Servicios Personalizados
Revista
Articulo
Indicadores
- Citado por SciELO
- Accesos
Links relacionados
- Similares en SciELO
Compartir
Computación y Sistemas
versión On-line ISSN 2007-9737versión impresa ISSN 1405-5546
Comp. y Sist. vol.18 no.1 Ciudad de México ene./mar. 2014
https://doi.org/10.13053/CyS-18-1-2014-021
Artículos
Effects of Interpolation on Segmentation in Cell Imaging
Efectos de la interpolación sobre la segmentación en imaginología celular
Arianny Coca-Rodríguez1 and Juan V. Lorenzo-Ginori2
1 Centro de Investigaciones Biomédicas, Universidad Médica "Serafín Ruiz de Zárate" de Villa Clara, Santa Clara, Cuba. ariannycr@ucm.vcl.sld.cu
2 Centro de Estudios de Electrónica y Tecnologías de la Información, Facultad de Ingeniería Eléctrica, Universidad Central "Marta Abreu" de Las Villas, Santa Clara, Cuba. juanl@uclv.edu.cu
Abstract
In digital image processing and computer vision applications for microscopy imaging, calculating image features is a frequent task. Features related to intensity, color and morphology are used to classify cells and other objects. The precision of segmentation influences the calculated feature values and can affect the results of classification. Therefore, achieving a high precision in segmentation is very important. In this work, the effects of interpolation on the precision of image segmentation were studied using instances of cell microscopy images and different interpolation and segmentation methods. The goal was to determine quantitatively to what extent improvements in segmentation precision can be obtained through previous interpolation of the images. This effect can be particularly important for small objects, whose images might be deteriorated due to limitations in the camera's resolution. The results show that an improvement in the precision of segmentation can be obtained by previously interpolating the images.
Keywords: Interpolation, segmentation, cell imaging.
Resumen
En las aplicaciones del procesamiento digital de imágenes y la visión computacional para imágenes de microscopía, el cálculo de rasgos de las imágenes es una tarea frecuente. Rasgos relacionados con la intensidad, el color y la morfología, son utilizados para clasificar células y otros objetos. La precisión de la segmentación influye sobre los valores calculados para los rasgos y puede afectar los resultados de la clasificación. Por tanto, es muy importante alcanzar una alta precisión en la segmentación. En este trabajo fueron estudiados los efectos de la interpolación sobre la precisión de la segmentación, utilizando ejemplos de imágenes de microscopía celular y diferentes métodos de interpolación y de segmentación. El objetivo fue determinar en forma cuantitativa en qué medida se obtienen mejoras en la precisión de la segmentación mediante una interpolación previa de las imágenes. Este efecto puede ser particularmente importante para objetos pequeños, cuyas imágenes podrían sufrir deterioro debido a limitaciones en la resolución de la cámara. Los resultados muestran que es posible obtener una mejora en la precisión de la segmentación mediante la interpolación previa de las imágenes.
Palabras clave: Interpolación, segmentación, imaginología celular.
DESCARGAR ARTÍCULO EN FORMATO PDF
References
1. Dima, A. A., Elliott, J.T., Filliben, J.J., Halter, M., Peskin, A., Bernal, J., Kociolek, M., Brady, M.C., Tang, H.C., & Plant, A.L. (2011). Comparison of segmentation algorithms for fluorescence microscopy images of cells. Cytometry Part A: the journal of the International Society for Analytical Cytology, 79(7), 545-559. [ Links ]
2. Dougherty, E.R. & Lotufo, R.A. (2003). Hands-on morphological image processing. Belingham, Wash.: Spie Optical Engineering Press. [ Links ]
3. Feng, G., Wang, S., & Liu, T. (2007). A New benchmark for image segmentation evaluation. Journal of Electronic Imaging, 16(3), 033011-1033011-16. [ Links ]
4. Gonzalez, R.C. & Woods, R.E. (2008). Digital image processing (3rd ed.). Upper Saddle River, N.J.: Prentice Hall. [ Links ]
5. Ichihashi, T., Naoe, T., Kuriyama, K., Sasada, M., & Ohno, R. (2009, November 24). Atlas of Hematology. Retrieved from http://pathy.med.nagoya-u.ac.jp/atlas/doc/atlas.html. [ Links ]
6. Moreno-Montes-de-Oca, A., Chinea-Valdés, L., & Lorenzo-Ginori, J.V. (2011). Algoritmo para la Generación de Imágenes Sintéticas de Microscopía Celular formadas por Eritrocitos y Evaluación de Algoritmos de Segmentación. V Latin American Congress on Biomedical Engineering (CLAIB 2011), Habana, Cuba, IFMBE Proceedings, 33, 1031-1034. [ Links ]
7. Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions onSystems, Man and Cybernetics, 9(1), 62-66. [ Links ]
8. Pratt, W.K. (2001). Digital Image Processing: PIKS inside (3rd. ed.). New York: Wiley. [ Links ]
9. Rosenberger, C., Chabrier, S., Laurent, H., & Emile, B. (2006). Unsupervised and supervised image segmentation evaluation. In Zhang, Y.J. (Ed.). Advances in image and video segmentation (365-393). Hershey, PA: IRM Press. [ Links ]
10. Soille, P. (2003). Morphological image analysis: principles and applications. Berlin; New York: Springer. [ Links ]
11. Park, S.C., Park, M.K., & Kang, M.G. (2003). Super-resolution image reconstruction: a technical overview. IEEE Signal Processing Magazine, 20(3), 21-36. [ Links ]
12. Vincent, L. & Soille, P. (1991). Watersheds in digital spaces: An efficient algorithm based on immersion simulations. IEEE Transactions on Pattern Analysis and Machine Intelligence, 13(6), 583-598. [ Links ]
13. Walpole, R.E., Myers, R.H., & Myers, S.L. (1999). Probabilidades y estadística para ingenieros (6ta ed.). México: Prentice Hall Hispanoamericana. [ Links ]