DE10037742A1 - System zur Erkennung und Klassifizierung von Objekten - Google Patents
System zur Erkennung und Klassifizierung von ObjektenInfo
- Publication number
- DE10037742A1 DE10037742A1 DE10037742A DE10037742A DE10037742A1 DE 10037742 A1 DE10037742 A1 DE 10037742A1 DE 10037742 A DE10037742 A DE 10037742A DE 10037742 A DE10037742 A DE 10037742A DE 10037742 A1 DE10037742 A1 DE 10037742A1
- Authority
- DE
- Germany
- Prior art keywords
- objects
- variants
- determined
- regular
- variant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
Abstract
Die Erfindung betrifft Systeme zur automatischen, softwaregesteuerten Auswertung von bestimmten ersten Objekten zugeordneten Datenfeldern, insbesondere zur Formerkennung und/oder Identifikation der ersten Objekte und Klassifikation der ersten Objekte innerhalb eines vorgegebenen Klassifikationsmodells, wobei durch Auswertung der Datenfelder jedes der ersten Objekte eine Anzahl von Varianten für jedes dieser ersten Objekte ermittelt wird und aus den Varianten der ersten Objekte die regulären Varianten dieser ersten Objekte und deren Klassen durch Anwendung eines Algorithmus ermittelt werden.
Description
Die vorliegende Erfindung betrifft Systeme zur automatischen, softwaregesteuerten
Auswertung von Objekten zugeordneten Datenfeldern und betrifft insbesondere die
Merkmalsextraktion aus diesen Datenfeldern und Erkennung der Form und/oder die
Identifikation dieser Objekte bzw. die Klassifikation dieser Objekte innerhalb eines
vorgegebenen Klassifikationsmodells.
Objekte im Sinne der Erfindung können Schriftzeichen, Buchstaben, Ziffern und dergleichen,
und insbesondere auch längliche, eine Orientierung aufweisende Objekte, wie zum Beispiel
Chromosomen sein. Allgemeiner können die erfindungsgemäßen Objekte beliebige
physikalische und nicht-physikalische Objekte sein, soweit ihnen Datenfelder zur automatischen
Auswertung im erfindungsgemäßen System zugewiesen werden können.
Bei der Auswertung eines Datenfeldes, das bestimmten Objekten zugeordnet werden kann mit
der Maßgabe die Form dieser Objekte zu erkennen und/oder diese Objekte zu identifizieren und
diese Objekte gegebenenfalls dann innerhalb eines vorgegebenen Klassifikationsmodells zu
klassifizieren, handelt es sich um eine klar umrissene Aufgabe, bei der es äußerst wünschenswert
ist, diese schon aus Gründen der Praktikabilität und Kostenersparnis auf softwaregesteuerte
automatische Systeme zu übertragen.
Automatisch ablaufende Algorithmen zur Objekterkennnung und -identifikation enthalten
meistens Schritte, in denen Merkmale des vorliegenden Objektes extrahiert werden. Oft kann
diese Extraktion nicht in eindeutiger Weise geschehen, da auf einem niederen
Informationsniveau Mehrdeutigkeiten auftreten können. Dies gilt insbesondere für
Anwendungen in der Bildverarbeitung, wo Voraussetzung für eine erfolgreiche
Merkmalsextraktion eine vorherige Form- und/oder Orientierungserkennung sein kann. Es
müssten also Form und/oder Orientierung bereits bekannt sein, um die Merkmale zur deren
Bestimmung eindeutig extrahieren zu können.
Beispielsweise kann zur Erkennung hand- oder maschinengeschriebener Ziffern (0, . . ., 9) die
Krümmungskurve der vorgelegten Ziffer verwendet werden. Als Merkmale, die es zu extrahieren
gilt, eignen sich z. B. deren Fourier- oder Wavelet-Koeffizienten. Bei der Ermittlung dieser
Koeffizienten ergibt sich das Problem, die Messung der Krümmungskurve an einer
vorgegebenen Stelle (Bezugspunkt) auf der Ziffer zu beginnen. Für diese Bezugspunkte eignen
sich zum Beispiel die Spitzen der Ziffern. Soll etwa die Ziffer "3" erkannt werden, liegen
üblicherweise zwei oder drei Spitzen vor. Weil jedoch die Ziffer nicht bekannt ist, ist es nicht
klar, welche der zwei oder drei Spitzen der vorgegebene Bezugspunkt ist, bei dem die Messung
begonnen werden soll. Im Falle einer "6" wäre die oberste Spitze zu nehmen, im Falle einer "9"
hingegen wäre die unterste Spitze zu nehmen. Alle aufgefundenen Spitzen sind nun mögliche
Bezugspunkte, die zur Bestimmung der Merkmalssätze verwendet werden können. Die variablen
Merkmalssätze können also abhängig von dem gewählten Bezugspunkt variieren ("Variante"),
wobei die mit dem "richtigen", vorgegebenen Bezugspunkt gebildete Variante die (unbekannte)
"reguläre Variante" darstellt. Bei der Analyse durch softwaregesteuerte, automatische Systeme
ist es jedoch bislang notwendig sich auf nur eine Variante zur Bestimmung des Merkmalssatzes
der Ziffer beschränken, die im Falle einer falschen Wahl zu einer fehlerhaften Identifikation der
Ziffer führen kann. Zur Verminderung der Fehlerrate wäre es deshalb äußerst wünschenswert
über ein softwaregesteuertes, automatisches System zu verfügen, das mit hoher
Wahrscheinlichkeit die reguläre Variante auffindet.
Ein weiteres Beispiel bei dem automatisch ablaufende Algorithmen zur Objekterkennnung und
-identifikation nützlich sind, ist die Erkennung der biologischen Klasse eines Chromosoms unter
dem Lichtmikroskop. Ein solches Verfahren wird häufig im Rahmen human- oder
veterinärmedizinischer Diagnostik durchgeführt, beispielsweise bei der Diagnose auf Krebsarten
oder der Untersuchung auf umweltbedingte genetische Schäden.
Die Chromosomen einer Eukariontenzelle erscheinen unter dem Lichtmikroskop als längliche,
teils verbogene Objekte in großer Unordnung. Bei der Klassifikation ist der Untersucher dabei
vor die Aufgabe gestellt, die in alle Richtungen liegenden und zum Teil stark verformten und
sich teilweise sogar auch überlappenden Chromosomen, den dieser Zelle entsprechenden
Chromosomenklassen zuzuordnen.
Eine normale menschliche Zelle mit Zellkern enthält 46 Chromosomen, die in 22
übereinstimmende Paare homologer Chromosomen und die jeweiligen
Geschlechtschromosomen, XY in männlichen Zellen und XX in weiblichen Zellen, eingeteilt
werden können.
Um die Chromosomen optisch unterscheidbar zu machen, werden diese durch eine
histochemische Reaktion angefärbt, wobei sich die Bereiche des Erbmaterials, die überwiegend
die zusammengehörigen Nukleobasenpaare Adenin-Thymin (AT) bzw. Cytosin-Guanin (CG)
enthalten, durch ihre unterschiedliche Anfärbbarkeit makroskopisch deutlich voneinander
unterscheiden. Bei der Anfärbung ergibt sich ein für das einzelne Chromosom charakteristisches
Bandmuster. Weitere Unterscheidungskriterien der Chromosomen sind deren Größe sowie die
relative Lage des Zentromers.
Ein erfahrener Untersucher ist bei einer optischen Auswertung, basierend auf Bandmuster, Größe
der Chromosomen und die Lage des Zentromers, imstande mit einer Geschwindigkeit von
ca. 15 min/Zelle die Chromosomen zu klassifizieren. Legt man klinische Bilder von relativ guter
Bildqualität zugrunde, unterlaufen ihm hierbei, abhängig von der jeweiligen Qualität des
Zellbildes, üblicherweise nur etwa 1-3 Fehlklassifizierungen pro 1000 untersuchten
Chromosomen, d. h. die relative Fehlerhäufigkeit liegt in der Größenordnung von 0,1-0,3%.
Eine manuelle Auswertung ist jedoch zeit- und kostenintensiv, weshalb es bereits in den frühen
60er Jahren Versuche gab, automatische, computergestützte Klassifzierungsverfahren zu
entwickeln, mit allerdings hohen Fehlerraten.
Selbst bei den heutzutage verfügbaren automatischen Klassifizierungssystemen für
Chromosomen ist die Fehlerhäufigkeit noch wesentlich höher als bei der manuellen optischen
Untersuchung durch einen erfahrenen Untersucher, so dass größere manuelle Korrekturen
notwendig sind.
In den modernen automatischen Klassifizierungssystemen benutzt man für die
Merkmalsbestimmung der Chromosomen eindimensionale Funktionen ("Profile") in
Längsrichtung der Chromosomen. Bei gebogenen Chromosomen sind die beiden Enden der
Chromosomen jedoch nicht unmittelbar klar. Selbst wenn man die beiden Ende kennen würde,
wäre es auch nicht von vorneherein ersichtlich, welches das "obere" und welches das "untere"
Ende des Chromosoms ist.
Um die Merkmalssätze den biologischen Klassen zuzuweisen wurden mehrere unterschiedliche
Verfahren vorgeschlagen. Beispielsweise gab es Ansätze die Chromosomen unter Verwendung
eines neuronalen Netzes zu klassifizieren. Hierzu ist es für eine bestimmte
Klassifizierungsaufgabe notwendig, das neuronale Netz zunächst mit den Merkmalssätzen
bekannter Objekte zu "trainieren" um danach die Merkmalssätze unbekannter Objekte an dem so
vorbereiteten neuronalen Netz einer Auswertung zu unterziehen. Mit einer solchen
Klassifizierung der Chromosomen wird jedoch eine relative Fehlerhäufigkeit von mindestens
7-9% berichtet, die somit weit oberhalb der relativen Fehlerhäufigkeit bei der manuellen
optischen Untersuchung (0,1-0,3%) liegt.
Die bisher kleinsten Fehlerraten bei der automatischen Klassifizierung der Chromosomen auf der
Basis von korrekt segmentierten Zellen, konnten durch das Aufstellen geeigneter statistischer
Modelle für die Merkmalssätze und die anschließende Klassifizierung der Merkmalssätze
anhand dieser statistischen Modelle in die biologischen Klassen erzielt werden.
Bei diesen Modellen wurde angenommen, dass die Merkmalssätze der Chromosomen einer
elliptisch konturierten Verteilung genügen. Wird zusätzlich das Verhalten der radialen Funktion
einer solchen elliptischen Verteilung variiert, kann eine weitere Verminderung der Fehlerrate
erzielt werden. Während bei dem klassischen Normalverteilungsmodell auf Grundlage des
großen Kopenhagener Bildatensatzes Cpr eine Fehlerrate von ca. 3% auftritt, konnte mit
ausgefeilteren Modellen (Pareto-Modell, empirisches Modell) eine Verminderung der Fehlerrate
auf ungefähr 2% erreicht werden.
Das bislang genaueste heutzutage verwendete automatische Klassifikationssystem auf der
Grundlage der Bayes'schen Klassifizierung, ein so genanntes "IQAO"-Klassifikationssystem,
erreicht bei Anwendung auf den großen Kopenhagener Bilddatensatz Cpr eine relative
Fehlerhäufigkeit von ca. 1,22%. (In dem das Verfahren kennzeichnenden Akronym steht die
Abkürzung "I" für "statistische Unabhängigkeit der Chromosomen", die Abkürzung "QA" für
"quadratische Asymmetrie in den Verteilungen" und die Abkürzung "O" für "Modell mit
Ausreißern"). Im Unterschied zu den herkömmlichen statistischen Modellen werden bei diesem
Modell die Merkmalssätze nicht durch eine Normalverteilung sondern anhand einer quadratisch
asymmetrischen Verteilung beschrieben. Hierdurch kann im Vergleich zu den genannten
herkömmlichen Modellen eine weitere Verminderung der Fehlerrate um einen Faktor 2-3 erzielt
werden.
Gleichwohl ist es bei diesen Verfahren notwendig, dass die Analyse auf nur einen Merkmalssatz
beschränkt wird. Entstehen mehrere variable Merkmalssätze (Varianten) werden diese also nicht
gleichberechtigt behandelt. Derartige Varianten können zum Beispiel durch mehrere
aufgefundene potentielle Enden (Bezugspunkte) des Chromosoms oder durch unklare Polarität
entstehen. Beschränkt man sich dabei irrtümlicherweise auf eine falsche Variante, führt dies
womöglich zu einem statistischen "Ausreißer" und zu einer Fehlklassifikation des Chromosoms.
Ersichtlich ist das in seiner Fehlerrate bislang beste automatische Klassifikationssystem für
Chromosomen immer noch wesentlich schlechter als die manuelle optische Auswertung durch
einen erfahrenen Untersucher, so dass es äußerst wünschenswert wäre, die Fehlerrate weiter zu
vermindern.
Hinsichtlich des genannten Standes der Technik wird auf die folgenden Veröffentlichungen
verwiesen:
- 1. Automatic classification of chromosomes by means of quadratically asymmetric statistical distribution; G. Ritter, K. Gaggenmeier in Pattern Recognition 32 (1999) 997-1008;
- 2. Outliers in statistical pattern recognition and an application to automatic chromosome classification; G. Ritter und M. T. Gallegos in Pattern Recognition Letters 18 (1997) 525-539;
- 3. Automatic context-sensitive Karyotyping of human chromosomes based on elliptically symmetric statistical distributions; G. Ritter, M. T. Gallegos, K. Gaggenmeier in Pattern Recognition 28 (1995) 823-831;
- 4. Application of Artificial Neural Network to Chromosome Classification; Ph. Errington, J. Graham in Cytometry 14 (1993) 627-639;
- 5. On fully automatic feature measurement for banded chromosome classification; J. Piper, E. Granum in Cytometry 10 (1989) 242-255;
- 6. US-Patent 4656594 (R. S. Ledley);
- 7. Application of statistical and syntactical methods of analysis and classification to chromosome data; J. Kittler, K. S. Fu, L. F. Pan in Pattern Recognition (1982) 373-398.
Aufgabe der vorliegenden Erfindung ist es deshalb, die bisherige Fehlerrate bei Systemen zur
automatischen, softwaregesteuerten Auswertung von Objekten zugeordneten Datenfeldern,
insbesondere zur Formerkennung und/oder Identifikation dieser Objekte bzw. zur Klassifikation
dieser Objekte innerhalb eines vorgegebenen Klassifikationschemas, noch weiter zu verringern.
Erfindungsgemäß wird diese Aufgabe durch die Merkmale der Hauptansprüche gelöst.
Vorteilhafte Ausgestaltungen der Erfindung sind in den abhängigen Unteransprüchen angegeben.
Durch die Erfindung wird eine weitere Verminderung der Fehlerrate bei Systemen zur
automatischen, softwaregesteuerten Auswertung von Objekten zugeordneten Datenfeldern durch
eine Einbeziehung der variablen Merkmalssätze (Varianten) in die Auswertung erzielt. Im
Gegensatz zu den bisherigen Verfahren, bei denen von vorneherein ein Beschränkung auf einen
Merkmalssatz erfolgt, werden zunächst alle Varianten gleichberechtigt behandelt, d. h. es
werden, abhängig von gewählten Bezugspunkten, mehrere Merkmalssätze bestimmt. Aus den
Merkmalssätzen wird dann ein Merkmalssatz ("reguläre Variante") ausgewählt, der am besten zu
einem vorgegebenen Modell paßt. In vorteilhafter Weise wird es bei diesem Verfahren unter
Einbeziehung der Varianten vermieden, dass eine Beschränkung auf einen falschen
Merkmalssatz erfolgt, der mit hoher Wahrscheinlichkeit zu einer fehlerhaften Bestimmung
führen würde.
Durch die erfindungsgemäßen automatischen, softwaregesteuerten Verfahren wird bei oben
genanntem Datensatz eine relative Fehlerhäufigkeit von 0,6-0,7% erreicht. Die relative
Fehlerhäufigkeit bei den bislang genauesten automatischen, softwaregesteuerten Verfahren wird
somit etwa um einen Faktor 2 vermindert.
Im Unterschied zu einer herkömmlichen statistischen Klassifikation, bei der typischerweise eine
Beobachtung und mehrere statistische Modelle miteinander verglichen werden und dabei
dasjenige Modell gesucht wird, welches am besten zur Beobachtung passt, hat man bei dem
erfindungsgemäßen Verfahren ein statistisches Modell und mehrere Beobachtungen, die dann als
Varianten bezeichnet werden. Diese Varianten sind durch Merkmalssätze eindeutig definiert.
Die Varianten können von einem Objekt kommen oder von mehreren bzw. verschiedene
Messungen am gleichen Objekt sein, wobei sich diese im letzteren Fall zum Beispiel aufgrund
von Mehrdeutigkeiten im Meßprozeß ergeben können. Das Konzept der Varianten ist somit
immer dann vorteilhaft, wenn bei der Bestimmung der Merkmalssätze Mehrdeutigkeiten
auftreten.
Die Beobachtungen werden aus Datenfeldern ermittelt, die den Objekten zugeordnet sind. Aus
den Beobachtungen wird dann die "richtige" Beobachtung gesucht, die reguläre Variante, die
von dem gegebenen Modell abstammt, also eine Realisierung des Modells ist.
Das Objekt kann in eine von verschiedenen vorgegebenen Klassen innerhalb eines
Klassifikationsmodells klassifiziert werden, wenn die reguläre Variante als ein vorgebbarer
Standardrepräsentant einer Klasse betrachtet wird. Gleichwohl kann es manchmal als
ausreichend erachtet werden, nicht die regulären Varianten der Objekte, sondern aus den
Varianten nur die Klassen der Objekte zu bestimmen.
Das erfindungsgemäße System zeichnet sich dadurch aus, daß in einem vorbereitenden
(Lern-) Schritt zweiten Objekten zugeordnete Datenfelder und dann in einem weiteren (die
eigentliche Arbeitsphase betreffenden) Schritt ersten Objekten zugeordnete Datenfelder einer
Auswertung unterzogen werden.
Durch die Auswertung der den zweiten Objekten zugeordneten Datenfeldern wird eine Anzahl
von Varianten für jedes dieser zweiten Objekte ermittelt. Die Varianten sind durch deren
Merkmalssätze eindeutig bestimmt, wobei sich die Varianten aus Mehrdeutigkeiten bei der
Bestimmung der Merkmalssätze ergeben können.
Aus den Varianten der zweiten Objekte werden nach einer vorgegebenen Regel die regulären
Varianten dieser zweiten Objekte bestimmt und aus den Merkmalssätzen der regulären Varianten
im weiteren ein statistisches Modell für die regulären Varianten in Form einer Dichtefunktion f
("Score-Funktion") bestimmt.
Ferner werden aus den Varianten der zweiten Objekte Wahrscheinlichkeiten qh dafür bestimmt,
dass die reguläre Variante an der Position h einer gewählten Abfolge der Varianten sitzt.
Der eigentlichen Arbeitsphase zugehörig wird im weiteren durch die Auswertung der den ersten
Objekten zugeordneten Datenfelder eine Anzahl von Varianten für jedes dieser ersten Objekte
ermittelt. Die Varianten sind dabei durch Merkmalssätze x1, x2, . . . eindeutig bestimmt.
Aus den Varianten für jedes erste Objekt wird die reguläre Variante des ersten Objektes durch
Anwendung eines Algorithmus ermittelt, der die Position h in der Abfolge der Varianten, an der
der Ergebniswert des Produktes f(xh)qh maximal ist, bestimmt. Das zuletzt genannte Produkt
wird mit dem Bezugszeichen (A1) gekennzeichnet.
Die Erfindung betrifft weiterhin ein System zur automatischen, softwaregesteuerten Auswertung
von bestimmten ersten Objekten zugeordneten Datenfeldern, insbesondere zur Formerkennung
und/oder Identifikation der ersten Objekte und Klassifikation der ersten Objekte innerhalb eines
vorgegebenen Klassifikationssystems, welches sich von dem oben dargestellten
erfindungsgemäßen System im wesentlichen dadurch unterscheidet, dass neben den regulären
Varianten der ersten Objekte auch die Klassen der ersten Objekte bestimmt werden.
Bei diesem System werden, wie bei dem oben bereits dargestellten erfindungsgemäßen System,
zuerst in einem vorbereitenden (Lern-) Schritt zweiten Objekten zugeordnete Datenfelder und
dann in einem weiteren (die eigentliche Arbeitsphase betreffenden) Schritt ersten Objekten
zugeordnete Datenfelder einer Auswertung unterzogen.
Durch Auswertung der den zweiten Objekten aller Klassen zugeordneten Datenfelder wird
zunächst eine Anzahl von, durch Merkmalssätze bestimmten Varianten für jedes dieser zweiten
Objekte ermittelt.
Aus den Varianten der zweiten Objekte werden dann nach einer vorgegebenen Regel reguläre
Varianten dieser zweiten Objekte und aus den Merkmalssätzen der regulären Varianten ein
statistisches Modell für die regulären Varianten jeder Klasse j in Form einer Dichtefunktion fj
("Score-Funktion") bestimmt.
Ferner werden aus den Klassen und Varianten der zweiten Objekte Wahrscheinlichkeiten qj,h
dafür bestimmt, dass dieses zweite Objekt der Klasse j angehört und seine reguläre Variante an
der Position h einer gewählten Abfolge der Varianten sitzt.
Dann wird durch Auswertung der Datenfelder von jedem der ersten Objekte eine Anzahl von,
durch Merkmalssätze x1, x2, . . . bestimmten Varianten für jedes dieser ersten Objekte ermittelt.
Aus den Varianten der ersten Objekte werden dann die regulären Varianten dieser ersten Objekte
und deren Klassen durch Anwendung eines Algorithmus ermittelt, der die Position h in der
Abfolge der Varianten und die Klasse j, an der der Ergebniswert des Produktes fj(xh)qj,h maximal
ist, bestimmt. Das zuletzt genannte Produkt wird mit dem Bezugszeichen (A2) gekennzeichnet.
Die Erfindung betrifft außerdem ein System zur automatischen, softwaregesteuerten Auswertung
von bestimmten ersten Objekten zugeordneten Datenfeldern und Klassifikation der ersten
Objekte innerhalb eines vorgegebenen Klassifikationschemas, welches sich von dem zuletzt
angeführten erfindungsgemäßen System im wesentlichen dadurch unterscheidet, dass keine
regulären Varianten der ersten Objekte ermittelt, sondern aus den Varianten der ersten Objekte
nur deren Klassen bestimmt werden.
Bei diesem System werden, wie bei den beiden oben bereits dargestellten erfindungsgemäßen
Systemen, zuerst in einem vorbereitenden (Lern-) Schritt zweiten Objekten zugeordnete
Datenfelder und dann in einem weiteren (die eigentliche Arbeitsphase betreffenden) Schritt
ersten Objekten zugeordnete Datenfelder einer Auswertung unterzogen.
Durch die Auswertung der den zweiten Objekten aller Klassen zugeordneten Datenfelder wird
zunächst eine Anzahl von, durch Merkmalssätze bestimmten, Varianten für jedes dieser zweiten
Objekte ermittelt.
Aus den Varianten der zweiten Objekte werden nach einer vorgegebenen Regel reguläre
Varianten dieser zweiten Objekte bestimmt und dann aus den Merkmalssätzen der regulären
Varianten ein statistisches Modell für die regulären Varianten jede Klasse j in Form einer
Dichtefunktion fj ("Score-Funktion") bestimmt.
Zudem werden aus den Klassen und Varianten der zweiten Objekte Wahrscheinlichkeiten qj,h
dafür bestimmt, dass dieses zweite Objekt der Klasse j angehört und seine reguläre Variante an
der Position h einer gewählten Abfolge der Varianten sitzt.
Dann wird durch Auswertung der Datenfelder jedes der ersten Objekte eine Anzahl von, durch
Merkmalssätze x1, x2, . . . bestimmten Varianten für jedes dieser ersten Objekte ermittelt.
Aus den Varianten der ersten Objekte werden deren Klassen durch Anwendung eines
Algorithmus ermittelt, der die Klasse j, an der der Ergebniswert der Summe Σhfj(xh)qj,h maximal
ist, bestimmt. Die zuletzt genannte Summe wird mit dem Bezugszeichen (A3) gekennzeichnet.
In allen erfindungsgemäßen Systemen kann diese Dichtefunktion zu einer der bekannten
parametrischen Klassen gehören oder durch einen algebraischen, trigonometrischen oder
exponentiellen Ausdruck, einen Spline, ein neuronales Netz oder durch eine Tabelle gegeben
sein. Bekannte parametrische Klassen sind beispielsweise die Gaußsche oder die elliptische
Symmetrie. Solche parametrische Klassen sind zum Beispiel in der Monographie von N. L.
Johnson, S. Kotz: Distributions in Statistics: Continuous Multivariante Distributions, Wiley
beschrieben.
Den erfindungsgemäßen Systemen zur automatischen softwaregesteuerten Auswertung von
bestimmten ersten Objekten zugeordneten Datenfeldern ist insbesondere gemeinsam, dass sich
die genannten ersten und zweiten Objekte im wesentlichen dadurch unterscheiden, dass die
zweiten Objekte als "Lern"-objekte dienen, an deren relevanten Eigenschaften die relevanten
Eigenschaften der ersten Objekte, als "Test"-objekte geprüft werden, um so die ersten Objekte in
ihrer Form zu erkennen, diese zu identifizieren oder innerhalb eines vorgegebenen
Klassifikationsmodells zu klassifizieren.
In einer vorteilhaften Ausgestaltung der Erfindung ergeben sich die x1, x2, . . . Merkmalssätze der
Varianten aus eindimensionalen Funktionen, die auch als "Profile" bezeichnet werden.
Wird die Erfindung auf die automatische Erkennung von Bildobjekten angewendet, werden die
Varianten vorzugsweise durch jeweils einen oder mehrere vorgegebene Bezugspunkte definiert.
Handelt es sich bei den Bildobjekten um Schriftzeichen, Buchstaben, Ziffern und dergleichen
wird eine Variante vorzugsweise durch nur einen vorgegebenen Bezugspunkt definiert.
Soll die Erfindung zur automatischen Erkennung von länglichen, eine Orientierung
aufweisenden Objekten, beispielsweise Chromosomen, bzw. zur Erkennung deren Orientierung
angewendet werden, wird eine reguläre Variante vorzugsweise aus den Varianten ermittelt, die
durch jeweils zwei vorgegebene Bezugspunkte definiert sind. Die Varianten werden dabei in
vorteilhafter Weise ermittelt, indem zunächst eine Anzahl m Bezugspunkte bestimmt wird und
aus diesen m Bezugspunkten Paare gebildet werden. Durch jedes dieser Paare wird eine als
Objektlängsachse identifizierte Achse gelegt und entlang dieser Objektlängsachse dann das
Profil des Objektes ermittelt.
Im folgenden wird die Erfindung anhand mehrerer Ausführungsbeispiele und den beigefügten
Zeichnungen näher erläutert.
Fig. 1 zeigt die menschlichen Chromosomen einer Zelle in der Metaphase.
Fig. 2 zeigt die Klasseneinteilung der Chromosomen.
Fig. 3 zeigt das Karyogramm einer menschlichen Zelle.
Fig. 4 zeigt jeweils die drei dominanten Punkte eines gebogenen (a) und dreieckigen (b, c)
Chromosoms.
Fig. 5 zeigt jeweils die vier dominanten Punkte eines gebogenen (a), rechteckigen (b),
X-förmigen (c) und fast quadratischen (d) Chromosoms.
Fig. 6 zeigt die Stützstellen (a) und die Längsachse (b) eines Chromosoms.
Fig. 7 zeigt Ziffern zur Analyse mit dem erfindungsgemäßen System.
Beispiel 1 soll das erfindungsgemäße Verfahren veranschaulichen, wobei aus den Varianten des
Objektes die reguläre Variante bestimmt wird.
Es sei angenommen, dass das in Frage stehende Objekt (bzw. dessen Varianten) durch drei reelle
Merkmale beschrieben wird. Die reguläre Population, aus der die reguläre Variante Z1 kommt,
sei zentriert und symmetrisch normalverteilt mit der Varianz 10 in jeder Richtung.
Weiterhin sei angenommen, dass jede der b Varianten a priori mit gleicher Wahrscheinlichkeit
die reguläre Variante ist. Folglich kann dann qh = 1 gesetzt werden.
Bei dem erfindungsgemäßen Verfahren geht es nun darum, für die Dichtefunktion f im Produkt
(A1) ein geeignetes Referenzmaß ρ zu wählen, so dass die reguläre Variante eines Objektes mit
hoher Wahrscheinlichkeit unter den b Varianten aufgefunden wird. Dieses optimale ρ hängt im
allgemeinen von der statistischen Situation ab.
Es werde zum Beispiel angenommen, dass die falschen (d. h. von der regulären Variante
abweichenden) Varianten Z2, . . ., Zb aus der regulären (richtigen) Variante Z1 eines zweiten
Objektes über die Transformation
entstehen. Dabei beschreibe die Matrix S eine lineare Transformation im Merkmalsraum und der
Zufallsvektor R eine zufällige Störung.
Konkret sei S gegeben durch
und R sei zentriert und normalverteilt mit der Kovarianzmatrix
Wird in diesem Fall ρ(dx) = exp(-1/2(xTV-1x-1/4xTV-1x))dx gewählt, worin V die linke obere
3 × 3-Matrix in V ist, dann ergibt eine Vereinfachung ρ(dx) = exp(-∥x∥2/8)dx.
In diesem Fall hat das Produkt (A1) zur Bestimmung der regulären Variante die Form
f(xh)qh = exp(-∥xh∥2/20)/exp(-∥xh∥2/8) oder äquivalent einfach f(xh)qh = ∥xh∥2.
Die erfindungsgemäße Variantenmethode erkennt unter den Varianten somit diejenige als die
richtige, für die der Euklidische Abstand vom Nullpunkt maximal ist. Es können nun beliebig
viele Variantensätze untersucht werden, ohne dass die Analyse an den Objekten nochmals
durchgeführt werden muss.
Beobachtet man zum Beispiel bei einem Objekt 4 Varianten, welche durch die folgenden
4 Merkmalsvektoren bestimmt sind
Variante 1 = [1,0,0]
Variante 2 = [0,0,1]
Variante 3 = [1,0,1]
Variante 4 = [0,0,0]
Variante 2 = [0,0,1]
Variante 3 = [1,0,1]
Variante 4 = [0,0,0]
dann ergeben sich als Werte der Funktion (A1) 1, 1, 2, 0, so dass Variante 3 als die reguläre
Variante des Objektes erkannt wird.
Beispiel 2 soll das erfindungsgemäße Verfahren veranschaulichen, wobei aus den Varianten der
Objekte die regulären Varianten der Objekte und deren Klassen bzw. aus den Varianten der
Objekte nur deren Klassen ermittelt werden.
Angenommen, die Merkmalssätze seien 2-dimensional, es gebe die zwei Klassen 1, 2 und jedes
Objekt besitze die zwei Varianten 1 und 2. Wird als Referenzmaß das Lebesgue-Maß auf R2
gewählt und als (parametrisches) statistisches Modell die Normalverteilung, so gilt
mit Vektoren mj ε R2 und positiv definiten 2 × 2-Matrizen Vj, j = 1,2.
Durch Anwendung klassischer statistischer Verfahren auf die zweiten Objekte ergebe sich bei
der Ermittlung der regulären Varianten
m1 = (0,1)T, m2 = (1,2)T
sowie
Ferner möge die Position der regulären Variante von der Klasse unabhängig sein. Durch
Anwendung klassischer statistischer Verfahren werde für Klasse 1 die Wahrscheinlichkeit 1/3
und für Klasse 2 die Wahrscheinlichkeit 1/4 ermittelt, dass die reguläre Variante an Position 1
sitzt.
Somit ergibt sich durch Multiplikation
Damit sind die Parameter in den Produkten (A2) und (A3) bestimmt und das automatische
System kann auf die ersten Objekte angewandt werden.
Es komme nun ein erstes Objekt mit den Merkmalssätzen x1 = (3,2), x2 = (2,3) der beiden
Varianten. Man erhält durch Einsetzen
2πf1(x1)q1,1 ≈ e-1.2/27, 2πf1(x2)q1,2 ≈ e-1.5/9,
2πf2(x1)q2,1 ≈ e-0.75/8.5, 2πf2(x2)q2,2 ≈ e-1.0/2.8.
Damit wird (A2) maximal in j = 2 und h = 2 und (A3) wird maximal in j = 2.
Beispiel 3 soll das erfindungsgemäße Verfahren speziell im Zusammenhang mit einer
Form-/Polaritätsbestimmung und Klassifizierung von Chromosomen veranschaulichen.
Aufgabe ist es also, separierte, nicht-standardisierte Chromosomen, die im allgemeinen
Zufälligkeiten aufweisen, in der Ebene zu erkennen.
Fig. 1 zeigt mithilfe einer lichtmikroskopischen Abbildung die zu bestimmenden
Chromosomen einer menschlichen Zelle in der Metaphase.
In Fig. 2 ist dargestellt, wie die Chromosomen anhand der unterschiedlichen Bandmuster,
Größen und Lagen des Zentromers in 24 unterschiedliche Klassen eingeteilt werden.
Als Zentromer wird gemeinhin der Teil des Chromosoms bezeichnet, an dem die beiden
Längshälften des Chromosoms miteinander verbunden sind. Die für die jeweilige Klasse
repräsentative Polarität des Chromosoms entsteht bei Lokalisierung des Zentromers im oberen
Teil des Chromosoms.
Fig. 3 zeigt das Karyogramm einer menschlichen Zelle, bei dem alle 46 Chromosomen den 24
unterschiedlichen Klassen zugeordnet sind.
Zunächst besteht die Aufgabe darin, die Profile der Chromosomen und daraus die Merkmalssätze
für die Varianten zu bestimmen. Üblicherweise verwendet man hierzu drei unterschiedliche
Profile: Dichteprofil, Gradientenprofil und Formprofil.
Die Profilbestimmung erfolgt über eine Methode, welche die Kontur der Chromosomen in eine
parametrisierte Längsachse umwandelt. Hierzu ist es notwendig die Spitzen der Chromosomen
mittels dominanter Punkte zu bestimmen. Dies geschieht im wesentlichen in vier Schritten:
- - Extraktion der Objektgrenzen und der damit verbundenen Kontur
- - Bestimmung der Konturkrümmung
- - Bestimmung der wesentlichen Maxima der Konturkrümmung und
- - Extraktion der mit den wesentlichen Maxima verbundenen dominanten Punkte.
Die wesentlichen Maxima der Konturkrümmung stellen mögliche Kandidaten für die beiden
Spitzen des Chromosoms dar.
Fig. 4 zeigt jeweils die drei dominanten Punkte eines gebogenen (a) und dreieckigen (b, c)
Chromosoms.
Fig. 5 zeigt jeweils die vier dominantem Punkte eines gebogenen (a), rechteckigen (b),
X-förmigen (c) und fast quadratischen (d) Chromosoms.
Für jedes gefundene Paar dominanter Punkte wird als nächstes eine Längsachse berechnet,
indem Stützstellen zwischen den dominanten Punkten ermittelt werden, die dann über eine
Interpolation, insbesondere kubische Spline-Interpolation, interpoliert werden.
Fig. 6 zeigt die Stützstellen (a) und die Längsachse (b) eines Chromosoms.
Die Profile werden dann bestimmt, indem das Chromosom senkrecht zu der Längsachse in
äquidistante Scheiben zerlegt wird und den Scheiben die Bildgrauwerte, d. h. den Pixeln
zugeordneten Grauwertstufen des Bandmusters zugewiesen werden.
Dann werden die Profile mit Hilfe von Transformationsmethoden der Signalanalyse zu
Merkmalssätzen konvertiert. Dabei können Fourier-, Cosinus- oder Wavelet-Koeffizienten
verwendet werden.
Aus den zweiten Merkmalssätzen werden nun die Funktionen fj und die Wahrscheinlichkeiten
qj,h bestimmt. Die ersten Merkmalssätze können dann mit Hilfe der Formeln (A2) oder (A3)
automatisch klassifiziert werden.
Beispiel 4 soll das erfindungsgemäße Verfahren speziell im Zusammenhang mit der
Klassifikation von hand- oder maschinengeschriebenen Ziffern veranschaulichen. In Fig. 7 ist
ein Beispiel für solche Ziffern dargestellt.
Aufgabe ist es also, die Art eines als Datensatz vorliegenden Ziffernbildes zu erkennen. Dies soll
aufgrund der Krümmungskurve der Ziffer geschehen.
Hierzu ist es zweckmäßig zunächst einen Ausdünnungsalgorithmus zur Reduktion der
Datenmenge auf die Ziffer anzuwenden.
Wie in Fig. 7 ersichtlich, erhält man dann eine Ziffer von der Breite eines Pixels. An dieser
Linie werden dann die Spitzen (Bezugspunkte) bestimmt. Ausgehend von jeder Spitze wird nun
durch Umfahren der Ziffer, z. B. im mathematisch positiven Sinne, die Krümmungskurve
bestimmt, bis man wieder an der selben Spitze ankommt. Auf diese Weise erhält man für jede
Spitze eine Variante. Aus den Varianten werden in herkömmlicher Weise mit Mitteln aus der
Signalverarbeitung Koeffizienten bestimmt. Hierbei kann es sich beispielsweise um Fourier-,
Cosinus- oder Wavelet-Koeffizienten handeln. Aus den regulären Merkmalssätzen (regulären
Varianten) der zweiten Ziffern werden nun die Funktionen fj und die Wahrscheinlichkeiten qj,h
bestimmt. Die ersten Merkmalssätze können dann mit Hilfe der Formeln (A2) oder (A3)
automatisch klassifiziert werden.
Claims (12)
1. System zur automatischen, softwaregesteuerten Auswertung von bestimmten ersten
Objekten zugeordneten Datenfeldern, insbesondere zur Formerkennung und/oder
Identifikation der ersten Objekte, dadurch gekennzeichnet, dass
- a) durch Auswertung von zweiten Objekten zugeordneten Datenfeldern eine Anzahl von, durch Merkmalssätze bestimmten Varianten für jedes dieser zweiten Objekte ermittelt wird;
- b) aus den Varianten der zweiten Objekte nach einer vorgegebenen Regel reguläre Varianten dieser zweiten Objekte bestimmt werden;
- c) aus den Merkmalssätzen der regulären Varianten ein statistisches Modell für die regulären Varianten in Form einer Dichtefunktion f bestimmt wird;
- d) aus den Varianten der zweiten Objekte Wahrscheinlichkeiten qh dafür bestimmt werden, dass die reguläre Variante an der Position h einer gewählten Abfolge der Varianten sitzt;
- e) durch Auswertung der Datenfelder jedes der ersten Objekte eine Anzahl von, durch Merkmalssätze x1, x2, . . . bestimmten Varianten für jedes dieser ersten Objekte ermittelt wird;
- f) aus den Varianten jedes ersten Objektes die reguläre Variante durch
Anwendung eines Algorithmus ermittelt wird, der die Position h in der
Abfolge der Varianten, an der der Ergebniswert des Produktes
f(xh)qh (A1)
2. System zur automatischen, softwaregesteuerten Auswertung von bestimmten ersten
Objekten zugeordneten Datenfeldern, insbesondere zur Formerkennung und/oder
Identifikation der ersten Objekte und Klassifikation der ersten Objekte innerhalb
eines vorgegebenen Klassifikationsmodells,
dadurch gekennzeichnet, dass
- a) durch Auswertung von zweiten Objekten aller Klassen zugeordneten Datenfeldern eine Anzahl von, durch Merkmalssätze bestimmten Varianten für jedes dieser zweiten Objekte ermittelt wird;
- b) aus den Varianten der zweiten Objekte nach einer vorgegebenen Regel reguläre Varianten dieser zweiten Objekte bestimmt werden;
- c) aus den Merkmalssätzen der regulären Varianten ein statistisches Modell für die regulären Varianten jeder Klasse j in Form einer Dichtefunktion fj bestimmt wird;
- d) aus den Klassen und Varianten der zweiten Objekte Wahrscheinlichkeiten qj,h dafür bestimmt werden, dass dieses zweite Objekt der Klasse j angehört und seine reguläre Variante an der Position h einer gewählten Abfolge der Varianten sitzt;
- e) durch Auswertung der Datenfelder jedes der ersten Objekte eine Anzahl von, durch Merkmalssätze x1, x2, . . . bestimmten Varianten für jedes dieser ersten Objekte ermittelt wird;
- f) aus den Varianten der ersten Objekte die regulären Varianten dieser ersten
Objekte und deren Klassen durch Anwendung eines Algorithmus ermittelt
werden, der die Position h in der Abfolge der Varianten und die Klasse j, an
der der Ergebniswert des Produktes
fj(xh)qj,h (A2)
3. System zur automatischen, softwaregesteuerten Auswertung von bestimmten ersten
Objekten zugeordneten Datenfeldern und Klassifikation der ersten Objekte innerhalb
eines vorgegebenen Klassifikationsmodells,
dadurch gekennzeichnet, dass
- a) durch Auswertung von zweiten Objekten aller Klassen zugeordneten Datenfeldern eine Anzahl von, durch Merkmalssätze bestimmten Varianten für jedes dieser zweiten Objekte ermittelt wird;
- b) aus den Varianten der zweiten Objekte nach einer vorgegebenen Regel reguläre Varianten dieser zweiten Objekte bestimmt werden;
- c) aus den Merkmalssätzen der regulären Varianten ein statistisches Modell für die regulären Varianten jeder Klasse j in Form einer Dichtefunktion fj bestimmt wird;
- d) aus den Klassen und Varianten der zweiten Objekte Wahrscheinlichkeiten qj,h dafür bestimmt werden, dass dieses zweite Objekt der Klasse j angehört und seine reguläre Variante an der Position h einer gewählten Abfolge der Varianten sitzt;
- e) durch Auswertung der Datenfelder jedes der ersten Objekte eine Anzahl von, durch Merkmalssätze x1, x2, . . . bestimmten Varianten für jedes dieser ersten Objekte ermittelt wird;
- f) aus den Varianten der ersten Objekte deren Klassen durch Anwendung eines
Algorithmus ermittelt werden, der die Klasse j, an der der Ergebniswert der
Summe
Σhfj(xh)qj,h (A3)
4. System nach einem der vorherigen Ansprüche,
dadurch gekennzeichnet, dass sich die Merkmalssätze der Varianten aus
eindimensionalen Funktionen ("Profile") ergeben.
5. System nach einem der vorherigen Ansprüche zur Anwendung bei der automatischen
Erkennung von Bildobjekten
dadurch gekennzeichnet, dass durch jeweils einen oder mehrere vorgegebene
Bezugspunkte eine Variante definiert wird.
6. System nach einem der vorherigen Ansprüche zur Anwendung bei der automatischen
Erkennung von Schriftzeichen, Buchstaben, Ziffern und dergleichen,
dadurch gekennzeichnet, dass durch einen vorgegebenen Bezugspunkt eine
Variante definiert wird.
7. System nach einem der Ansprüche 1 bis 5 zur automatischen Erkennung von
länglichen Objekten, insbesondere Chromosomen, und/oder deren Orientierung
dadurch gekennzeichnet, dass durch jeweils zwei vorgegebene Bezugspunkte eine
Variante definiert wird.
8. System nach Anspruch 7
dadurch gekennzeichnet, dass die Varianten durch den folgenden Algorithmus
ermittelt werden:
- a) Bestimmung von m Bezugspunkten und Auswahl von Paaren aus den Bezugspunkten,
- b) Bestimmung einer Objektlängsachse durch jedes Paar,
- c) Bestimmung des Profils entlang jeder Objektlängsachse.
9. System nach Anspruch 8,
dadurch gekennzeichnet, dass die Bezugspunkte dominante Punkte sind, deren
Bestimmung die folgenden Schritte umfaßt:
- a) Bestimmung der Objektkontur
- b) Bestimmung der Objektkonturkrümmung
- c) Bestimmung von wesentlichen Extremwerten der Objektkonturkrümmung.
10. System nach Anspruch 8,
dadurch gekennzeichnet, dass die Bestimmung der Objektlängsachse die folgenden
Schritte umfaßt:
- a) Bestimmung einer Abfolge von Stützstellen zwischen jedem gewählten Paar der m dominanten Punkte
- b) Bestimmung der Objektlängsachse durch Interpolation, einschließlich Spline-Interpolation und insbesondere kubische Spline-Interpolation der Stützstellen.
11. System nach Anspruch 8,
dadurch gekennzeichnet, dass die Bestimmung des Profils entlang der
Objektlängsachse die folgenden Schritte umfaßt:
- a) Unterteilung des Objektes in äquidistante Scheiben senkrecht zur Objektlängsachse
- b) Bestimmung der Profilkenngröße im Bereich der äquidistanten Scheiben.
12. System nach Anspruch 11,
dadurch gekennzeichnet, dass die sich die Profilkenngröße aus Pixeln zugeordneten
Grauwertstufen ergibt.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10037742A DE10037742C2 (de) | 2000-08-02 | 2000-08-02 | System zur Erkennung und Klassifizierung von Objekten |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10037742A DE10037742C2 (de) | 2000-08-02 | 2000-08-02 | System zur Erkennung und Klassifizierung von Objekten |
Publications (2)
Publication Number | Publication Date |
---|---|
DE10037742A1 true DE10037742A1 (de) | 2002-02-14 |
DE10037742C2 DE10037742C2 (de) | 2003-03-27 |
Family
ID=7651124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE10037742A Expired - Fee Related DE10037742C2 (de) | 2000-08-02 | 2000-08-02 | System zur Erkennung und Klassifizierung von Objekten |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE10037742C2 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820830A (zh) * | 2015-05-08 | 2015-08-05 | 南京林业大学 | 一种基于全波形LiDAR冠层剖面模型的树种识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4656594A (en) * | 1985-05-06 | 1987-04-07 | National Biomedical Research Foundation | Operator-interactive automated chromosome analysis system producing a karyotype |
DE4495111T1 (de) * | 1993-07-16 | 1995-12-07 | Olga Olegovna Verovenko | Verfahren zur Objekterkennung |
DE19610066C1 (de) * | 1996-03-14 | 1997-09-18 | Siemens Nixdorf Advanced Techn | Verfahren zur Erfassung gesichtsbezogener Personendaten und deren Verwendung zur Identifizierung oder Verifikation von Personen |
DE19636074C2 (de) * | 1996-09-05 | 1999-08-12 | Siemens Ag | Lernfähiges Bildverarbeitungssystem zur Klassierung |
-
2000
- 2000-08-02 DE DE10037742A patent/DE10037742C2/de not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4656594A (en) * | 1985-05-06 | 1987-04-07 | National Biomedical Research Foundation | Operator-interactive automated chromosome analysis system producing a karyotype |
DE4495111T1 (de) * | 1993-07-16 | 1995-12-07 | Olga Olegovna Verovenko | Verfahren zur Objekterkennung |
DE19610066C1 (de) * | 1996-03-14 | 1997-09-18 | Siemens Nixdorf Advanced Techn | Verfahren zur Erfassung gesichtsbezogener Personendaten und deren Verwendung zur Identifizierung oder Verifikation von Personen |
DE19636074C2 (de) * | 1996-09-05 | 1999-08-12 | Siemens Ag | Lernfähiges Bildverarbeitungssystem zur Klassierung |
Non-Patent Citations (5)
Title |
---|
G. Ritter, K. Gaggermeier "Automatic classification of chromosomes by means of quadratically asymmetric statistical distributions" Pattern Recognition 32 (1999) 997-1008 * |
G. Ritter, M.T. Gallegos "Outliers in statistical pattern recognition and an application to automatic chromosome classification" Pattern Recognition Letters 18 (1997) 525-539 * |
G. Ritter, M.T. Gallegos, K. Gaggermeier "Automatic context-sensitive Karyotyping of human chromosomes based on elliptically symmetric statistical distributions" in Pattern Recognition Vol. 28, No. 6 (1995) 823-831 * |
J. Piper, E. Granum "On fully automatic feature measurement for banded chromosome classification" in Cytometry 10 (1989) 242-255 * |
Phil A. Errington, J. Graham "Application of Artificial Neural Networks to Chromosome Classification" in Cytometry 14 (1993) 627-639 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820830A (zh) * | 2015-05-08 | 2015-08-05 | 南京林业大学 | 一种基于全波形LiDAR冠层剖面模型的树种识别方法 |
CN104820830B (zh) * | 2015-05-08 | 2018-01-02 | 南京林业大学 | 一种基于全波形LiDAR冠层剖面模型的树种识别方法 |
Also Published As
Publication number | Publication date |
---|---|
DE10037742C2 (de) | 2003-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2187351B1 (de) | Verfahren und Vorrichtung zum Erkennen von Objekten | |
EP2130174B1 (de) | Verfahren und vorrichtung zur ermittlung einer zellkontur einer zelle | |
EP1797533B1 (de) | Verfahren und vorrichtung zur segmentierung einer digitalen abbildung von zellen | |
DE112010003796B4 (de) | System und Verfahren zur Erzeugung und Verwendung von Iriscodes geringer Länge | |
WO2001036939A2 (de) | Verfahren zur automatischen analyse von mikroskopaufnahmen | |
EP3736817A1 (de) | Überprüfung und/oder verbesserung der konsistenz von datenkennzeichnungen bei der medizinischen bildverarbeitung | |
DE19705757A1 (de) | Verfahren und Gerät für das Design eines hoch-zuverlässigen Mustererkennungs-Systems | |
DE102018215770A1 (de) | Bildbearbeitungsvorrichtung, Zell-Erkennungsvorrichtung, Zell-Erkennungsverfahren und Zell-Erkennungsprogramm | |
DE2435889B2 (de) | Verfahren und einrichtung zur unterscheidung von zeichengruppen | |
EP2064672A2 (de) | Verfahren und vorrichtung zur bildverarbeitung | |
EP1203342A2 (de) | Verfahren und vorrichtung zur segmentierung einer punkteverteilung | |
EP2440920B1 (de) | Lokalisierung eines validen bereiches eines blutausstriches | |
WO1995024693A1 (de) | Wissensbasierte unschärfe auswahl für erkennungssystem mit mehreren erkennungseinheiten | |
DE102010046867A1 (de) | Verfahren zur Klassifizierung von Mustern in Bilddatensätzen | |
DE10037742C2 (de) | System zur Erkennung und Klassifizierung von Objekten | |
DE202022105962U1 (de) | Ein System zur Erkennung von Blattschäden auf der Grundlage der Form | |
EP0965088B1 (de) | Sichere identifikation mit vorauswahl und rückweisungsklasse | |
DE19820353C2 (de) | Verfahren und Vorrichtung zur Erkennung eines Musters auf einer Vorlage | |
EP3435056B1 (de) | Druckinspektionsvorrichtung zur optischen inspektion eines druckbildes eines druckobjekts | |
EP0693200B1 (de) | Verfahren zur klassifizierung von objekten | |
DE102019216184A1 (de) | Verfahren zum Robustifizieren eines Neuronalen Netzes gegen adversariale Störungen | |
DE102022206025A1 (de) | Populationsklassifikation mittels Punktwolken-Merkmalen | |
DE102022209113A1 (de) | Training von instanzsegmentierungsalgorithmen mit partiell annotierten bildern | |
EP4242929A1 (de) | Computerimplementiertes verfahren zum trainieren eines künstlichen neuronalen netzes (knn) mit einer sampleschwerpunktoptimierung zur erhöhung einer klassifikationsgenauigkeit des knn und trainingseinrichtung | |
DE102021214465A1 (de) | Analyse des Verhaltens von Bildklassifikatoren |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8304 | Grant after examination procedure | ||
8364 | No opposition during term of opposition | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |
Effective date: 20120301 |