Συντάχθηκε 30-10-2013 12:56
από Eleni Stamataki
Email συντάκτη: estamataki<στο>tuc.gr
Ενημερώθηκε:
-
Ιδιότητα: σύνταξη/αποχώρηση υπάλληλος.
Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΚΟΥΤΣΟΥΚΟΥ ΙΩΑΝΝΗ
με θέμα
Ανάπτυξη συστήματος αυτόματης ταξινόμησης γυρεοκόκκων από εικόνες μικροσκοπίου με χρήση τεχνολογιών Μηχανικής όρασης και Σημασιολογικού Ιστού.
Automated Classification of Pollen
Grains from Microscope Images using
Computer Vision and Semantic Web
Technologies
Πέμπτη 31 Οκτωβρίου 2013, 3μμ
Αίθουσα 145.Π58, Κτίριο Επιστημών, Πολυτεχνειούπολη
Εξεταστική Επιτροπή
Καθηγητής Πετράκης Ευρυπίδης (επιβλέπων)
Καθηγητής Ζερβάκης Μιχαήλ
Αναπληρωτής Καθηγητής Λαγουδάκης Μιχαήλ
Περίληψη
Η διπλωματική εργασία έχει στόχο την σχεδίαση και ανάπτυξη ενός πληροφοριακού συστήματος με εικόνες για την αυτόματη αναγνώριση και ταξινόμηση γυρεόκοκκων. Τα συλλεχθέντα δείγματα θα φωτογραφηθούν, θα μεγενθυθούν πολλές φορές και τελικά θα ταξινομηθούν σε κατηγορίες: Μόλις αναγνωριστεί ο γυρεόκοκκος, προσδιορίζεται και το είδος του φυτού από το οποίο προέρχεται. Αυτό επιτυγχάνεται με τη βοήθεια της ανάλυσης εικόνας και τεχνικές αναγνώρισης προτύπων.
Η τρισδιάστατη φύση των γυρεόκοκκων καθίστα την διαδικασία αυτή αρκετά πολύπλοκη, καθώς η ανάλυση βασίστηκε σε εικόνες μικροσκοπίου δύο διαστάσεων. Πολλαπλά δείγματα από κάθε είδος γύρης λαμβάνονται υπό διαφορετικές γωνίες και απόψεις (ο ίδιος κόκκος μπορεί να φαίνεται πολύ διαφορετικός ανάλογα με την γωνία λήψης) και συνδυάζονται για να επιτευχθεί μια μοναδική κατηγοριοποίηση του κάθε κόκκου γύρης. Το σύστημα εκπαιδεύτηκε με εικόνες από τη συλλογή των δειγμάτων αναφοράς γυρεόκοκκων της Μονάδα Διατήρησης Μεσογειακών Φυτών του Μεσογειακού
Αγρονομικού Ινστιτούτου Χανίων (ΜΑΙΧ).
Η ψηφιοποίηση πραγματοποιείται χρησιμοποιώντας οπτικό μικροσκόπιο. Η συλλογή αποτελείται από πάνω από 230 διαφορετικά είδη χλωρίδας, τα οποία προέρχονται κυρίως από την Κρήτη. Για την τμηματοποίηση των εικόνων σε περιοχές χρησιμοποιούνται τεχνικές μηχανικής όρασης (η κάθε περιοχή αντιστοιχεί σε ένα γυρεόκοκκο) ώστε κάθε περιοχή να χαρακτηριστεί απο μια σειρά χαρακτηριστικών (κυρίως χρωματικά, υφής και σχήματος).
Η βάση δεδομένων των κόκκων γύρης είναι οργανωμένη ως μια οντολογία που περιέχει εικόνες και τα χαρακτηριστικά τους, κατηγοριοποιημένα ανά είδος γύρης, με περιγραφή για τις σχέσεις μεταξύ των ειδών (π.χ., ομοιότητες).
Η αναγνώριση των εικόνων υλοποιήθηκε ως μια διαδικασία ανάκτησης, συγκρίνοντας
διανύσματα από περιγραφείς χαμηλού επιπέδου που εξάγονται από την εικόνα εισόδου και από τις αντιπροσωπευτικές εικόνες κάθε είδους της οντολογίας, αντίστοιχα. Για να υπολογιστεί η ομοιότητα ενός άγνωστου (εισόδου ή ερώτημα εικόνας) με τις εικόνες της οντολογίας χρησιμοποιήθηκε ένα μέτρο ομοιότητας.
Το αποτέλεσμα είναι μια λίστα με εικόνες, ταξινομημένη ανάλογα με την ομοιότητα με την άγνωστη εικόνα. Για να εκτιμηθεί η κατηγορία των ειδών, όπου ανήκει η εικόνα χρησιμοποιούνται αρκετές μέθοδοι κατάταξης. Τα πειραματικά αποτελέσματα δείχνουν ότι περίπου το 75-80% των εικόνων εισόδου αναγνωρίζεται σωστά. Το σύστημά μας λειτουργεί με ένα σύνολο δεδομένων εικόνας που αποτελείται από 501 φωτογραφίες κόκκων γύρης, που ανήκουν σε 40 είδη, 35 γένη και 19 οικογένειες.
Abstract
The work aims at the design and development of an image information system for the automatic recognition and classification of pollen grains. The collected samples will be photographed, magnified many times (sometimes thousands) and finally classified into genres: Once pollen has been identified, the species of the plant that produced it will be determined. This can be achieved with the aid of image analysis and pattern recognition techniques.
This is a rather complicated process because of the fact that the granules are 3 dimensional, while the analysis have to be based on microscope images which are essentially two-dimensional. Multiple samples of each type of pollen taken under different orientations and viewpoints will be combined (the same granule might seems very different of seen from a difference angle) to achieve a unique categorization of each pollen grain. The system was trained with images from the collection of reference samples of pollen grains of the Mediterranean Plant Conservation Unit (MPCU) of the Mediterranean Agronomic Institute of Chania (MAICh).
Digitization is realized using a light microscope. This collection consists of over 230 different species of flora, mainly originating from Crete. Machine vision techniques are applied to segment pollen images into regions (each corresponding to the region of grain) and subsequently acquire a set of features (mainly chromatic, texture and shape features) from each pollen grain.
The image database of pollen grains is organized as an ontology containing raw images
and their feature sets organized in a categorization (by genre) of the pollen species, text descriptions and relationships between the genres of the species (e.g., similarities between them). Image recognition was implemented as a retrieval process by comparing vectors of low-level descriptors extracted from the input image and representative images of each species in the ontology respectively. A similarity measure was used to compute the similarity of an unknown (input or query image) and images in the ontology. The result list is ranked by decreasing similarity to the unknown image. Several ranking methods are used to estimate the species category where the image belonged to. The experimental results demonstrate that approximately 75-80% of the input images are correctly recognised. Our system works with an image dataset consisting of 501 images of pollen grains, belonging to 40 species, 35 genus and 19 families.
Συνημμένα:
-
ΑΝΑΚΟΙΝΩΣΗ ΚΟΥΤΣΟΥΚΟΣ ΙΩΑΝΝΗ.docx
Μεταφορτώσεις: 164,
Μέγεθος: 29 KB application/vnd.openxmlformats-officedocument.wordprocessingml.document
