An image segmentation method to reveal regions of stress manifestation in stained cucurbits' leaves using LVQ neural network

• Autorzy: Gocławski J. , Sekulska-Nalewajko J.

Warianty tytułu

PL

Metoda segmentacji obrazu do wykrywania obszarów ujawniania się stresu w wybarwionych liściach roślin dyniowatych przy użyciu sieci neuronowej LVQ

• Języki publikacji: EN

Abstrakty

EN

In the paper an image segmentation method has been presented, which enables to detect cucurbits' leaves stress manifestation featured by the accumulation of reactive oxygen species (ROS) like hydrogen peroxide (H2O2) or superoxide anion radical (O2 ). After specific leaf staining the regions can be distinguished in colour space from the intact leaf parts. The proposed algorithm, developed in MATLAB environment, includes the segmentation of scanned leaf images with selected background, the exclusion of certain leaf parts and the classification of reminded leaf blade image pixels in H, S (hue, saturation) colour space. The classification is based on LVQ type neural network with several neurons in an internal layer and two neurons in an output layer, which represent image pixels of stained and unstained tissue respectively. The network learning process uses representative leaf image pixel data and binary template images of stress manifestation regions prepared manually by specialists. The classifier was 5-fold cross validated with the pixel H, S data of learned image and validated with the data of other images (with templates). The computed classification errors have been included. The experiments of stress regions detection carried out for the series of 12 images gave a few percent errors compared to manual classification.

PL

W artykule przedstawiono metodę segmentacji obrazów, która pozwala wykrywać obszary ujawniania się stresu na liściach roślin dyniowatych charakteryzujących się akumulacją reaktywnych form tlenu (ROS), takich jak woda utleniona (H2O2) lub anionorodnik ponadtlenkowy (O2). W następstwie specyficznego wybarwiania obszary te dają się odróżnić od nietkniętych części liścia w przestrzeni koloru. Proponowany algorytm, opracowany w środowisku MATLAB, obejmuje segmentację obrazów liści zeskanowanych na wybranym tle, wyłączanie pewnych partii liścia z dalszej analizy i klasyfikację pozostałych pikseli obrazu blaszki liścia w przestrzeni H, S (odcień, nasycenie). Klasyfikacja bazuje na sieci neuronowej typu LVQ z kilkoma neuronami w warstwie wewnętrznej i dwoma neuronami warstwy wyjściowej, reprezentującymi piksele obrazu odpowiadające wybarwionej i niewybarwionej tkance liścia. Proces uczenia się sieci wykorzystuje dane pikseli reprezentatywnych obrazów i binarne wzorce klasyfikacji obszarów ujawniania stresu przygotowane manualnie przez specjalistów. Klasyfikator poddano 5-krotnej ocenie krzyżowej dla danych H, S obrazu podlegającego uczeniu się i oceniono dla danych z innych obrazów (mających wzorce). Dołączono obliczone błędy klasyfikacji. Eksperymenty wykrywania obszarów stresu przeprowadzone dla serii 12 obrazów dały kilkuprocentowe błędy w porównaniu z klasyfikacją manualną.

Słowa kluczowe

EN

reactive oxygen species; ROS; image segmentation; HSV colour space; LVQ neural networks; cost function; k-fold cross validation

PL

reaktywne formy tlenu; ROS; segmentacja obrazu; przestrzeń koloru HSV; sieć neuronowa LVQ; k-krotna ocena krzyżowa

• Wydawca: Wydawnictwa AGH
• Czasopismo: Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
• Rocznik: 2011
• Tom: T. 15, z. 3
• Strony: 105--118
• Opis fizyczny: Bibliogr. 17 poz., rys., tab., wykr.

Twórcy

autor

Gocławski J.

• Katedra Informatyki Stosowanej, Politechnika Łódzka, Polska

autor

Sekulska-Nalewajko J.

• Katedra Informatyki Stosowanej, Politechnika Łódzka, Polska

Bibliografia

• [1] Goodwin P.H., Hsiang T., Quantification offungal infection of leaves with digital images and Scion Image software. Methods in Molecular Biology, vol. 638, 2010, 125-35.
• [2] Kohavi R., A study of cross-validation and bootstrap for accuracy estimation and model selection. Proc. of International Joint Conference on AL, 1995, 1137-1145.
• [3] Kohavi R., Provost C, Glossary of Terms. Editorial for the Special Issue on Applications of Machinę Learning and the Knowledge Discovery Process. Machine Leanring, vol. 30, No. 2-3, 1998.
• [4] Kohonen T., Self-Organization and Associative Memory. 2nd ed., Springer-Verlag, Berlin 1987.
• [5] Kohonen T., Improved versions of learning vector ąuantization. Proc. of the International Joint Conference on Neural Networks (IJCNN), vol. 1, 1990, 545-550.
• [6] Krzyśko M., Wołyński W., Górecki T., Skorzybut M., Systemy uczące się. Rozpoznawanie wzorców analiza skupień i redukcja wymiarowości. WNT, Warszawa 2008.
• [7] Kwack M.S., Kim E.N., Lee H., Kim J., Chun S., Kim K.D., Digital image analysis to measure lesion area of cucumber anthracnose by Colletotrichum orbiculare. Vol. 71, No. 6, 2005, 418-421.
• [8] Masters T, PracticalNeuralNetworkRecipies in C++. Academic Press Inc., San Diego 1993.
• [9] Osowski S., Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza PW, Warszawa 2006.
• [10] Otsu N., A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics, vol. 9, No. 1, 1979, 62-66.
• [11] Soukupova J., Albrechtova J., Image Analysis - Tool for Quantification of Histochemical Detections of Phenolic Compounds, Lignin and Peroxidases in Needles of Norway Spruce. Biologia Plantarum, vol. 46, No. 4, 2003, 595-601.
• [12] Stąpor K., Automatyczna klasyfikacja obiektów. EXIT, Warszawa 2005.
• [13] Tabrizi P.R., Rezatofighi S.H., Yazdanpanah M.J., Using PCA and LVQ neural network for automatic recognition of five types of white blood cells. Engineering in Medicine and Biology Society (EMBC), Annual International Conference of the IEEE , Aug. 31 2010 - Sept. 4 2010, Buenos Aires, 5593-5596.
• [14] Tang Q., Liu B., Chen Y., Zhou X., Ding J., Application of LVQ neural network combined with the genetic algorithm in acoustic seafloor classification. Chinese Journal of Geophysics, vol. 50, No. 1, 2007, 291-298.
• [15] The Mathworks Inc., Image processing toolbox users guide. URL http://www.mathworks.com/ help/toolbox/images/image_product_page.html.
• [16] The Mathworks Inc., Neural networks toolbox users guide. URL http://www.mathworks.com/ help/toolbox/nnet/nnet_product_page.html.
• [17] Wijekoon C.P., Goodwin P.H., Hsiang T., Quantifying fungal infection of plant leaves by digital image analysis using Scion Image software. Journal of Microbiological Methods, vol. 74, 2008, 94-101.