ITPA20120019A1 - METHOD OF TEMPLATE MATCHING FOR IMAGE ANALYSIS. - Google Patents
METHOD OF TEMPLATE MATCHING FOR IMAGE ANALYSIS. Download PDFInfo
- Publication number
- ITPA20120019A1 ITPA20120019A1 IT000019A ITPA20120019A ITPA20120019A1 IT PA20120019 A1 ITPA20120019 A1 IT PA20120019A1 IT 000019 A IT000019 A IT 000019A IT PA20120019 A ITPA20120019 A IT PA20120019A IT PA20120019 A1 ITPA20120019 A1 IT PA20120019A1
- Authority
- IT
- Italy
- Prior art keywords
- template
- mapper
- image
- mappers
- sub
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 45
- 238000010191 image analysis Methods 0.000 title claims description 5
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000005314 correlation function Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000014616 translation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 208000023275 Autoimmune disease Diseases 0.000 description 10
- 230000009466 transformation Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 241000220225 Malus Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010166 immunofluorescence Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 238000003703 image analysis method Methods 0.000 description 2
- 230000008105 immune reaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002311 subsequent effect Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 102000019040 Nuclear Antigens Human genes 0.000 description 1
- 108010051791 Nuclear Antigens Proteins 0.000 description 1
- 241000721454 Pemphigus Species 0.000 description 1
- 108010076622 SS-A antigen Proteins 0.000 description 1
- 208000021386 Sjogren Syndrome Diseases 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003172 anti-dna Effects 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000003771 laboratory diagnosis Methods 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 210000000440 neutrophil Anatomy 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 206010039073 rheumatoid arthritis Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 201000000596 systemic lupus erythematosus Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 206010043778 thyroiditis Diseases 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Description
METODO DI TEMPLATE MATCHING PER L'ANALISI DI IMMAGINI TEMPLATE MATCHING METHOD FOR IMAGE ANALYSIS
Introduzione Introduction
La presente invenzione si riferisce ad un metodo di Template Matching per l'analisi di immagini. L'invenzione qui presentata generalizza il metodo del Template Matching operando, innovativamente, un mapping del contenuto visuale dell’immagine con particolari funzioni discrete qui denominate "mappatori"; inoltre, utilizzando le informazioni provenienti dalla sovrapposizione dei vari mappatori con un metodo di confronto funzionale, realizza una funzione di correlazione originale. The present invention refers to a Template Matching method for image analysis. The invention presented here generalizes the Template Matching method by operating, innovatively, a mapping of the visual content of the image with particular discrete functions here called "mappers"; moreover, using the information coming from the superposition of the various mappers with a functional comparison method, it realizes an original correlation function.
Il metodo secondo la presente invenzione risulta particolarmente efficace nella rivelazione e classificazione automatica di pattern autoanticorpali del test da ImmunoFluorescenza Indiretta (IFI). La metodologia descritta nel seguito presenta una flessibilità tale da renderla applicabile a qualsiasi problema di riconoscimento di oggetti all'interno di immagini digitati e l'applicazione alla ricerca di pattern autoanticorpali in immagini IFI vuole essere solo esemplificativa del metodo e delle sue potenzialità . The method according to the present invention is particularly effective in the automatic detection and classification of autoantibody patterns of the Indirect ImmunoFluorescence (IFI) test. The methodology described below has such flexibility as to make it applicable to any problem of recognition of objects within typed images and the application to search for autoantibody patterns in images IFI wants to be only an example of the method and its potential.
La presente invenzione à ̈ utilizzabile nei vari ambiti dell'imaging (radar signal processing, medicai imaging, remote sensing, surveyng, astronomy etc) e si pone come soluzione a problemi di matching computazionalmente complessi, permettendo realizzazioni di applicazioni real time, o comunque riducendo la complessità computazionale. The present invention can be used in the various fields of imaging (radar signal processing, medical imaging, remote sensing, surveyng, astronomy, etc.) and is a solution to computationally complex matching problems, allowing real time applications, or in any case reducing computational complexity.
È oggetto della presente invenzione un metodo di analisi di immagini, come definito nella rivendicazione indipendente n. 1. The object of the present invention is an image analysis method, as defined in independent claim n. 1.
La presente invenzione si pone come una soluzione innovativa a problemi legati alla complessità dell'analisi di immagini biomedicali in generale. In particolare l'invenzione può essere utilizzata nel contesto del medicai imaging in sistemi CAD, aventi funzione di secondo lettore nella normale routine clinica e nello screening, col fine di ridurre i costi di gestione della procedura di “doppia lettura". The present invention is an innovative solution to problems related to the complexity of the analysis of biomedical images in general. In particular, the invention can be used in the context of medical imaging in CAD systems, having the function of second reader in normal clinical routine and in screening, in order to reduce the management costs of the â € œdouble reading 'procedure.
Stato dell’arte State of the art
Il termine matching à ̈ molto generico nell’ambito deH'imaging, ma normalmente fa riferimento alla “ricerca" di un tempiale T all’interno di un'immagine I con l’obiettivo di determinare se I contiene l'oggetto T (match) e in quale posizione T appare nell’immagine, li fine à ̈ quello di individuare se in una data immagine si verifica la presenza di un dato oggetto (o pattern). The term matching is very generic in the field of imaging, but usually refers to the "search" of a temple T inside an image I with the aim of determining if I contains the object T (match) and in which position T appears in the image, the end is to identify if in a given image there is the presence of a given object (or pattern).
L'utilizzo del template matching si basa, di norma, sul confronto tra la zona dell'immagine sottoposta ad analisi ed un modello (template). Il matching à ̈ effettuato sulla base di valori che assumono appropriati parametri di correlazione calcolati sull'immagine da analizzare. Classici campi di utilizzo del template matching sono l'object detection, il pattern recogn<'>ition e la video compressione; l'individuazione di posizioni di volti o il riconoscimento automatico di targhe da immagini digitali sono due classici problemi che, come naturale metodo di soluzione, possono avere il template matching. The use of template matching is normally based on the comparison between the area of the image subjected to analysis and a model (template). The matching is performed on the basis of values that assume appropriate correlation parameters calculated on the image to be analyzed. Classic fields of use of template matching are object detection, the recogn <'> ition pattern and video compression; the identification of positions of faces or the automatic recognition of license plates from digital images are two classic problems that, as a natural method of solution, can have template matching.
Il metodo del template matching à ̈, in generale, caratterizzato: The template matching method is, in general, characterized:
1. dalla definizione del template; 1. from the definition of the template;
2. dalla funzione (o metodo) di valutazione del “grado di similarìtà ’ fra template e sub-immagine. 2. by the function (or method) of evaluating the â € œdegree of similarityâ € ™ between template and sub-image.
Il template T à ̈ costituito da un oggetto rigido (normalmente una piccola immagine). Il template viene sovrapposto all’immagine in tutte le possibili posizioni nell’immagine I, ma, a seconda dell’applicazione, può essere anche necessario ruotarlo e scalarlo Template T consists of a rigid object (usually a small image). The template is superimposed on the image in all possible positions in image I, but, depending on the application, it may also be necessary to rotate and scale it
(trasformazione affine). Nel seguito denominiamo Tjle istanze di T ottenute dalle (affine transformation). In the following we call Tjle instances of T obtained from
trasformazioni precedenti (spostamento in X e Y, rotazione, scala). Normalmente i previous transformations (displacement in X and Y, rotation, scale). Normally i
template hanno dimensione inferiore all’immagine; in caso contrario bisogna considerare templates are smaller than the image; otherwise you have to consider
gli effetti di bordo. In Figura 1 Ã ̈ riportato il template T nella sua rappresentazione edge effects. Figure 1 shows the T template in its representation
matriciale (dimensioni MxN) e la sub-immagine di I, I(ij) associata alla posizione (ij) ed matrix (dimensions MxN) and the sub-image of I, I (ij) associated with the position (ij) and
avente stesse dimensioni del template. having the same dimensions as the template.
Data un’immagine I e un'istanza Thuna misura intuitiva di similarità tra I e à ̈ la Sum of Given an image I and an instance Thuna intuitive measure of similarity between I and à the Sum of
Squared Difference (SSD): Squared Difference (SSD):
M-l N-l M-l N-l
SSDd, j) = ^ 2 UG Iti, j n) - 7)(πι, n)]<z>SSDd, j) = ^ 2 UG Iti, j n) - 7) (Ï € ι, n)] <z>
m=0 n=0 m = 0 n = 0
M-lN-1 M-lN-1
= ∑ ∑«'« m, j n)]<2>+ [T, Cm, n)]<2>- 2 J(i m, j<η>)η (m, n)} (1) m=0 n=Q = ∠'âˆ' «'« m, j n)] <2> + [T, Cm, n)] <2> - 2 J (i m, j <Î ·>) Î · (m, n)} (1 ) m = 0 n = Q
quando i primi due termini sono costanti, minimizzare la SSD equivale a massimizzare when the first two terms are constant, minimizing the SSD is the same as maximizing
l’ultimo termine, Cross Correlation (CC) tra I e T(: the last term, Cross Correlation (CC) between I and T (:
M-l N-l M-l N-l
CC(i,j) = ∑ ∑ I(i m,j n)T,(m,n) CC (i, j) = ∠‘∑ I (i m, j n) T, (m, n)
ttì^o n=0 ttì ^ o n = 0
Per ogni shift dei template sull’immagine si confronta il tempiale e la regione corrente For each template shift on the image, the temple and the current region are compared
dell’immagine. Le posizioni in cui risulta elevata la Cross sono probabili of the image. The positions in which the Cross is high are probable
occorrenze del template Tlall’interno dell'immagine I. Se si utilizza la disuguaglianza di occurrences of the Tlallâ € ™ internal template of the image I. If we use the inequality of
Schwartz per analizzare la CC si ottiene: Schwartz to analyze CC is obtained:
M-lN-l M-lN-l M-l N-l M-lN-l M-lN-l M-l N-l
cefi, j) = ∑ ∑ I(i m, j n)Ti(m, n) < £ ^[Τ,Οη, Ï€)]<2 â– >Σ Σ<+ m>· i<+ η>^<ζ>m=0 n=0 rn=0 n=0 m=0 n=0 cefi, j) = ∠'âˆ' I (i m, j n) Ti (m, n) <£ ^ [Τ, ΟΠ·, Ï €)] <2 â–> Î £ Î £ <+ m> · i <+ Î ·> ^ <ζ> m = 0 n = 0 rn = 0 n = 0 m = 0 n = 0
L'esigenza di definire una Cross Correlation in un range costante porta all’utilizzo della cosiddetta Cross Correlatìon normalizzata (NCC), definita nel seguente modo: The need to define a Cross Correlation in a constant range leads to the use of the so-called normalized Cross Correlatìon (NCC), defined as follows:
∑m*0∑UKi m, j n)T|(m, n) ∑m * 0∑UKi m, j n) T | (m, n)
∑iS=à ̈∑i?-^U0 m,j n)P ∑iS = à ̈∑i? - ^ U0 m, j n) P
Misure di correlazione normalizzate sono necessarie nei problemi in cui si analizzano diverse immagini e diverse istanze, ad. esempio. Normalized correlation measures are needed in problems where different images and different instances are analyzed, eg. example.
• ricerca dello stesso template su immagini diverse. â € ¢ search for the same template on different images.
• istanze diverse per numero di pixel e per luminosità media dello stesso template. La normalizzazione rende la NCC indipendente dal contrasto dell’immagine e del template; pattern a più elevato contrasto (caratterizzati da ampio range di livelli di grigio) vengono ritenuti da SSD (e da CC) più dissimili rispetto a pattern con scarso contrasto. Nei problemi in cui à ̈ necessario avere anche invarianza rispetto a valori medi di intensità del template e dell'immagine, à ̈ necessario definire la Zero-means normalized Cross Correlatìon (ZNCC) nel seguente modo: â € ¢ different instances for the number of pixels and for the average brightness of the same template. Normalization makes NCC independent of image and template contrast; higher contrast patterns (characterized by a wide range of gray levels) are considered by SSD (and CC) to be more dissimilar than patterns with low contrast. In problems where it is also necessary to have invariance with respect to average intensity values of the template and image, it is necessary to define the Zero-means normalized Cross Correlatìon (ZNCC) as follows:
yjriilfi m. i n) - umirefm. ni - ufTil ZNCC(i,j) yjriilfi m. i n) - umirefm. ni - ufTil ZNCC (i, j)
∑n=oPK<m>>n) — Î1⁄4(ΤΠ̄)] [I(i m, j n) — Î1⁄4(!)1 ∑n = oPK <m>> n) â € "Î1⁄4 (ΤΠ̄)] [I (i m, j n) â €" Î1⁄4 (!) 1
con i valori medi Î1⁄4(Î ) e Î1⁄4(Τ,) definiti nel seguente modo: with the average values Î1⁄4 (Î) and Î1⁄4 (Τ,) defined as follows:
∑m=o ∑n=o Ki ni, j n) Σ^Σ^Οιι.η) ∑m = o ∑n = o Ki ni, j n) Î £ ^ Î £ ^ Οιι.Î ·)
Una definizione “esaustiva†del template prevede una completa capacità di rappresentare la famiglia di oggetti o pattern oggetto della ricerca Ad esempio, se si volesse individuare la presenza di mele all’Interno di diverse immagini dovremmo concepire un template capace di ben sovrapporsi alle diverse mele presenti nelle diverse immagini, tenendo conto della variabilità di forme e di tipologie con cui il frutto può presentarsi. Conseguentemente l'approccio con il metodo classico del template appena descritto si traduce nella definizione di un numero elevato di istanze T, del "template mela†. In altri termini, più variegata à ̈ la modalità con cui può presentarsi l’oggetto della ricerca, tanto maggiore sarà la complessità del template da definire. Quanto detto à ̈ strettamente correlato con il principale problema nell'utilizzo dei metodi di template matching, problema che spesso ne limita l'applicabilità , ossia la loro complessità computazionale. Infatti, il numero dì operazioni richieste cresce linearmente con il numero di istanze e con il numero di pixel di I e T,·. In pratica, per applicazioni real-time l'approccio base à ̈ quasi sempre inapplicabile. An â € œexhaustiveâ € definition of the template provides a complete ability to represent the family of objects or patterns that are the object of the research. different apples present in the different images, taking into account the variability of shapes and types with which the fruit can present itself. Consequently, the approach with the classic template method just described results in the definition of a large number of T instances, of the "apple template." In other words, the way in which the research object can be presented is more varied. , the greater the complexity of the template to be defined. The above is strictly correlated with the main problem in the use of template matching methods, a problem that often limits their applicability, ie their computational complexity. In fact, the number gives ¬ required operations grows linearly with the number of instances and with the number of pixels of I and T. In practice, for real-time applications the basic approach is almost always inapplicable.
Per chiarire il problema della complessità computazionale dei metodi standard di template matching calcoliamo il numero di operazioni necessarie in un problema, relativamente semplice, di riconoscimento di targhe. Consideriamo l’immagine / di piccole dimensioni (512 x 512 pixel) contenente la targa. Il metodo, dovendo riconoscere 10 cifre e 26 lettere (36 simboli in totale), dovrà avere 36 istanze fondamentali del template. Consideriamo un numero ragionevole di istanze (per esempio 9) per ogni simbolo che tengano conto di variazioni di scala (diverse distanze dalla macchina fotografica) e di rotazione (rotazione per piccoli angoli). Le istanze per affrontare il problema dovranno essere quindi 324 = 36 x 9, ciascuna di queste dovrà avere una risoluzione almeno di 13 x 20 pixel; quindi à ̈ necessario elaborare un numero di correlazioni pari a 84.934.656 = 324 x 512 x 512, ciascuna delle quali richiede almeno 13x20 moltiplicazioni ed altrettante somme. In totale sono necessarie circa 4<*>10 operazioni. In un computer con un processore capace di eseguire 1 miliardo di operazioni al secondo sarebbero necessari 40 secondi di tempo di calcolo. In conclusione, nonostante la risoluzione dell'immagine, del template ed il numero di istanze siano state portate al minimo, il metodo non potrebbe supportare un'applicazione real-time. To clarify the computational complexity problem of standard template matching methods, we calculate the number of operations required in a relatively simple problem of license plate recognition. Let's consider the image / small size (512 x 512 pixels) containing the license plate. The method, having to recognize 10 digits and 26 letters (36 symbols in total), must have 36 fundamental instances of the template. We consider a reasonable number of instances (for example 9) for each symbol that take into account variations in scale (different distances from the camera) and rotation (rotation for small angles). The instances to face the problem must therefore be 324 = 36 x 9, each of these must have a resolution of at least 13 x 20 pixels; therefore it is necessary to elaborate a number of correlations equal to 84.934.656 = 324 x 512 x 512, each of which requires at least 13x20 multiplications and as many sums. In total, approximately 4 <*> 10 operations are required. In a computer with a processor capable of performing 1 billion operations per second, 40 seconds of computation time would be required. In conclusion, although the resolution of the image, the template and the number of instances have been reduced to a minimum, the method could not support a real-time application.
Rispetto all’esempio appena descritto, altro grado di complessità si ha, ad esempio, nel cercare pattern patologici in immagini da ImmunoFluorescenza Indiretta. Infatti, esistono oltre 50 entità nosologiche riferibili a patologie autoimmuni suddivise in tre raggruppamenti principali: Sistemiche (Lupus Eritematoso Sistemico, Artrite Reumatoide, ecc.), Intermedie (Pemfigo, Sindrome di Sjogren, ecc.) e Organo specifiche (Tiroidite, Diabete tipo I, ecc.). Altrettanto variegata à ̈ la tipologia di autoanticorpi distinti in base ai costituenti cellulari a cui questi si legano per innescare o causare direttamente la reazione immunitaria lesiva: anticorpi anti-nucleo (ANA), anti-DNA, anti-ENA (Extractable Nuclear Antigens), anti-citoplasma dei neutrofili (ANCA), antfosfolipidi (aPL), antigene SSA/Ro, RNP, Sm, SSB/La, ecc. Tutto ciò si traduce in qualche centinaio (es. 200) di istanze fondamentali del tempiale. Va inoltre considerato che i pattern, appartenendo a cellule fluorescenti contenute nel vetrino di acquisizione, si possono trovare ruotati sull'intero angolo giro, per cui per ogni istanza fondamentale si devono considerare 20 rotazioni possibili (intervallo di rotazione 18°). Le differenze di zoom di acquisizione di immagini IFI necessitano che per ogni istanza fondamentale vi siano almeno 5 istanze relative a diverse scale. Il tutto porta ad un numero minimo di istanze da trattare non inferiore a 20.000 = 200 x 20 x 5. Poiché ogni istanza deve avere te dimensioni cellulari, le dimensioni caratteristiche di ogni template saranno circa 100 x 100 pixel (il pixel spacing con uno zoom di 20x à ̈ de ordine del pm). Le operazioni necessarie, in questo caso, sarebbero 52*10<12>= 20.000 x 512 x 512 x 100 x 100 moltiplicazioni ed altrettante addizioni, che in una macchina da 1 miliardo di operazioni intere al secondo corrisponderebbe a un tempo di calcolo maggiore di 100.000 secondi (circa 28 ore!); in realtà le operazioni da fare sarebbero molte di più poiché il problema necessità dell’utilizzo della ZNCC (à ̈ necessario avere invarianza per valori medi di intensità ). Compared to the example just described, another degree of complexity is found, for example, in looking for pathological patterns in images from Indirect ImmunoFluorescence. In fact, there are over 50 nosological entities referable to autoimmune diseases divided into three main groupings: Systemic (Systemic Lupus Erythematosus, Rheumatoid Arthritis, etc.), Intermediate (Pemphigus, Sjogren's Syndrome, etc.) and Specific Organ (Thyroiditis, Diabetes type I , etc.). Equally varied is the type of autoantibodies distinguished on the basis of the cellular constituents to which they bind to trigger or directly cause the damaging immune reaction: anti-nucleus antibodies (ANA), anti-DNA, anti-ENA (Extractable Nuclear Antigens), neutrophil anti-cytoplasm (ANCA), antphospholipid (aPL), SSA / Ro antigen, RNP, Sm, SSB / La, etc. All this translates into a few hundred (eg 200) of fundamental instances of the temple. It should also be considered that the patterns, belonging to fluorescent cells contained in the acquisition slide, can be found rotated over the entire round angle, so for each fundamental instance 20 possible rotations must be considered (rotation interval 18 °). The IFI imaging zoom differences require that for each fundamental instance there are at least 5 instances related to different scales. All this leads to a minimum number of instances to be processed not less than 20,000 = 200 x 20 x 5. Since each instance must have the cellular dimensions, the characteristic dimensions of each template will be about 100 x 100 pixels (the pixel spacing with one zoom of 20x is of the order of pm). The necessary operations, in this case, would be 52 * 10 <12> = 20,000 x 512 x 512 x 100 x 100 multiplications and as many additions, which in a machine with 1 billion whole operations per second would correspond to a calculation time greater than 100,000 seconds (about 28 hours!); in reality the operations to be done would be much more since the problem requires the use of the ZNCC (it is necessary to have invariance for average intensity values).
Per comprendere l'importanza di una diagnosi precoce delle malattie autoimmuni, e quindi la rilevanza a fine industriali dell’invenzione qui proposta, presentiamo di seguito una breve spiegazione di questo ambito di analisi. To understand the importance of an early diagnosis of autoimmune diseases, and therefore the relevance of the invention proposed here for industrial purposes, we present below a brief explanation of this area of analysis.
Le patologie autoimmuni appartengono ad un gruppo di malattie causate dall'alterazione del Sistema Immunitario, il quale, non riuscendo più a distinguere gli elementi propri dell'organismo di appartenenza (self) rispetto a quelli ad esso estranei (non self), reagisce contro i tessuti dell'organismo stesso. Le malattie autoimmuni costituiscono delle condizioni patologiche in cui le reazioni immunitarie, normalmente protettive e benefiche per l'organismo che le mette in atto, diventano dannose poiché il bersaglio dei processi immunoreattivi diventa l’organismo stesso. Tali patologie, numerose e tra loro molto variegate, possono interessare individui di tutte le età e di ambedue i sessi, con una frequenza maggiore nelle donne in età fertile, con conseguenze spesso rilevanti sotto il profilo medico-sanitario. Possono colpire apparati interi (es. sclerosi multipla), oppure singoli organi (es. diabete mellito di tipo I); spesso fanno la loro comparsa in modo subdolo, provocando danni irreversibili prima ancora di essere diagnosticate. Ai danni tessutali, talvolta molto estesi e invalidanti, caratteristici di molte delle patologie autoimmuni, vanno di conseguenza riferiti costi sociali e sanitari assolutamente non indifferenti. Da qui l’importanza di una diagnosi precoce. Autoimmune diseases belong to a group of diseases caused by the alteration of the immune system, which, no longer able to distinguish the elements of the organism to which it belongs (self) from those extraneous to it (not self), reacts against tissues of the organism itself. Autoimmune diseases are pathological conditions in which the immune reactions, normally protective and beneficial for the organism that carries them out, become harmful as the target of the immunoreactive processes becomes the organism itself. These diseases, numerous and very varied among them, can affect individuals of all ages and of both sexes, with a greater frequency in women of childbearing age, with often significant consequences from a medical-health point of view. They can affect entire systems (eg multiple sclerosis), or single organs (eg type I diabetes mellitus); they often appear subtly, causing irreversible damage before they are even diagnosed. Tissue damage, sometimes very extensive and disabling, characteristic of many autoimmune diseases, is consequently related to absolutely not indifferent social and health costs. Hence the importance of early diagnosis.
Per una descrizione sintetica delle statìstiche riguardanti l’incidenza, la prevalenza e la distribuzione per sesso delle principali malattie autoimmuni si veda la Figura 2a, mentre per una descrizione sintetica della distribuzione per età successiva alla diagnosi delle principali malattie autoìmmuni si veda la Figura 2b. For a brief description of the statistics regarding the incidence, prevalence and distribution by sex of the main autoimmune diseases, see Figure 2a, while for a brief description of the distribution by age following the diagnosis of the main autoimmune diseases, see Figure 2a. see Figure 2b.
La diagnosi di laboratorio delle patologie autoimmuni identifica nell'ImmunoFluorescenza Indiretta (IFI) la tecnica di riferimento. A tutt'oggi essa risulta la più utilizzata per le indagini di screening per le sue caratteristiche di sensibilità , specificità , riproducibilità , immediatezza e facilità di esecuzione. Accanto ai numerosi vantaggi della metodica sopra descritta, à ̈ da rimarcare come uno dei limiti della stessa sia quello di essere una tecnica estremamente soggettiva poiché l'interpretazione dei risultati risulta pesantemente condizionata, fra le altre variabili, dall'esperienza dell'operatore e dal tipo di microscopio. Pertanto, viene fortemente raccomandata la lettura del campione in esame da parte di due diversi osservatori, cosi da ridurre le probabilità di refertazione erronea di un pattern autoanticorpale. Molti ricercatori, per quanto detto, sono attualmente impegnati ad implementare metodi per la diagnosi assistita attraverso l’analisi di immagini in IFI. The laboratory diagnosis of autoimmune diseases identifies Indirect ImmunoFluorescence (IFI) as the reference technique. To date, it is the most used for screening investigations due to its characteristics of sensitivity, specificity, reproducibility, immediacy and ease of execution. Alongside the numerous advantages of the method described above, it should be noted that one of its limits is that of being an extremely subjective technique since the interpretation of the results is heavily conditioned, among other variables, by the experience of the operator and the type of microscope. Therefore, the reading of the sample under examination by two different observers is strongly recommended, in order to reduce the chances of erroneous reporting of an autoantibody pattern. Many researchers, for what has been said, are currently engaged in implementing methods for assisted diagnosis through image analysis in IFI.
Sommario dell'invenzione Summary of the invention
La presente invenzione si pone come soluzione innovativa a problemi di matching computazionalmente complessi, permettendo realizzazioni real time o riduzione della complessità computazionale. La presente invenzione, relativamente ad un metodo di template matching, à ̈ utilizzabile nei vari ambiti dell'imaging (radar signal processing, medicai imaging, remote sensing, surveyng, astronomy etc). The present invention is an innovative solution to computationally complex matching problems, allowing real-time realizations or reduction of computational complexity. The present invention, relative to a template matching method, can be used in the various fields of imaging (radar signal processing, medical imaging, remote sensing, surveyng, astronomy etc).
È oggetto della presente invenzione un metodo di analisi di immagini, come definito nella rivendicazione indipendente n. 1. The object of the present invention is an image analysis method, as defined in independent claim n. 1.
L'invenzione può essere utilizzata nel contesto del medicai imaging in sistemi CAD, aventi funzione di secondo lettore nella normale routine clinica e nello screening, col fine di ridurre i costi di gestione della procedura di “doppia lettura". The invention can be used in the context of medical imaging in CAD systems, having the function of second reader in the normal clinical routine and in screening, in order to reduce the management costs of the â € œdouble reading 'procedure.
Brave descrizione delle figura Good description of the figure
Ulteriori vantaggi, così come le caratteristiche e le modalità di impiego della presente invenzione, risulteranno evidenti dalla seguente descrizione dettagliata di una sua forma di realizzazione preferita, presentata a scopo esemplificativo e non limitativo, facendo riferimento alle figure dei disegni allegati, in cui: Further advantages, as well as the characteristics and methods of use of the present invention, will become evident from the following detailed description of a preferred embodiment thereof, presented by way of non-limiting example, with reference to the figures of the attached drawings, in which:
La Figura 1 riporta la rappresentazione matriciale (dimensioni MxN) del template T e la sub-immagine di 1, T(ij) associata alla posizione ( i,j ) ed avente stesse dimensioni del tempia te. Figure 1 shows the matrix representation (dimensions MxN) of template T and the sub-image of 1, T (ij) associated with position (i, j) and having the same dimensions as the temple.
- la Figura 2a mostra l'incidenza, la prevalenza e la distribuzione per sesso deHe principali malattie autoimmuni; la figura 2b mostra la distribuzione per età successiva alla diagnosi delle principali malattie autoimmuni; - Figure 2a shows the incidence, prevalence and distribution by sex of the main autoimmune diseases; Figure 2b shows the distribution by age following the diagnosis of the main autoimmune diseases;
- La Figura 3 riporta un esempio, su due immagine con stesso contenuto visivo, di mappatore ed il successivo effetto del MCF che porta ad ottenere valore nullo del grado di sovrapposizione. - Figure 3 shows an example, on two images with the same visual content, of a mapper and the subsequent effect of the MCF which leads to obtaining a null value of the degree of overlap.
- La Figura 4 riporta il diagramma di flusso del metodo secondo la presente invenzione: se per uno specifico problema di matching sono necessarie un numero P di istanze del tempiale (loop esterno nella figura) ed un numero N di diversi mappatori (loop interno nella figura), allora vi saranno PxN valori di uscita per il MCF finalizzati ad individuare un valore di correlazione fra template e sub-immagine. - Figure 4 shows the flow diagram of the method according to the present invention: if for a specific matching problem a number P of temple instances (external loop in the figure) and a number N of different mappers are required (internal loop in the figure) ), then there will be PxN output values for the MCF aimed at identifying a correlation value between template and sub-image.
Descrizione dettagliata dell’Invenzione Detailed description of the Invention
L'invenzione qui presentata generalizza il metodo del template matching operando un mapping del contenuto visuale presente nelle varie posizioni con funzioni discrete di una variabile qui denominate "mappatori†. The invention presented here generalizes the template matching method by mapping the visual content present in the various positions with discrete functions of a variable here called "mappers⠀.
I mappatori (M), introdotti in questa invenzione, sono funzioni discrete di una variabile, a cui vengono richieste le seguenti proprietà : The mappers (M), introduced in this invention, are discrete functions of a variable, which are required to have the following properties:
• invarianza rotazionale; â € ¢ rotational invariance;
• normalizzazione in area. ∑, M(t) = 1, dove i à ̈ il generico canale del mappatore; • stesso intervallo di definizione (o dominio) per tutti i mappatori: ad esempio 8 bit 256 canali [0,256]. â € ¢ area normalization. ∠‘, M (t) = 1, where i is the generic channel of the mapper; â € ¢ same definition range (or domain) for all mappers: for example 8 bit 256 channels [0.256].
Le tre proprietà richieste per la definizione di mappatori sono legate, rispettivamente, a tre esigenze: The three properties required for the definition of mappers are related, respectively, to three needs:
t. necessità di invarianza rotazionale: non sarà necessario alcuna istanza di rotazione del generico template: t. need for rotational invariance: no instance of rotation of the generic template will be needed:
2. necessità di invarianza di scala: non sarà necessario alcuna istanza di scala del generico template, ciò permetterà l'utilizzo del metodo anche quando sub-immagine e temolate hanno dimensioni differenti. 2. need for scale invariance: no scale instance of the generic template will be needed, this will allow the use of the method even when sub-image and temolate have different dimensions.
3. avere gradi di sovrapposizione confrontabili (vedesi eq. 6 e 7): per il calcolo del valore di correlazione fra sub-immagine e template i gradi di sovrapposizione dei vari mappatori saranno opportunamente sommati o utilizzati come ingressi di un classificatore. 3. have comparable degrees of overlap (see eqs. 6 and 7): for the calculation of the correlation value between sub-image and template, the overlapping degrees of the various mappers will be suitably summed or used as inputs of a classifier.
L'obiettivo de utilizzo dei mappatori à ̈ quello di trasformare l'informazione visiva, contenuta nella generica sub-immagine I e nel generico template T, in un opportuno insieme di N-funzioni (l'insieme dei mappatori) e far diventare il matching un confronto fra rispetivi mappatori, piuttosto che una sovrapposizione fra immagini; per ogni specifico problema di matching sarà necessario, per una corretta detection, la scelta di quei mappatori che meglio possano sintetizzare il contenuto visuale dell'immagine. The objective of using the mappers is to transform the visual information, contained in the generic sub-image I and in the generic template T, into an appropriate set of N-functions (the set of mappers) and make the matching a comparison between respective mappers, rather than an overlap between images; for each specific matching problem it will be necessary, for a correct detection, to choose those mappers that can best synthesize the visual content of the image.
Immagini contenenti lo stesso pattem con diverso valore medio o diverso contrasto, Images containing the same pattern with different mean value or different contrast,
porterebbero ad ottenere, per un generico mappatore, risultati notevolmente diversi: nel primo caso i mappatori sarebbero traslati, nel secondo caso il mappatore relativo all'immagine con contrasto maggiore sarebbe stirato. La presente invenzione prevede uno step successivo di confronto fra mappatori che permetta un'invarianza sia per traslazioni che di contrasto; queste proprietà di invarianza vanno ad aggiungersi a quella di invarianza rotazionale e di scala richiesta fra le proprietà dei mappatori. Formalmente, dato un generico (j-esimo) mappatore M \ à ̈ necessario realizzare un metodo di confronto fra il mappatore Mj estratto dalla sub-immagine I centrata nella generica posizione (p , q) e lo would lead to obtain, for a generic mapper, considerably different results: in the first case the mappers would be translated, in the second case the mapper relative to the image with higher contrast would be stretched. The present invention provides a subsequent step of comparison between mappers which allows an invariance both for translations and contrast; these properties of invariance are added to that of rotational invariance and scale required among the properties of the mappers. Formally, given a generic (j-th) mapper M \ it is necessary to create a comparison method between the mapper Mj extracted from the sub-image I centered in the generic position (p, q) and the
stesso mappatore Mj estratto dal template T. Nella presente invenzione questo metodo di confronto funzionale (nel seguito MCF) Ã ̈ realizzato utilizzando i seguenti step: same mapper Mj extracted from template T. In the present invention this functional comparison method (hereinafter MCF) is realized using the following steps:
1. Per i due mappatori a confronto vengono shiftati i canali vuoti. Da un punto di vista funzionale il mappatore subisce la seguente trasformazione: 1. For the two mappers being compared, the empty channels are shifted. From a functional point of view, the mapper undergoes the following transformation:
Se M(i) = 0 → {M* (i) = M>(i s), M'(i s) = 0} V i 6 [1, C - 1] If M (i) = 0 â † ’{M * (i) = M> (i s), M '(i s) = 0} V i 6 [1, C - 1]
dove C à ̈ il massimo canale del range di definizione del mappatore (nel caso di 8 bit C~256) e i+s à ̈ il primo canale non vuoto maggiore di i. Questo step ha lo scopo di riportare ad una condizione di equivalenza due mappatori ricavati a partire da due immagini con stesso contenuto visivo ma di cui una ha subito una trasformazione lineare (ad esempio la moltiplicazione per un fattore di scala maggiore di 1) che ha creato un'espansione de istogramma producendo canali vuoti; where C is the maximum word of the mapper definition range (in the case of 8 bits C ~ 256) and i + s is the first non-empty word greater than i. This step aims to bring back to an equivalence condition two mappers obtained from two images with the same visual content but one of which has undergone a linear transformation (for example multiplication by a scale factor greater than 1) that has created an expansion of the histogram producing empty channels;
2. Vengono individuate le posizioni (in termini di canali) dei baricentri di Mj e Mj. e viene traslata la distribuzione con baricentro piu piccolo della differenza fra i due baricentri, cosi da ottenere una sovrapposizione di baricentri dei due mappatori. Vengono, inoltre valutati il numero di canali non vuoti del mappatore sulla sub-immagine e del mappatore sul template e calcolato il rapporto à i fra il maggiore ed il minore dei due; 2. The positions (in terms of channels) of the centers of gravity of Mj and Mj are identified. and the distribution with a center of gravity smaller than the difference between the two centers of gravity is translated, so as to obtain an overlapping of the centers of gravity of the two mappers. The number of non-empty channels of the mapper on the sub-image and of the mapper on the template are also evaluated and the ratio à i between the greater and the lesser of the two is calculated;
. Viene calcolato il grado di sovrapposizione (Gj) del j -esimo mappatore nel seguente modo: . The degree of overlap (Gj) of the j-th mapper is calculated as follows:
I THE
mmVfcelQib]| M/ (i) - M^(fe) |<3⁄4>-∑t=i mmVfcelQib] | M / (i) - M ^ (fe) | <3⁄4> -∑t = i
dove il parametro L individua il canale massimo occupato del mappatore sulla subimmagine, il parametro a à ̈ uguale all’intero per difetto di (i - Î )Δϊ ed il parametro b à ̈ uguale all’intero per eccesso di (i Î )ΔΠ̄. Per ogni canale /-esimo del mappatore sulla subimmagine viene, secondo l’equazione (6), valutato sul mappatore del template il canale (intero) k appartenente all'intorno di larghezza 2Δϊ (approssimato per eccesso perché reso intero) centrato in ϊΔϊ; essendo il numero di canali di un mappatore (nello specifico quello del template) ΔΠ̄ volte più grande dell'altro (quello della sub-immagine), il canale / del mappatore sulla sub-immagine dovrebbe corrispondere al canale ϊΔΠ̄ del mappatore sul template. Per ogni canale k viene calcolato lo scarto minimo fra rispettivi canali (/-esimo per la sub-immagine, /(-esimo per il template) del mappatore. La somma di tutti gli scarti minimi dà il valore del grado di sovrapposizione. where the parameter L identifies the maximum channel occupied by the mapper on the sub-image, the parameter a is equal to the integer down from (i - Î) Î "ÏŠ and the parameter b is equal to the integer up to ( i Î) Î ”Î ̄. According to equation (6), for each channel / -th of the mapper on the sub-image, the (integer) channel k belonging to the neighborhood of width 2Î "ÏŠ is evaluated on the template mapper (approximated up because it is rendered integer) centered in ÏŠÎ ”ÏŠ; being the number of channels of one mapper (specifically that of the template) Î "Î ̄ times larger than the other (that of the sub-image), the channel / of the mapper on the sub-image should correspond to the channel ÏŠÎ" Î ̄ of the mapper on the template. For each channel k the minimum deviation between the respective channels (/ -th for the sub-image, / (-th for the template) of the mapper is calculated. The sum of all the minimum deviations gives the value of the degree of overlap.
La formula (6) à ̈ valida nel caso in cui sia il mappatore della sub-immagine ad avere un numero minore di canali; nel caso contrario bisognerà invertire gli indici / e k all'interno dell’operazione di valore assoluto. Il valore minimo che il grado di sovrapposizione può assumere à ̈ zero e rappresenta una totale sovrapponibilità fra i due mappatori (dopo le suddette operazioni di traslazioni dei singoli canali ), mentre, poiché per definizione la somma totale dei canali dei mappatori à ̈ pari ad uno, il valore massimo che Gtpuò assumere à ̈ uno e si verifica ogni volta che i due mappatori risultano totalmente disaccoppiati. In figura 3 à ̈ riportato un esempio, su due immagine con stesso contenuto visivo, di mappatore ed il successivo effetto del MCF che porta ad ottenere valore nullo del grado di sovrapposizione. Se per uno specifico problema di matching vengono utilizzati N diversi mappatori, allora vi saranno, per ogni template T „ N valori di uscita per il MCF finalizzati ad individuare un valore di correlazione fra template e sub-immagine. Formula (6) is valid if the sub-image mapper has a smaller number of channels; otherwise it will be necessary to invert the indices / and k within the absolute value operation. The minimum value that the degree of overlap can assume is zero and represents a total overlap between the two mappers (after the aforementioned translation operations of the individual channels), while, since by definition the total sum of the channels of the mappers is equal to one, the maximum value that Gt can assume is one and it occurs every time that the two mappers are totally decoupled. Figure 3 shows an example, on two images with the same visual content, of a mapper and the subsequent effect of the MCF which leads to obtaining a null value of the degree of overlap. If N different mappers are used for a specific matching problem, then there will be, for each template T â € ž N output values for the MCF aimed at identifying a correlation value between template and sub-image.
La funzione di correlazione per il generico template Ti, sviluppata in questa invenzione, ha te stesse proprietà della ZNCC (equazione 5), ed à ̈ la sintesi delle informazioni provenienti dalla sovrapposizione dei vari mappatori. In tal senso, può essere definita come la combinazione lineare dei risultati del metodo di confronto tra mappatori: The correlation function for the generic Ti template, developed in this invention, has the same properties as the ZNCC (equation 5), and is the synthesis of the information coming from the overlapping of the various mappers. In this sense, it can be defined as the linear combination of the results of the comparison method between mappers:
Correlation[Tl= a1G1+ G2-I — aNGN== 3⁄4 > mÃŒTW[a,e>]|M/(0 - Mr W| Correlation [Tl = a1G1 + G2-I â € ”aNGN == 3⁄4> mÃŒTW [a, e>] | M / (0 - Mr W |
a2^ minvke[a 6]|M,<z>(i) - M^(/c)| ... aN^ mmvke[a>6]|M^(0 - M? (k)| a2 ^ minvke [a 6] | M, <z> (i) - M ^ (/ c) | ... aN ^ mmvke [a> 6] | M ^ (0 - M? (k) |
dove aha 2,.., aNrappresentano i coefficienti della combinazione lineare (con a,+ a2+..+ aN= 1) e Gì, G2,.., GNrappresentano N gradi di sovrapposizione dei mappatori, risultati degli N confronti funzionali relativi al generico template T,; in generale se per un problema saranno necessarie un numero P istanze del template, allora si avranno un numero P di valori di correlazione fra sub-immagine e template. Una soluzione maggiormente affinata per la definizione della funzione di correlazione può essere ottenuta considerando gii N gradi di sovrapposizione dei mappatori come ingressi di un classificatore (rete neurale, KNN, bayesiano etc), in questo modo la funzione correlazione CorrelationIT. diventa l'output di un processo di classificazione. In ogni caso il valore di correlazione assume valori compresi fra zero ed uno, dove lo zero identifica un totale matching fra template e sub-immagine, mentre correlazione uguale ad uno significa assenza totale di sovrapposizione fra template e sub-immagine. In Figura 4 à ̈ riportato il diagramma di flusso del metodo secondo la presente invenzione; i due ovali esterni rappresentano i cicli sui P template e sugli N mappatori, in uscita dal primo ciclo si hanno i gradi di sovrapposizione per gli N mappatori utilizzati, nella presente invenzione, come ingressi di un classificatore (modulo f in figura) col fine di ottenere i valori di correlazione CorrelationfTlfra le P istanze del template e la generica sub-immagine. La parte di processo che dal template porta all’estrazione dei mappatori (moduli c e d, in tratteggio nella Figura 4), non avendo una dipendenza dalla posizione della sub-immagine, non necessita di una fase di calcolo, ma può essere considerata informazione calcolata una tantum e pre-caricata, con conseguente riduzione dei tempi di calcolo. Il metodo descritto ha la stessa complessità computazionale di una convoluzione immagine-template “del metodo standard", tuttavia la presente invenzione permette di ridurre notevolmente la complessità del matching, in quanto permette di ridurre le istanze del template, ciò à ̈ dovuto all'invarianza per trasformazioni affini del metodo; non si rendono più necessarie le istanze per rotazioni e per le diverse scale. Nell’esempio visto nel paragrafo "stato dell’arte", relativo al problema dell’individuazione di pattern autoanticorpali in immagini IFI, il numero di istanze necessarie si ridurrebbe, utilizzando il metodo qui presentato, di almeno un fattore 100 con una rispettiva riduzione dei tempi di calcolo. Inoltre, mappatori opportunamente scelti, possono. where aha 2, .., aN represent the coefficients of the linear combination (with a, + a2 + .. + aN = 1) and Gì, G2, .., GN represent N degrees of overlap of the mappers, results of the N functional comparisons relative to the generic template T ,; in general, if for a problem a number P instances of the template will be needed, then there will be a number P of correlation values between sub-image and template. A more refined solution for the definition of the correlation function can be obtained by considering the N degrees of overlap of the mappers as inputs of a classifier (neural network, KNN, Bayesian etc), in this way the correlation function CorrelationIT. becomes the output of a classification process. In any case, the correlation value assumes values between zero and one, where zero identifies a total matching between template and sub-image, while correlation equal to one means total absence of overlap between template and sub-image. Figure 4 shows the flow diagram of the method according to the present invention; the two external ovals represent the cycles on the P templates and on the N mappers, at the exit from the first cycle there are the degrees of overlap for the N mappers used, in the present invention, as inputs of a classifier (module f in the figure) with the aim of obtain the correlation values CorrelationfTl between the P instances of the template and the generic sub-image. The part of the process that leads from the template to the extraction of the mappers (modules c and d, hatched in Figure 4), not having a dependence on the position of the sub-image, does not require a calculation phase, but can be considered calculated information one-off and pre-loaded, with a consequent reduction in calculation times. The method described has the same computational complexity of an image-template convolution â € œof the standard method ", however the present invention allows to considerably reduce the complexity of the matching, as it allows to reduce the template instances, this is due to the invariance for affine transformations of the method; instances for rotations and for different scales are no longer necessary. In the example seen in the paragraph "state of the art", relating to the problem of identifying autoantibody patterns in IFI images , the number of necessary instances would be reduced, using the method presented here, by at least a factor of 100 with a respective reduction in the calculation times.
1. permettere una generalizzazione del matching (cf. esempio della mela nel paragrafo "stato deH'arte"); 1. to allow a generalization of the matching (cf. example of the apple in the paragraph "state of the art");
2. migliorare la robustezza alle variazioni di luminosità . 2. improve the robustness to variations in brightness.
fornendo un ulteriore vantaggio del metodo sviluppato nella presente invenzione; infatti, come conseguenza delle suddette proprietà , il metodo può portare ad un miglioramento delle capacità di detection. providing a further advantage of the method developed in the present invention; in fact, as a consequence of the aforementioned properties, the method can lead to an improvement of the detection capabilities.
Claims (4)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT000019A ITPA20120019A1 (en) | 2012-11-06 | 2012-11-06 | METHOD OF TEMPLATE MATCHING FOR IMAGE ANALYSIS. |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT000019A ITPA20120019A1 (en) | 2012-11-06 | 2012-11-06 | METHOD OF TEMPLATE MATCHING FOR IMAGE ANALYSIS. |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ITPA20120019A1 true ITPA20120019A1 (en) | 2014-05-07 |
Family
ID=47749939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| IT000019A ITPA20120019A1 (en) | 2012-11-06 | 2012-11-06 | METHOD OF TEMPLATE MATCHING FOR IMAGE ANALYSIS. |
Country Status (1)
| Country | Link |
|---|---|
| IT (1) | ITPA20120019A1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070250548A1 (en) * | 2006-04-21 | 2007-10-25 | Beckman Coulter, Inc. | Systems and methods for displaying a cellular abnormality |
-
2012
- 2012-11-06 IT IT000019A patent/ITPA20120019A1/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070250548A1 (en) * | 2006-04-21 | 2007-10-25 | Beckman Coulter, Inc. | Systems and methods for displaying a cellular abnormality |
Non-Patent Citations (4)
| Title |
|---|
| DIN-CHANG TSENG ET AL: "Invariant handwritten Chinese character recognition using fuzzy ring data", IMAGE AND VISION COMPUTING ELSEVIER NETHERLANDS, vol. 14, no. 9, October 1996 (1996-10-01), pages 647 - 657, XP002697897, ISSN: 0262-8856 * |
| GOTO K ET AL: "Rotation invariant image matching by using adaptive concentric ring template", TRANSACTIONS OF THE INSTITUTE OF ELECTRICAL ENGINEERS OF JAPAN, PART C INST. ELECTR. ENG. JAPAN JAPAN, vol. 124-C, no. 11, November 2004 (2004-11-01), pages 2320 - 2328, XP008162507, ISSN: 0385-4221 * |
| MIN-SEOK CHOI ET AL: "A novel two stage template matching method for rotation and illumination invariance", PATTERN RECOGNITION ELSEVIER UK, vol. 35, no. 1, January 2002 (2002-01-01), pages 119 - 129, XP002697896, ISSN: 0031-3203 * |
| WEN-CHIA LEE ET AL: "A Fast Template Matching Method With Rotation Invariance by Combining the Circular Projection Transform Process and Bounded Partial Correlation", IEEE SIGNAL PROCESSING LETTERS, IEEE SERVICE CENTER, PISCATAWAY, NJ, US, vol. 19, no. 11, 11 September 2012 (2012-09-11), pages 737 - 740, XP011472155, ISSN: 1070-9908, DOI: 10.1109/LSP.2012.2212010 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Deep learning based gastric cancer identification | |
| Ortega et al. | Hyperspectral imaging and deep learning for the detection of breast cancer cells in digitized histological images | |
| US9704063B2 (en) | Method of sampling feature points, image matching method using the same, and image matching apparatus | |
| US20170061608A1 (en) | Cloud-based pathological analysis system and method | |
| Wu et al. | Real-time visual tracking via incremental covariance tensor learning | |
| CN106980825B (en) | Human face posture classification method based on normalized pixel difference features | |
| CN115410050A (en) | Tumor cell detection equipment based on machine vision and method thereof | |
| WO2022257314A1 (en) | Image detection method, related training method, related apparatus, device, and medium | |
| CN110570425B (en) | Pulmonary nodule analysis method and device based on deep reinforcement learning algorithm | |
| CN109685830A (en) | Method for tracking target, device and equipment and computer storage medium | |
| Han et al. | One-stage and lightweight CNN detection approach with attention: Application to WBC detection of microscopic images | |
| El-Hossiny et al. | Classification of thyroid carcinoma in whole slide images using cascaded CNN | |
| Hussain et al. | Human centric attention with deep multiscale feature fusion framework for activity recognition in Internet of Medical Things | |
| CN116071807B (en) | Campus card intelligent early warning method and system based on video monitoring | |
| Srimathi et al. | An efficient cancer classification model for CT/MRI/PET fused images | |
| Dabass et al. | Review of classification techniques using deep learning for colorectal cancer imaging modalities | |
| ITPA20120019A1 (en) | METHOD OF TEMPLATE MATCHING FOR IMAGE ANALYSIS. | |
| US20180161013A1 (en) | Computer-aided tracking and motion analysis with ultrasound for measuring joint kinematics | |
| JPWO2018037891A1 (en) | IMAGE PROCESSING APPARATUS, IMAGE PROCESSING SYSTEM, IMAGE PROCESSING METHOD, AND PROGRAM RECORDING MEDIUM | |
| Zhang et al. | Segmentation of left ventricle myocardium in porcine cardiac cine MR images using a hybrid of fully convolutional neural networks and convolutional LSTM | |
| Wu et al. | Real-time visual tracking via incremental covariance model update on Log-Euclidean Riemannian manifold | |
| Sarmiento et al. | Cardiac disease prediction from spatio-temporal motion patterns in cine-mri | |
| Cruz et al. | Automated Human Identification through Dental Image Enhancement and Analysis | |
| Gadermayr et al. | Feature extraction with intrinsic distortion correction in celiac disease imagery: No need for rasterization | |
| Shamil et al. | Detection of Iris localization in facial images using haar cascade circular hough transform |