1109810386

Rys. 2 Binaryzacja obrazu ELISPOT, 800 x 800 pikseli, (a) Obraz oiyginalny. (b) Binaiyzacja metodą globalną, (c) Binaiyzacja alg. Bemsena przy r = 40 (d) i (e) Wariant 1 i 2 algorytmu zmodyfikowanego z promieniem okna w zakresie 5-1-40. Najlepszy wynik przyniósł wariant 1 (iys. d).

3. Klasyfikacja pikseli

Jednym z najważniejszych zadań systemu analizy obrazu mikroskopowego jest przypisanie pikseli do poszczególnych klas, często określonych z góry dla danego zadania (klasyfikacja nadzorowana). Samo rozróżnienie: piksel należy do tła / piksel należy do obiektu nie wystarczy, jeśli interesuje nas np., czy dane jądro komórkowe reaguje na określone bodźce chemiczne. Proces klasyfikacji pikseli można zatem zaliczyć do metod segmentacji z tym, że nie zawsze założenie o spójności obiektów jest spełnione. Spośród licznych metod klasyfikacji nadzorowanej wybraliśmy do eksperymentów klasyfikatory mimmalno-odleglościowe, tj. oparte na regule k najbliższych sąsiadów (&-NN) lub jednej z odmian tej reguły. Rozwój klasyfikatorów minimalnoodległościowych był przedmiotem pracy doktorskiej drugiego autora [13]. Oryginalna reguła &-NN, znana jest z wysokiej jakości klasyfikacji, ale niestety szybkość jej działania zwłaszcza do przetwarzania obrazu piksel-po-pikselu jest zwykle niewystarczająca. Dotyczy to także jej najprostszej odmiany, używającej tylko jednego najbliższego sąsiada (1-NN). Standardową techniką przyspieszania klasyfikacji 1-NN jest redukcja zbioru uczącego (odniesienia). Stosujemy tę technikę, a konkretnie algorytm redukcji Skalaka [2] w wersji zmodyfikowanej przez Grabowskiego. Jednakże specyfika zbioru testowego, który w tym przypadku jest zbiorem pikseli danego obrazu, pozwala zredukować czas przetwarzania również w inny sposób. W przypadku ogólnym klasyfikator &-NN (i 1-NN) traktuje zbiór testowy jako zbiór nieuporządkowany, bez zależności geometrycznych (przestrzenny ch) pomiędzy jego punktami. Na obrazie jednak punk-