بخشی از مقاله
چکیده
تمایز دادن سویه های استرپتومیست مشابه متعلق به یک گونه از یک کشت ترکیبی نیازمند دانش و مهارت است که پژوهشگران بی تجربه را با اشتباه مواجه می سازد و پیامد آن از دست دادن زمان و هزینه خواهد بود. در این مقاله روشی را پیشنهاد می کنیم که بر اساس بررسی و پردازش تصویر، سویه های متعلق به یک گونه را میتواند مشخص می کند. در روش پیشنهادی ویژگیهای بافت تصویر به وسیله الگوی اشتقاق هم آمیخته - IDP - از هر تصویر استخراج میشود.
مشخصه های IDP به دلیل نتایج خوب و سادگی و قابل فهم بودن، بطور گسترده در تشخیص الگو استفاده شده است. علاوه بر ویژگیهای بافت تصاویر، ویژگیهای مرتبط با رنگ نیز از تصاویر استخراج می گردد. در نهایت از روش های دسته بندی برای مدل سازی استفاده شده است. نتایج تجربی نشان می دهد که بکارگیری ویژگیهای استخراج شده و دسته بندی کننده k -نزدیکترین همسایه در مقایسه با سایر روش های دسته بندی منجر به نتایج دقیق تری شده است.
مقدمه
در این مقاله به منظور تفکیک خودکار میکروارگانیسم های مشابه بر اساس تصویر آن، از مجموعه تصاویر کلنی های Streptomyces های جداسازی شده در دانشگاه تهران - UTMC.V1.DB - 1 استفاده می شود. دو مجموعهی ویژگی از این تصاویر استخراج شد. اولین مجموعه ویژگی، اطلاعات مربوط به بافت را ارائه میکند و مجموعه دوم از ویژگیها، اطلاعات رنگی را شامل میشود. در این پژوهش برای استخراج ویژگیها از روش الگوی اشتقاق هم آمیخته - IDP - 2 استفاده شد. با در اختیار داشتن بردار ویژگی حاوی اطلاعات بافت و رنگ، از چند روش دسته بندی شناخته شده شامل دسته بندی کنندههای -kنزدیکترین همسایه - kNN - 3 و Naive Bayes برای دسته بندی استرپتومایسس ها استفاده می شود.
نتایج اعمال روش پیشنهادی بر تصاویر مجموعه UTMC.V1.DB حاکی از آن است که انتخاب ویژگی به همراه طبقهبندی کنندهی kNN در تشخیص میکروارگانیسمها، بیش از بکارگیری روشهای دیگر موفق است. در ادامه در بخش دوم پژوهشهای مرتبط معرفی می شوند. در بخش دوم روش پردازش تصویر پیشنهادی معرفی می شود. بخش 4 به آزمایشات و نتایج می پردازد و در انتها بخش 5 جمع بندی این پژوهش را ارایه می دهد.
پژوهش های مرتبط
در این بخش ابتدا به تحقیقات پیشین در مورد شناسایی خودکار موجودیت های زیستی از روی تصاویر پرداخته می شود و در بخش دوم به معرفی الگوی اشتقاق هم آمیخته و نسخه های پیشین آن پرداخته می شود. در تحقیق انجام شده در , - Sajedi et al 2017 - برای استخراج اطلاعات مرتبط به بافت هر میکروارگانیسم، ویژگیهای گابور - Ramakrishnan et al , 2002 - از تصاویر استخراج شده است. فیلتر گابور یک فیلتر خطی است که از آن برای تشخیص لبه استفاده میشود. معرفهای فرکانس و جهتگیری فیلترهای گابور مشابه سیستم بینایی انسان است. فیلتر گابور به ویژه برای ارائه و تمایز بافت مناسب است. تبدیل گابور، حالت خاصی از تبدیل کوتاهمدت فوریه است.
تحقیق مطرح - Ferrari et al , 2017 - روشی ارایه می دهد که از روی تصاویر تعداد کلونی های موجود در پلیت های میکروبیولوژی را بطور خودکار شمارش می کند. انجام اینکار به صورت دستی زمان بر و با خطا همراه است. برای اینکار از دو روش یادگیری ماشین استفاده شده است. روش اول ماشین بردار پشتیبان4 است. روش دوم بر اساس معماری یادگیری عمیق5با استفاده از شبکه عصبی پیچشی 6است. نتایج آزمایشات این تحقیق نشان داده است که شبکه عصبی پیچشی از سایر روشها از جمله ماشین بردار پشتیبان موفق تر عمل کرده است.
الگوی اشتقاق هم آمیخته
الگوی اشتقاق هم آمیخته برگرفته از نسخ پیشین آن به نامهای "الگوی دودویی محلی " - LBP - 7 و " الگوی اشتقاق محلی" - LDP - 8 است. در ادامه ابتدا این روشها معرفی می شوند و سپس الگوی اشتقاق هم آمیخته معرفی می شود.
