Достоинства и недостатки методов первой и второй категории

Основа методов первой категории - эмпирика, является одновременно их сильной и слабой стороной. Большая изменчивость объекта распознавания, зависимость вида микроорганизмов на изображении от условий съемки и освещения позволяют без колебаний отнести обнаружение микроорганизмов на изображении к задачам высокой сложности. Применение эмпирических правил позволяет построить некоторую модель изображения микроорганизмов и свести задачу к выполнению некоторого количества относительно простых проверок. Однако, несмотря на безусловно разумную посылку - попытаться использовать и повторить уже успешно функционирующий инструмент распознавания - человеческое зрение, методы первой категории пока далеки по эффективности от своего прообраза, поскольку исследователи, решившие избрать этот путь, сталкиваются с рядом серьезных трудностей. Во-первых, процессы, происходящие в мозгу во время решения задачи распознавания изображений изучены далеко не полностью, и тот набор эмпирических знаний о микроорганизмах, которые доступны исследователям на "сознательном уровне", далеко не исчерпывает инструментарий, используемый мозгом "подсознательно". Во-вторых, трудно эффективно перевести неформальный человеческий опыт и знания в набор формальных правил, поскольку чересчур жесткие рамки правил приведут к тому, что в ряде случаев микроорганизмы не будут обнаружены, и напротив, слишком общие правила приведут к большому количеству случаев ложного обнаружения.

Можно перечислить следующие проблемы, общие для методов второй категории:

1 Зависимость от ориентации и масштаба микроорганизмов. Большинство классификаторов не являются инвариантными к повороту микроорганизмов в плоскости изображения и изменению его размера. Поэтому для успешного обнаружения микроорганизмов, отличного по размеру или ориентации от микроорганизмов в тренировочном наборе, требуется дополнительная обработка входного изображения (масштабирование, поворот). Проблему изменения масштаба решают, обычно, путем полного перебора всех возможных прямоугольных фрагментов изображения всех возможных размеров. Попытка же рассматривать еще и все возможные углы поворота микроорганизмов в плоскости изображения приведет к тому, что время выполнения и без того долгой процедуры перебора фрагментов превысит все мыслимые пределы. Если говорить о повороте микроорганизмов вне плоскости изображения, то это является проблемой для многих методов из обоих категорий, поскольку при значительном повороте микроорганизмов на изображении изменяется настолько сильно, что многие признаки и правила (заданные разработчиком или полученные неявно) распознавания фронтального изображения микроорганизмов становятся совершенно непригодными.

2 Неявный способ определения признаков для распознавания микроорганизмов таит в себе потенциальную опасность: классификатор, обладающий недостаточно репрезентативным набором изображений микроорганизмов, теоретически может выделить вторичные или ложные признаки в качестве важных. Одно из следствий - потенциальная зависимость от освещения, которое преобладало в тренировочном наборе. В ряде случаев [26] применяется дополнительная предобработка изображения для компенсации влияния освещения.

3 Высокая вычислительная сложность. Во-первых, сами классификаторы часто включают в себя большое количество достаточно сложных вычислений; во-вторых, полный перебор всех возможных прямоугольных фрагментов изображения сам по себе занимает большое количество времени. Это затрудняет использование некоторых методов в системах реального времени (например - отслеживании перемещения лица в видеопотоке).

Сравнивать между собой качество распознавания методов разных категорий достаточно тяжело, поскольку в большинстве случаев, опираться можно только на данные испытаний, предоставляемые самими авторами, поскольку провести крупномасштабное исследование по реализации большинства известных методов и сравнения их между собой на едином наборе изображений не представляется возможным по причине невообразимой трудоемкости этой задачи.

На основе информации, предоставляемой авторами методов, также сложно провести корректное сравнение, поскольку проверка методов часто производится на разных наборах изображений, с разной формулировкой условий успешного и неуспешного обнаружения. К тому же проверка для многих методов первой категории производилась на значительно меньших наборах изображений.

Заметное различие между первой и второй категорией описанных методов заключается еще и в том, что эмпирические методы часто довольно просты в реализации (особенно относительно методов второй категории), и предоставляют возможность гибкой настройки под конкретную задачу путем модификации интуитивно понятных параметров. Методы, опирающиеся на инструментарий распознавания образов, требуют значительных усилий по формированию тренировочных наборов изображений и обучению классификатора. Влияние параметров, контролирующих классификатор, на его поведение часто далеко неочевидно. Однако трудоемкость создания работающих прототипов методов второй категории частично компенсируется высокими заявленными показателями качества распознавания на больших коллекциях изображений.

Построение универсального метода, обеспечивающего высокий уровень распознавания при отсутствии ограничений на исходные изображения, в настоящее время не представляется возможным, однако для большинства конкретных задач можно создать методы, предоставляющие достаточный уровень распознавания.

В качестве условий, влияющих на выбор метода решения задачи, можно перечислить следующие:

· Предполагаемое разнообразие микроорганизмов: ограниченный набор микроорганизмов, ограничения на возможный тип микроорганизмов, отсутствие ограничений;

· Цветное или черно-белое изображение;

· Масштаб микроорганизмов, разрешение и качество изображения (зашумленность, степень сжатия);

· Предполагаемое количество микроорганизмов, присутствующих на изображении: известно, примерно известно, неизвестно;

· Условия освещения: фиксированные известные, приблизительно известные, любые;

· Фон: фиксированный, контрастный однотонный, слабоконтрастный зашумленный, неизвестный;

Литература

[1]

M. H. Yang, D. J. Kriegman, N. Ahuja, " Detecting faces in images: A survey," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 1, pp. 34-58, Jan. 2002.

[2]

E. Hjelmas and B.K. Low, " Face detection: A survey," Journal of Computer Vision and Image Understanding, vol. 83, pp. 236-274, 2001.

[3]

G. Yang and T. S. Huang, " Human Face Detection in Complex Background," Pattern Recognition, vol. 27, no. 1, pp. 53-63, 1994.

[4]

C. Kotropoulos and I. Pitas, " Rule-Based Face Detection in Frontal Views," Proc. Int'l Conf. Acoustics, Speech and Signal Processing, vol. 4, pp. 2537-2540, 1997.

[5]

T. Sakai, M. Nagao, and S. Fujibayashi, "Line Extraction and Pattern Detection in a Photograph," Pattern Recognition, vol. 1, pp. 233-248, 1969.

[6]

I. Craw, H. Ellis, and J. Lishman, "Automatic Extraction of Face Features," Pattern Recognition Letters, vol. 5, pp. 183-187, 1987.

[7]

V. Govindaraju, " Locating Human Faces in Photographs," Int'l J. Computer Vision, vol. 19, no. 2, pp. 129-146, 1996.

[8]

K. Sobottka and I. Pitas, " A novel method for automatic face segmentation, facial feature extraction and tracking," Signal Processing: Image Communication, Vol. 12, No. 3, pp. 263-281, June, 1998.

[9]

F. Smeraldi, O. Carmona, and J. Big.un, " Saccadic search with Gabor features applied to eye detection and real-time head tracking," Image Vision Comput. 18, pp. 323-329, 2000.

[10]

M. C. Burl and P. Perona, " Recognition of planar object classes," in IEEE Proc. of Int. Conf. on Computer Vision and Pattern Recognition, 6, 1996.

[11]

L. C. De Silva, K. Aizawa, and M. Hatori, " Detection and tracking of facial features by using a facial feature model and deformable circular template," IEICE Trans. Inform. Systems E78-D(9), pp. 1195-1207, 1995.

[12]

" "Метод главных компонент," Цифровая библиотека лаборатории компьютерной графики и мультимедиа при факультете ВМиК МГУ, http://library.graphicon.ru/catalog/19.

[13]

B. Moghaddam and A. Pentland, " Probabilistic visual learning for object representation," IEEE Trans. Pattern Anal. Mach. Intell. 19(1), pp. 696-710, 1997.

[14]

"Линейный дискриминантный анализ," Цифровая библиотека лаборатории компьютерной графики и мультимедиа при факультете ВМиК МГУ, http://library.graphicon.ru/catalog/184.

[15]

"Факторный анализ," Цифровая библиотека лаборатории компьютерной графики и мультимедиа при факультете ВМиК МГУ, http://library.graphicon.ru/catalog/217.

[16]

M.-H. Yang, N. Ahuja, and D. Kriegman, " Face Detection Using Multimodal Density Models," Computer Vision and Image Understanding (CVIU), vol. 84, no. 2, pp. 264-284, 2001.

[17]

K.-K. Sung and T. Poggio, " Example-Based Learning for View- Based Human Face Detection," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 20, no. 1, pp. 39-51, Jan. 1998.

[18]

"Метод опорных векторов," Цифровая библиотека лаборатории компьютерной графики и мультимедиа при факультете ВМиК МГУ, http://library.graphicon.ru/catalog/217.

[19]

K.-R. Muller, S. Mika, G. Ratsch, K. Tsuda, and B. Scholkopf. " An introduction to kernel-based learning algorithms," IEEE Transactions on Neural Networks, 12(2), pp. 181-201, 2001.

[20]

Jochen Maydt and Rainer Lienhart. " Face Detection with Support Vector Machines and a Very Large Set of Linear Features," IEEE ICME 2002, Lousanne, Switzerland, pp. xx-yy, Aug. 2002

[21]

D. Roth, M.-H. Yang, and N. Ahuja, " A SNoW-based face detector," in Advances in Neural Information Processing Systems 12 (NIPS 12), MIT Press, Cambridge, MA, pp. 855-861, 2000.

[22]

D. Roth, " The SNoW Learning Architecture," Technical Report UIUCDCS-R-99-2102, UIUC Computer Science Department, 1999.

[23]

N. Littlestone, " Learning Quickly when Irrelevant Attributes Abound: A New Linear-Threshold Algorithm," Machine Learning, vol. 2, pp. 285-318, 1988.

[24]

.

3.P. Juell and R. Marsh, " A hierarchical neural network for human face detection," Pattern Recog. 29, pp. 781-787, 1996.

[25]

S.-H. Lin, S.-Y. Kung, and L.-J. Lin, " Face recognition/detection by probabilistic decision-based neural network," IEEE Trans. Neural Networks 8, pp. 114-132., 1997

[26]

H. A. Rowley, S. Baluja, and T. Kanade, " Neural network-based face detection," IEEE Trans. Pattern Anal. Mach. Intell. 20, pp. 23-38., January 1998

[27]

Л.Р. Рабинер, " Скрытые марковские модели и их применение в избранных приложениях при распознавании речи: Обзор," Труды ИИЭР, т. 77, Номер 2, февраль 1989.

[28]

S. Marchand-Maillet and B. Merialdo, " Pseudo two-dimensional hidden markov models for face detection in colour images," in Proceedings Second International Conference on Audio- and Video-based Biometric Person Authentication (AVBPA), 1999.

[29]

G.J.Edwards, C.J.Taylor, T.F.Cootes, " Interpreting Face Images using Active Appearance Models," Int. Conf. on Face and Gesture Recognition 1998. pp. 300-30, 1998.

 

Вопросы:

1.На какие две части возможные для реализации процесса распознавания можно разделить процесс распознавания образа в медицине?

2. Банки и классы признаков в системе распознавания образа. Связь и различия.

3. Требования, предъявляемые к базе знаний в системе распознавания образа биообъекта?

4.Почему так не просто сделать то, что может определить взгляд микробиолога?

Вопросы по самостоятельной части.

.1. Кратко обосновать применимость представленных в части для самостоятельной проработки методов в системе распознавания образа биообъекта.

2. Достоинство и недостатки методов первой и второй категории.

3. Из методов, перечисленных в конце абзаца при самостоятельной проработке выбрать только те, которые можно реализовать при анализе образа микроорганизма на МКС