使用机器学习检测Blob？

Question

我有一大堆图像显示一个带有一些黑色斑点的条形图，其位置随时间变化（见图b）。为了检测blob，我现在使用强度阈值（图中的c，其中低于阈值的所有强度值都设置为1）然后我使用下面的Matlab代码在二进制图像中搜索blob。如您所见，二进制图像非常嘈杂，使得斑点检测过程变得复杂。您对如何改进形状检测有任何建议吗，可能包括一些机器学习算法？谢谢！

代码：

se = strel('disk',1);
se_1 = strel('disk',3);
pw2 = imclose(IM,se);
pw3 = imopen(pw2,se_1);
pw4 = imfill(pw3, 'holes');

% Consider only the blobs with more than threshold pixels
[L,num] = bwlabel(pw4);
counts = sum(bsxfun(@eq,L(:),1:num));
number_valid_counts = length(find(counts>threshold)); 

Answer 1

这可能会有所帮助。

1. 提取要提取的blob边界的纹理特征。这可以使用Local binary patterns完成。还有许多其他纹理功能，您可以获得详细的调查here。

2. 然后用它们来训练二元分类器。

Answer 2

似乎数据像图像下方的脉冲一样，我建议得到一些图像，并切片垂直于脉冲方向的像素垂直线，每次你取一行数值，一点点高于和低于脉冲，条带宽度为一个像素，并且其高度比脉冲图像稍微大一些，以使一些光值低于和高于脉冲，您可以从像素420-490开始，每次保存70个灰度值，这些将形成特征向量，也从非blob区域获取行以保存为2级，在每个图像的几个图像和线上执行此操作。

现在您获得了训练数据，您可以使用任何机器学习算法来训练计算机中的脉冲和非脉冲，

在测试步骤中，您每次扫描图像，每次垂直扫描70个像素并根据训练模型进行测试，如果属于“bolob”类，则创建一个新的黑色图像从测试像素的下方开始绘制白色垂直线，否则在输出图像上什么都不绘制。

在扫描图像结束时：检查是否存在可能删除的孤立白线，并将其视为错误接受。如果你在一组白线中找到一条暗线，那么考虑到错误拒绝，将其转换为白线。

您可以使用我的分类器：https://www.researchgate.net/publication/265168466_Solving_the_Problem_of_the_K_Parameter_in_the_KNN_Classifier_Using_an_Ensemble_Learning_Approach

如果你决定我会送你男女同校去做。距离度量是一个问题，因为值在0到255之间变化，因此光值将主导距离，为了解决这个问题，您可以使用Hassanat距离度量：https://www.researchgate.net/publication/264995324_Dimensionality_Invariant_Similarity_Measure

因为数据中的比例不变，因为每个特征不再输出介于0和1之间的值，因此最高值不会占据最终距离。

祝你好运