基于局部Fisher判别法的电镜下致密沉积物自动识别

本文提出一种在电子显微镜图像中有效检测致密沉积物的方法.致密沉积物在电子显微镜图像中较难分辨,使用传统的SIFT,ORB或者SURF特征检测及描述算法往往难以达到理想的效果.运用传统计算机视觉处理流程,如,SIFT特征提取器以及描述器来进行特征提取,再建立bag-of-words全局特征向量,最后使用支持向量机来进行分类,在进行致密沉积物的分类操作中难度比较大.本文选择了实用LBP特征提取器来提取高反差度的纹理特征,使用梯度直方图特征提取器来提取轮廓特征,同时使用Schimid滤波器组和Gabor滤波器组来提取图像中的常规纹理特征,形成超高维度的特征向量使其包含显微镜图像中的全面特征.由于电子显微镜图像不具备色彩信息,纹理信息变得最为重要,又由于在显微镜图像中,尺度基本可知,LBP以及HOG能非常有效地提取高反差轮廓特征以及质地特征.配合两大纹理滤波器组合将可以确保特征向量在强调高反差特征的同时,不会忽略常规纹理信息.在特征提取出来后使用局部Fisher判别分析来降低特征向量的维度,并选择最具有可区分性和有效的特征.LFDA能够进行无指导的降维,并保留最具可分辨性的特征,对于本文提出的算法至关重要.由于在之前产生的特征向量对所有的特征并不进行强弱区分,经过LFDA后,不重要或者具有广泛普遍性的特征将会被舍弃,而最能够代表致密沉积物的特征将得以保留.这保证了之后的分类器训练能够在不牺牲训练速度的前提下,有效地形成分类区间.最后,算法使用了probabilistic boosting tree来对训练样本进行训练,PBT是按照等级划分的决策树,每一个节点是一个强决策器,它具有不易过度训练、高效准确的特征,通过输入LFDA处理后的训练样本特征向量,来学习得到致密沉积物的分类器.为验证本文提出的方法的可行性,一个包含50张电子显微镜图像的数据库被用于实验中.在这50张电子显微镜图像中,每一张都包含不同数量的沉积物区域.沉积物区域的总数约为500处.这些区域被精确标记.如果算法输出的沉积物标记与人工标记区域的重合率达到50%以上,认为该区域被准确识别,否则认为未能识别.在实验中,10张电子显微镜图像被用于神经网络的训练,而其余40张被用于测试.训练样本为100×100分辨率的图像块,只要图像块中包含沉积物区域,则视为正样本,否则视为负样本.为了增加样本个数,所有正样本被进行了旋转、平移、以及放大和缩小等变换.在训练中,一共500个正样本及约15000个负样本被输入到PBT.实验结果显示,本文提出的方法能够有效地在真实电子显微镜图像中识别致密沉积物,识别效率接近50%.该结果证明利用LBP特征以及Schimid滤波器组和Gabor滤波器组来提取显微镜图像特征能够全面概括图像中个体的显著性特征,比起单纯使用SIFT以及SURF具有更高的通用性、鲁棒性以及有效性.对于从显微镜图像中提取出来的高维度特征向量,使用局部Fisher判别分析法能够非常有效地实施降维操作,从而保留了显著性的具有区分功能的特征以便更有效的训练分类器.而probabilistic boosting tree对于只具有少量训练样本的训练任务能够相当有效地收敛且避免过度拟合的情况发生.本文提出的处理流程适用于大多数基于显微镜图像下的目标识别、分类以及再识别任务,且具有速度快、高鲁棒性以及易于扩展等特点,具有较高的实用性.

Automatic detection of sedimentary deposition electron microscopic images with local Fisher discriminant analysis and probabilistic boosting tree

This paper proposed a framework to effectively detect sedimentary deposit in microscopic images. Texture filters response and gradient and binary patterns are extracted to form a high dimensional feature vectors covering comprehensive information from microscopic images. Local Fisher discriminant analysis is conducted to reduce the dimension of feature vector and select the most discriminative and effective features. Finally, a probabilistic boosting tree is learned to classify sedimentary deposit. Experimental evaluation demonstrates that the proposed framework is effective and practical in real-world scenario.