia Governote, Egypt. Some samples of bothtraining and testing datasets are shown in fig. 2. Training dataset is divided into 4 classes representing the different 608 Asmaa Hashem Sweidan et al. / Procedia Computer Science 65 ( 2015 ) 601 – 611water quality degrees; namely excellent quality, good quality, moderate quality, and bad quality [19], as shown in fig.3เลือกอัลกอริทึม (1) ลักษณะการทำงานและฝึกอบรม classifierFig.2 ตัวอย่างของการฝึกอบรม และทดสอบปลา gills ภาพด้วยกล้องจุลทรรศน์x คุณภาพดีน้ำ: แสดงหลักใย (F) และรอง lamellae (L) เกิดจากเหล่านี้3.a ขนานกับแต่ละอื่น ๆ และตั้งฉากกับแกนใย เป็นแสดงในรูปx คุณภาพดีน้ำ: ที่ปลาสัมผัสกับทองแดงที่ pH 9 ได้มากหรือน้อยคล้ายกับผู้ควบคุมกลุ่ม ดังที่แสดงในรูปที่ 3.bคุณภาพน้ำปานกลาง x: ที่ปลาสัมผัสกับทองแดงที่ pH การเจริญเกินแสดง 7 ของ lamellae หลักมีอาหารที่สมบูรณ์ของ lamellaeand รองตัดให้สั้นลง ดังที่แสดงในรูปที่ 3.cx คุณภาพน้ำไม่ดี: ที่ปลาสัมผัสกับทองแดงที่ pH 5 Drooping และทำให้สั้นของบางlamellae รอง เป็นแสดงในรูป 3.dป้อนข้อมูล: ข้อมูลการฝึกอบรมเป็นอย่างܺ଴ൌሾݔͳǡݔʹǡǤǤǤݔ݈ሿ்เริ่มต้น: ดัชนีสำหรับคุณลักษณะที่เลือก: f = [1, 2,... n]รถไฟ classifier SVMs ใช้ܺ଴ตัวอย่างสำหรับ t = 1,..., โด Tคำนวณเกณฑ์การจัดอันดับตาม SVMs ฝึกเลือก ܯ௧features ด้านบน และกำจัดคุณลักษณะอื่น ๆตัวอย่างการฝึกอบรมเพื่อเลือกคุณลักษณะจำกัดสร้างܰ SVMs ไบนารีSVM แต่ละแยกชั้นจากชั้นอื่น ๆรถไฟ݅௧௛ SVM มีตัวอย่างการฝึกอบรมทั้งหมดของ݅ระดับ௧௛บวกป้ายชื่อ และตัวอย่างการฝึกของชั้นเรียนอื่น ๆ ด้วยป้ายชื่อที่ติดลบสิ้นสุดสำหรับแสดงผล: จำแนกระดับคุณภาพน้ำ Asmaa Hashem Sweidan et al. / Procedia Computer Science 65 ( 2015 ) 601 – 611 609Fig. 3. Examples of water quality degreesThe proposed approach was tested using different number of training images per class. The used features forclassification is shape feature extraction based on edge detection and wavelet transform. Moreover, SVMs algorithmwas employed with different kernel functions that are: Linear kernel, radial basis function (RBF) kernel, and MultiLayerPerceptron (MLP) kernel for for water quality degree classification.Figure 4 depicts experimental results that show classification accuracy obtained via applying each kernel functionconsidering 10, 20, 30, and 35 training images per class. The results of the proposed classification approach wereevaluated against human expert assessment for measuring obtained accuracy. As shown in figure 4, with the linearkernel function being used for SVMs algorithm and the number of training images per class is 35, the proposedclassification approach achieved 95.41 Ψ accuracy for all water quality degrees. The accuracy is computed usingequation (12).ݏ݁݃ܽ݉݅ ݂݀݁݅݅ݏݏ݈ܽܿ ݕ݈ݐܿ݁ݎݎ݋͓ܿ ൌ ݕܿܽݎݑܿܿܽͳͲͲሺͳʹሻ כ ݏ݁݃ܽ݉݅ ݃݊݅ݐݏ݁ݐ͓Many points of research assessing water pollution based on using fish gill microscopic images as biomarkerbut this research using experimental laboratory as in paper [10]. However, none of them used not computer-basedsystem on the experimented dataset(s). So, to the best of our knowledge, this article is the first research work aims athighlighting the most appropriate classification algorithm, for classifying water quality degree using fish gillsFigure 4: SVMs classification with different kernel functions &10-fold cross validation accuracyresults 610 Asmaa Hashem Sweidan et al. / Procedia Computer Science 65 ( 2015 ) 601 – 611microscopic images as biomarker for assessing water pollution based on the shape features.6. Conclusions and Future WorkIn these studies, many feature extraction and classification approaches were used. In this study is designedfor fulfilling the system and testing the performance of the proposed Method for classification of fish gills inmicroscopic images. The proposed approach consists of three main phases; pre-processing, feature extraction andclassification phase. edge detection and wavelet transform as shape feature vectors are combined to extract featureand used as a PCA inputs for transformation. Finally, SVMs with 10 cross validation model is developed for waterquality degree classification. Based on the obtained results, water quality degree classification accuracy is 95.41%using SVMs linear kernel function.This research is intended to highlight the capabilities of usage of image classification technique based on fishgills as biomarker for water quality. We aim to improve the understanding of fish gills as biomarker and effects offish on water quality.
REFERENCES
1. Reddy P, Rawat S. S, Assessment of Aquatic Pollution Using Histopathology in Fish as a Protocol,
International Research Journal of Environment Sciences, vol. 2, no. 8, pp. 79-82, 2013.
2. Rachel Ann Hauser-Davis, Reinaldo Calixto de Campos, and Roberta Louren Ziolli Fish Metalloproteins as
Biomarkers of Environmental Contamination, Springer., vol. 218, pp. 101–123, 2012.
3. Wael A. Omar, Khalid H. Zaghloul, Amr A. Abdel-Khalek, and S. Abo-Hegab, Risk Assessment and Toxic
Effects of Metal Pollution in Two Cultured and Wild Fish Species from Highly Degraded Aquatic Habitats,
Archives of environmental contamination and toxicology , vol. 65, no. 4, pp. 753-764,2013.
4. Abdolreza Jahanbakhshi and Aliakbar Hedayati, Gill histopathological changes in Great sturgeon after
exposure to crude and water soluble fraction of diesel oil, Comparative Clinical Pathology, vol. 22, no. 6, pp.
1083–1086,2013.
5. Morina Valon,Aliko Valbona, Eldores Sula, Gavazaj Fahri,Kastrati Dhurata and Cakaj Fatmir,
Histopathologic Biomarker of Fish Liver as Good Bioindicator of Water Pollution in Sitnica River, Kosovol,
Global Journal Of Science Frontier Research , vol. 13 , no. 5,2013.
6. Iman M.K. Abumourad, Mohammad M.N. Authman and Wafaa T. Abbas, Heavy Metal Pollution and
Metallothionein Expression: A Survey on Egyptian Tilapia Farmsl, Journal of Applied Sciences Research, vol. 9,
no. 1, pp. 612-619,2013.
7. Freylan Mena Torres, Maria Azzopardi, Sascha Pfenn

ผลลัพธ์ (ไทย) 2:

มาสก์ครั้งแรกและครั้งที่สองจะได้รับโดยการวางเกณฑ์ทั้งสองแตกต่างกันในแนวนอนแนวตั้งและส่วนประกอบในแนวทแยง สองเกณฑ์ที่แตกต่างกันที่ใช้ในวิธีการนี้เพื่อให้ได้ข้อมูลที่ทันสมัยมากขึ้น.
x
หน้ากากที่สามจะได้รับโดยดูที่ค่าพิกเซลสูงสุดของแนวนอนแนวตั้งและแนวทแยงส่วนประกอบ.
หน้ากากออก x จะได้รับโดยการหาพิกเซลความเข้มสูงสุดในหมู่ผู้ชม โวลต์และส่วนประกอบ d
และโดยการคูณ.
มีส่วนประกอบประมาณขั้นตอนของการตรวจสอบที่มีขอบเวฟที่แสดงรายละเอียดของการดึงความสามารถที่มีอธิบายดังนี้
Asmaa Hashem Sweidan et al, / Procedia วิทยาการคอมพิวเตอร์ 65 (2015) 601 - 611
607. 1. หลังจากขั้นตอนก่อนการประมวลผลย่อยสลายภาพโดยใช้แสง
2 รับประมาณแนวนอน y ที่โวลต์ในแนวตั้งและแนวทแยงส่วนประกอบ d.
3 กรองขอบที่แข็งแกร่งของแนวนอนแนวตั้งและส่วนประกอบเส้นทแยงมุมโดยใช้ T1 และ T2
ߛߛที่T เป็นเกณฑ์และߛเป็นส่วนเบี่ยงเบนมาตรฐานของภาพที่เคารพ.
4 ขอรับแผนที่ขอบเป็นครั้งแรกโดยใช้ T1 ߛบนเอชวีและ D
ชิ้นส่วนและรวมพวกเขาและจากนั้นคูณหน้ากากที่เกิดกับองค์ประกอบประมาณ.
5 ทำซ้ำขั้นที่ 5 ใน T2 ߛ
6 Step5 ซ้ำใน T1 และ T2 ߛߛ
7 Step5 ทำซ้ำในการหาพิกเซลความเข้มสูงสุดในกลุ่มเอชวีและ D และส่วนประกอบโดยการคูณด้วยส่วนประกอบประมาณในบทความนี้คงช่วงเวลาที่จะใช้ในการเป็นตัวแทนของรูปร่าง เวกเตอร์คุณสมบัติคำนวณสำหรับภาพที่นำเข้าและภาพลักษณ์ฐานข้อมูล คุณลักษณะรูปร่างเวกเตอร์จะได้รับจากสมการ (5-11). ߶ሺͳሻൌߟଶ଴൅ߟ଴ଶ (5) ߶ሺ'ሻൌሺߟଶ଴െߟ଴ଶሻଶ൅Ͷߟଵଵଶ (6) ߶ሺ͵ሻൌሺߟଷ଴െ͵ߟଵଶሻଶ ൅ሺ͵ߟଶଵെߟ଴ଷሻଶ (7) ߶ሺͶሻൌሺߟଷ଴൅ߟଵଶሻଶ൅ሺߟଶଵ൅ߟ଴ଷሻଶ (8) ߶ሺͷሻൌሺߟଷ଴െ͵ߟଵଶሻሺߟଷ଴൅ߟଵଶሻሾሺߟଷ଴൅ߟଵଶሻଶെ͵ሺߟଶଵ൅ߟ଴ଷሻଶሿ൅ሺ ͵ߟଶଵെߟ଴ଷሻሺߟଶଵ൅ߟ଴ଷሻሾ͵ሺߟଷ଴൅ߟଵଶሻଶെሺߟଶଵ൅ߟ଴ଷሻଶሿሺͻሻ߶ሺ͸ሻൌሺߟଶ଴െߟ଴ଶሻሾሺߟଷ଴൅ߟଵଶሻଶെሺߟଶଵ൅ߟ଴ଷሻଶሿ൅Ͷߟଵଵሺߟଷ଴൅ߟଵଶሻሺߟଶଵ൅ߟ଴ଷሻሺͳͲሻ ߶ሺ͹ሻൌሺ͵ߟଶଵെߟ଴ଷሻሺߟଷ଴൅ߟଵଶሻሾሺߟଷ଴൅ߟଵଶሻଶെ͵ሺߟଶଵ൅ߟ଴ଷሻଶሿെሺߟଷ଴െ͵ߟଵଶሻሺߟଶଵ൅ߟ଴ଷሻሾ͵ሺߟଷ଴൅ߟଵଶሻଶെሺߟଶଵ൅ߟ଴ଷሻଶሿሺͳͳሻขั้นตอนวิธีPCA มี ถูกนำมาใช้ในการสกัดคุณลักษณะ PCA เปลี่ยนพื้นที่ที่จะมีส่วนร่วมในพื้นที่ย่อยเพื่อลดขนาด จากนั้นก็จะเปิดพื้นที่การมีส่วนร่วมในพื้นที่ย่อยเพื่อลดขนาดที่ รูปร่างเวกเตอร์คุณลักษณะที่จะเกิดขึ้นเป็นแผนที่ขอบสี่. 4.3 ขั้นตอนการจัดหมวดหมู่ในขั้นตอนนี้ลักษณนาม SVMs จะใช้สำหรับการจัดหมวดหมู่ของเวกเตอร์คุณลักษณะคุณสมบัติสกัดจากขั้นตอนผ่านการจำแนกภาพที่นำเข้าโดยใช้แบบจำลองการฝึกอบรม ช่วงนี้เรียกพนักงานทั้งหมดที่ดีที่สุดการจับคู่ภาพจากระดับการจับคู่ของภาพที่นำเข้าในขณะที่เอาท์พุทที่มีการศึกษาระดับปริญญาเทียบเท่าคุณภาพน้ำที่สอดคล้องกับแต่ละภาพในชุดทดสอบ วิธีการที่นำเสนออยู่เป็นปัญหาหลายระดับที่หลากหลายของเทคนิคที่ใช้ในการสลายตัวของปัญหาหลายระดับเป็นปัญหาไบนารีหลายใช้จำแนกเป็นลักษณนามไบนารี. ในงานวิจัยนี้เราใช้อย่างใดอย่างหนึ่งกับทุกวิธีการมี 10 เท่า การตรวจสอบข้ามในการแก้ปัญหาหลายระดับ. ขั้นตอนวิธี (1) แสดงให้เห็นถึงรายละเอียดเกี่ยวกับขั้นตอนวิธีการจัดหมวดหมู่. 5 การวิเคราะห์การทดลองและการอภิปรายไนล์ Tilipia "ปลานิล" เป็นสายพันธุ์ที่ทนต่อมลภาวะที่เหมาะสำหรับ biomarker ของมลพิษทางน้ำ. โดยชุดข้อมูลที่ใช้สำหรับการทดลองที่สร้างขึ้นอยู่กับตัวอย่างจริงภาพกล้องจุลทรรศน์สำหรับเหงือกปลาที่แตกต่างกันขั้นตอนการเปลี่ยนแปลงhistopathlogical สัมผัสกับทองแดงและพีเอชของน้ำ. ปลา ภาพที่ถูกเก็บรวบรวมจากฟาร์ม Abbassa, Abo-Hammad, Sharkia Governote อียิปต์. ตัวอย่างบางส่วนของทั้งสองชุดข้อมูลการฝึกอบรมและการทดสอบจะแสดงในรูปที่2. ชุดการฝึกอบรมแบ่งออกเป็น 4 ชั้นเรียนที่แตกต่างกันที่เป็นตัวแทนของ608 Asmaa Hashem Sweidan et al. / Procedia วิทยาการคอมพิวเตอร์ 65 (2015) 601 - 611 องศาคุณภาพน้ำที่มีคุณภาพดีคือคุณภาพดีที่มีคุณภาพในระดับปานกลางและคุณภาพไม่ดี [19] ดังแสดงในรูปที่. 3 ขั้นตอนวิธี (1) การเลือกคุณลักษณะและการฝึกอบรมการจําแนกรูปที่2 ตัวอย่าง. ของการฝึกอบรมและการทดสอบเหงือกปลาภาพกล้องจุลทรรศน์x คุณภาพน้ำที่ดี: การแสดงเส้นหลัก (F) และ lamellae รอง (L) ที่เกิดขึ้นจากนี้ขนานไปกับแต่ละอื่นๆ และตั้งฉากกับแกนเส้นใยดังแสดงในรูป 3.a. x ดี คุณภาพน้ำที่ปลาสัมผัสกับทองแดงที่ pH 9 ได้มากขึ้นหรือน้อยคล้ายกับกลุ่มควบคุมกลุ่มดังแสดงในรูป3.b. x คุณภาพน้ำปานกลาง: ปลาที่สัมผัสกับทองแดงที่ 7 แสดงค่า pH hyperplasia ของ lamellae หลักด้วยฟิวชั่นที่สมบูรณ์ของ lamellaeand รองสั้นลงดังแสดงในรูป 3.c. x คุณภาพน้ำไม่ดี: ที่ปลาสัมผัสกับทองแดงที่ pH 5 หลบตาและการตัดทอนบางส่วนของlamellae รองดังแสดงในรูป 3.d. ป้อนข้อมูล: การฝึกอบรม ข้อมูลที่เป็นตัวอย่างܺ଴ൌሾݔͳǡݔ'ǡǤǤǤ݈ሿݔ்เริ่มต้น: ดัชนีสำหรับคุณสมบัติเลือก: f = [1,2 ... n] รถไฟลักษณนามจำแนกโดยใช้ตัวอย่างܺ଴สำหรับ t = 1, ... , T จะคำนวณเกณฑ์การจัดอันดับให้เป็นไปตามSVMs ผ่านการฝึกอบรมเลือกด้านบนܯ1คุณสมบัติและขจัดคุณสมบัติอื่นๆจำกัด ตัวอย่างการฝึกอบรมในลักษณะการเลือกก่อสร้างܰจำแนกแบบ. แต่ละ SVM แยกชั้นหนึ่งจากชั้นเรียนส่วนที่เหลือรถไฟ݅1௛ SVM กับตัวอย่างการฝึกอบรมทั้งหมด ของ݅ระดับ1௛บวกกับฉลากและตัวอย่างของการเรียนการฝึกอบรมอื่นๆ ที่มีป้ายเชิงลบEnd สำหรับขาออกจำแนกระดับคุณภาพน้ำAsmaa Hashem Sweidan et al, / Procedia วิทยาการคอมพิวเตอร์ 65 (2015) 601 - 611 609 รูป 3. ตัวอย่างขององศาคุณภาพน้ำวิธีการที่นำเสนอได้รับการทดสอบโดยใช้หมายเลขที่แตกต่างกันของภาพการฝึกอบรมต่อชั้น คุณสมบัติที่ใช้สำหรับการจัดหมวดหมู่เป็นที่ดึงรูปร่างขึ้นอยู่กับการตรวจสอบที่ทันสมัยและแปลงเวฟเล็ต นอกจากนี้ขั้นตอนวิธีการจำแนกเป็นลูกจ้างที่มีฟังก์ชั่นเคอร์เนลที่แตกต่างกันที่มี: เคอร์เนลเชิงเส้น, ฟังก์ชั่นพื้นฐานรัศมี (RBF) เคอร์เนลและ Multilayer. Perceptron (MLP) เคอร์เนลสำหรับสำหรับคุณภาพน้ำการจัดหมวดหมู่การศึกษาระดับปริญญารูปที่4 แสดงให้เห็นผลการทดลองที่แสดงให้เห็นความถูกต้องของการจัดหมวดหมู่ที่ได้รับผ่านการใช้ แต่ละฟังก์ชันเคอร์เนลพิจารณา10, 20, 30, และ 35 ภาพต่อชั้นเรียนการฝึกอบรม ผลของวิธีการจัดหมวดหมู่ที่นำเสนอได้รับการประเมินผลการประเมินจากผู้เชี่ยวชาญของมนุษย์สำหรับการวัดความถูกต้องได้ ดังแสดงในรูปที่ 4 ด้วยการเชิงเส้นฟังก์ชันเคอร์เนลที่ใช้สำหรับขั้นตอนวิธีการจำแนกและจำนวนของภาพการฝึกอบรมต่อชั้น35 ที่นำเสนอวิธีการที่ประสบความสำเร็จการจัดหมวดหมู่ความถูกต้อง95.41 Ψองศาคุณภาพน้ำทั้งหมด ความถูกต้องมีการคำนวณโดยใช้สมการ (12). ݏ݂݁݃ܽ݉݅݀݁݅݅ݏݏ݈ܽܿݕ݈ݐܿ݁ݎݎ݋͓ܿൌݕܿܽݎݑܿܿܽͳͲͲሺͳ'ሻכݏ݁݃ܽ݉݅݃݊݅ݐݏ݁ݐ͓หลายจุดของการวิจัยการประเมินมลพิษทางน้ำอยู่บนพื้นฐานของการใช้ภาพกล้องจุลทรรศน์ปลาปลาเป็นbiomarker แต่งานวิจัยนี้ใช้ในห้องปฏิบัติการทดลองในขณะที่กระดาษ [10] แต่ไม่มีของพวกเขาไม่ได้ใช้คอมพิวเตอร์ที่ใช้ระบบในชุดข้อมูลที่ทดลอง (s) ดังนั้นที่ดีที่สุดของความรู้ของเราในบทความนี้เป็นงานวิจัยแรกที่มีจุดมุ่งหมายที่เน้นขั้นตอนวิธีการจัดหมวดหมู่ที่เหมาะสมที่สุดสำหรับการจำแนกระดับคุณภาพน้ำโดยใช้เหงือกปลารูปที่4: SVMs การจัดหมวดหมู่ที่มีฟังก์ชั่นเคอร์เนลที่แตกต่างกันและ 10 เท่าความถูกต้องของการตรวจสอบข้ามผล610 Asmaa Hashem Sweidan et al, / Procedia วิทยาการคอมพิวเตอร์ 65 (2015) 601 - 611 ภาพด้วยกล้องจุลทรรศน์เป็น biomarker สำหรับการประเมินมลพิษทางน้ำตามลักษณะรูปร่าง. 6 สรุปผลการวิจัยและการทำงานในอนาคตในการศึกษาเหล่านี้ดึงจำนวนมากและวิธีการจัดหมวดหมู่ถูกนำมาใช้ ในการศึกษานี้ถูกออกแบบมาเพื่อตอบสนองระบบและการทดสอบประสิทธิภาพของวิธีการที่นำเสนอในการจัดหมวดหมู่ของเหงือกปลาภาพด้วยกล้องจุลทรรศน์ วิธีการที่นำเสนอประกอบด้วยสามขั้นตอนหลัก ก่อนการประมวลผลการสกัดบาร์และขั้นตอนการจัดหมวดหมู่ การตรวจหาขอบและแปลงเวฟเล็ตเป็นพาหะคุณลักษณะรูปร่างจะรวมกันเพื่อดึงคุณลักษณะและใช้เป็นปัจจัยการผลิต PCA สำหรับการเปลี่ยนแปลง สุดท้าย SVMs กับรูปแบบการตรวจสอบข้าม 10 มีการพัฒนาน้ำการจัดหมวดหมู่การศึกษาระดับปริญญาที่มีคุณภาพ ขึ้นอยู่กับผลที่ได้รับคุณภาพน้ำในระดับความถูกต้องของการจัดหมวดหมู่เป็น 95.41% โดยใช้ฟังก์ชันเคอร์เนลจำแนกเชิงเส้น. การวิจัยนี้มีวัตถุประสงค์เพื่อเน้นความสามารถของการใช้เทคนิคการจัดหมวดหมู่ของภาพขึ้นอยู่กับปลาเหงือกเป็น biomarker สำหรับคุณภาพน้ำ เรามุ่งมั่นที่จะปรับปรุงความเข้าใจของเหงือกปลาเป็น biomarker และผลกระทบของปลาในน้ำที่มีคุณภาพ. อ้างอิง1 เรดดี้ P, เรวัตเอส S, การประเมินการใช้น้ำมลพิษทางจุลพยาธิวิทยาในปลาเป็นพิธีสารที่วารสารวิจัยนานาชาติวิทยาศาสตร์สิ่งแวดล้อมฉบับ 2 ไม่มี 8 ได้ pp. 79-82, 2013 2 ราเชลแอนเฮาเซอร์เดวิส, โดกา Calixto เดกัมโปสและโร Louren Ziolli ปลา metalloproteins เป็นBiomarkers ของการปนเปื้อนสิ่งแวดล้อมสปริง. ฉบับ 218, ได้ pp. 101-123 2012 3 Wael เอโอมาร์คาลิดเอช Zaghloul เอเอ็มเอลอับเดล-Khalek และเอส Abo-Hegab, การประเมินความเสี่ยงและเป็นพิษผลกระทบของมลพิษโลหะในสองเพาะเลี้ยงและขยายพันธุ์ปลาจากป่าเสื่อมโทรมสูงที่อยู่อาศัยน้ำ, เก็บของด้านสิ่งแวดล้อมและการปนเปื้อน พิษวิทยาฉบับ 65 ไม่มี 4 หน้า. 753-764,2013. 4 Abdolreza Jahanbakhshi และ Aliakbar Hedayati ปลาการเปลี่ยนแปลงทางจุลพยาธิวิทยาในปลาสเตอร์เจียนที่ดีหลังจากการสัมผัสกับมันดิบและน้ำส่วนที่ละลายในน้ำมันดีเซลพยาธิวิทยาคลินิกเปรียบเทียบฉบับ 22 ไม่มี 6 หน้า. 1083-1086,2013. 5 Morina วาลอน, Aliko Valbona, Eldores ซูลา Gavazaj fahri, Kastrati Dhurata และ Cakaj ฟัตมีร์, ทางจุลพยาธิวิทยา Biomarker ปลาตับเป็นดีดัชนีทางชีวภาพของมลพิษทางน้ำใน Sitnica แม่น้ำ Kosovol, วารสารวิทยาศาสตร์ทั่วโลก Frontier วิจัยฉบับ 13 ไม่มี 5,2013. 6 Iman MK Abumourad โมฮัมหมัด MN Authman และ Wafaa ตอับบาส, โลหะหนักและมลพิษMetallothionein นิพจน์: การสำรวจอียิปต์นิล Farmsl วารสารวิทยาศาสตร์ประยุกต์วิจัยฉบับ 9 ไม่มี 1, พี. 612-619,2013. 7 Freylan เมนาเรส, มาเรีย Azzopardi, ซาช่า Pfenn

ผลลัพธ์ (ไทย) 3:

หน้ากากตัวแรกและตัวที่สองจะได้รับโดยการวางสองเกณฑ์ที่แตกต่างกันในแนวนอน แนวตั้ง และแนวทแยง
ส่วนประกอบ . สองเกณฑ์ที่แตกต่างกันจะใช้ในวิธีการนี้จะได้รับเพิ่มเติมขอบข้อมูล .
x 3 รูปแบบได้โดยดูที่ค่าพิกเซลสูงสุดของแนวนอน แนวตั้ง และแนวทแยงส่วนประกอบ
.
x ออกมาเป็นหน้ากากได้โดยการหาสูงสุดความหนาแน่นพิกเซลของเอชวี d ส่วนประกอบและส่วนประกอบโดยการคูณด้วย

ประมาณ ขั้นตอนของการตรวจหาขอบด้วยเทคนิคที่แสดงรายละเอียดของลักษณะการสกัด มีอธิบายดังนี้ :
asmaa Hashem sweidan et al . วิทยาศาสตร์คอมพิวเตอร์ / procedia 65 ( 2015 ) 601 – 611 607
1 หลังจากการประมวลผลเฟสเน่าภาพใช้ wavelets .
2 ได้ประมาณเป็น แนวนอน คแนวตั้งและแนวทแยง D ส่วนประกอบ .
3 กรองออกจากขอบที่แข็งแกร่งของแนวนอน แนวตั้ง และแนวทแยงส่วนประกอบโดยใช้ߛ T1 และ T2 ที่ߛ
t และระดับߛเป็นส่วนเบี่ยงเบนมาตรฐานของภาพที่เคารพ .
4 ขอรับแผนที่ขอบแรกโดยการใช้ߛ T1 h , V และ D ส่วนประกอบและการรวมแล้ว
คูณเป็นผลหน้ากากด้วยการประมาณส่วนประกอบ .
5 ย้ำ step5 ใน T2 ߛ
6 . ย้ำ step5 T1 และ T2 ในߛߛ
7 ย้ำ step5 ในการหาความเข้มสูงสุดพิกเซลของ H , V และ D และส่วนประกอบ โดยการคูณด้วย

ประมาณส่วนประกอบในช่วงเวลานี้กระดาษผลยืนยงจะใช้แสดงรูปร่าง คุณลักษณะเวกเตอร์ยังสามารถป้อนข้อมูลและฐานข้อมูล
ภาพภาพ เวกเตอร์ลักษณะรูปร่างจะได้รับโดยสมการที่ ( อายุ ) .
߶ሺͳሻൌߟଶ଴൅ߟ଴ଶ ( 5 )

߶ሺʹሻൌሺߟଶ଴െߟ଴ଶሻଶ൅Ͷߟଵଵ
ଶ ( 6 )

߶ሺ͵ሻൌሺߟଷ଴െ͵ߟଵଶሻଶ൅ሺ͵ߟଶଵെߟ଴ଷሻଶ ( 7 )

߶ሺͶሻൌሺߟଷ଴൅ߟଵଶሻଶ൅ሺߟଶଵ൅ߟ଴ଷሻଶ ( 8 )
߶ሺͷሻൌሺߟଷ଴െ͵ߟଵଶሻሺߟଷ଴൅ߟଵଶሻሾሺߟଷ଴൅ߟଵଶሻଶെ͵ሺߟଶଵ൅ߟ଴ଷሻଶሿ൅ሺ͵ߟଶଵെߟ଴ଷሻሺߟଶଵ