Ukrainian Journal of Physical Optics 
Home page
 
 

Other articles 

in this issue
Identification of phytoplankton species using Hermite transform

Castro-Valdez A. and Álvarez-Borrego J.

CICESE, Optics Department, Applied Physics Division, Carretera Ensenada-Tijuana No. 3918, Fraccionamiento Zona Playitas, Ensenada, México, C. P. 22860

Download this article

Abstract. We apply a Hermite transform joint with a classical correlation analysis to successfully recognize phytoplankton species even in such complicated cases when the relevant images reveal the patterns of inhomogeneous illumination and natural distortions. The images of phytoplankton species are divided into two groups consisting of 30 samples each. Those belonging to the first group are the images with neither inhomogeneous illumination nor noise, while the second one embraces the images with the background noise, inhomogeneous illumination and real distortions. We find the optimal Hermite-transform order to be used in finding correlations among the images. It is given by a so-called ‘peak correlation energy’ metric. Using the images modified by the Hermite transform with a classical Vander-Lugt filter, we are able to distinguish all the phytoplankton species in the test images. A classical composite filter is also applied to the two groups of images. For the first group, the composite filter is created using different patterns of illumination of the same species. In the second group, this filter is composed using various specimens of the same species in order to identify a specific species. In the both cases, the Hermite transform joined with the classical correlation analysis can distinguish all the phytoplankton species. 

Keywords: Hermite transform, classical composite filter, Pearson correlation, pattern recognition

PACS: 42.79.Hp
UDC: 535.361
Ukr. J. Phys. Opt. 19 106-120
doi: 10.3116/16091833/19/2/106/2018

Received: 14.02.2018

Анотація. Ми поєднали перетворення Ерміта з класичним кореляційним аналізом для розпізнавання різних видів фітопланктону. Розпізнавання виявилося успішним навіть у тих складних випадках, коли відповідні зображення характеризуються неоднорідним висвітленням і природними спотвореннями. Зображення видів фітопланктону поділено на дві групи, кожна з яких складається з 30 проб. Ті, що відносяться до першої групи, – це зображення, для яких відсутні неоднорідне освітлення та шуми, а до другої входять зображення із фоновими шумами, неоднорідним освітленням і спотвореннями. Знайдено оптимальний порядок перетворення Ерміта, який слід використовувати для пошуку кореляцій між зображеннями. Це дає так звана метрика енергії пікових кореляцій. Використовуючи зображення, модифіковані перетворенням Ерміта з класичним фільтром Вандер-Люгта, ми одержали змогу розрізнити всі види фітопланктону в тестових зображеннях. Класичний композитний фільтр також застосовано до двох груп зображень. Для першої групи композитний фільтр було створено за допомогою різних картин підсвічування того ж виду. Для другої групи цей фільтр сформовано на основі різних зразків того ж виду для ідентифікації конкретного виду. В обох випадках перетворення Ерміта в поєднанні з класичним кореляційним аналізом дає змогу розпізнати всі види фітопланктону.
 
REFERENCES
  1. Vander Lugt A, 1964. Signal detection by complex spatial filtering. IEEE Trans. Inf. Theory. 10: 139–145. doi:10.1109/TIT.1964.1053650
  2. Solorza S and Álvarez-Borrego J, 2009. System of digital invariant correlation to rotation applied to identify car models. Digital Scientific and Technological Journal, e-Gnosis, ISSN 1665-5745.
  3. Yue Gao, Teng Cheng, Yong Su, Xiaohai Xu, Yong Zhang, Qingchuan Zhang, 2015. High-efficiency and high-accuracy digital image correlation for three-dimensional measurement. Opt. Las. Eng. 65: 73-80. doi:10.1016/j.optlaseng.2014.05.013
  4. Tong W, 2005. An evaluation of digital image correlation criteria for strain mapping applications. Strain. An International Journal for Experimental Mechanics, 41: 167–175. doi:10.1111/j.1475-1305.2005.00227.x
  5. Fimbres-Castro C, Álvarez-Borrego J and Bueno-Ibarra MA, 2012. Invariant nonlinear correlation and spectral index for diatoms recognition. Opt. Eng. 51: 047201. doi:10.1117/1.OE.51.4.047201
  6. LeFeuvre P, Rose GA, Gosine R, Hale R, Pearson W, Khan R, 2000. Acoustic species identification in the Northwest Atlantic using digital image processing. Fisheries Research 47: 137-147. doi:10.1016/S0165-7836(00)00165-X
  7. Solís-Ventura A, Álvarez-Borrego J and Solorza S, 2015. Adaptive nonlinear correlation with a binary mask invariant to rotation and scale. Optics Communications. 339: 185-193 doi:10.1016/j.optcom.2014.11.051
  8. Sachs C, Fabritius H, Raabe D, 2006. Experimental investigation of the elastic–plastic deformation of mineralized lobster cuticle by digital image correlation, Journ. Struct. Biol. 155: 409-425. doi:10.1016/j.jsb.2006.06.004
  9. Spampinato C, Giordano D, Di Salvo R, Yun-Heh Jessica Chen-Burger, Fisher R B, Nadarajan G, 2010. Automatic fish classification for underwater species behavior understanding, Proceedings of the first ACM international workshop on analysis and retrieval of tracked events and motion in imagery streams, Firenze, Italy. doi:10.1145/1877868.1877881
  10. Bueno-Ibarra MA, Chávez-Sánchez MC and Álvarez-Borrego J, 2011. K-law spectral signature correlation algorithm to identify white spot syndrome virus in shrimp tissues. Aquaculture 318: 283-289. doi:10.1016/j.aquaculture.2011.05.022
  11. Guerra-Rosas E and Álvarez-Borrego J, 2015. Methodology for diagnosing of skin cancer on images of dermatologic spots by spectral analysis. Biomed. Opt. Exp. 6: 3876–3891. doi:10.1364/BOE.6.003876
  12. Guerra-Rosas E, Álvarez-Borrego J and Angulo-Molina A, 2017. Identification of melanoma cells: a method based in mean variance of signatures via spectral densities. Biomed. Opt. Exp. 8: 2185–2194. doi:10.1364/BOE.8.002185
  13. Estudillo-Romero A, & Escalante-Ramirez B, 2008. The Hermite transform: an alternative image representation model for Iris recognition. In Iberoamerican Congress on Pattern Recognition. Springer: Berlin Heidelberg, pp. 86-93. doi:10.1007/978-3-540-85920-8_11
  14. Leiner Barba-J, Ernesto Moya-Albor, Boris Escalante-Ramírez, Jorge Brieva, Enrique Vallejo Venegas, 2016. Segmentation and optical flow estimation in cardiac CT sequences based on a spatiotemporal PDM with a correction scheme and the Hermite transform, Comp. Biol. Med. 69: 189-202. doi:10.1016/j.compbiomed.2015.12.021
  15. Lorena Vargas-Quintero, Boris Escalante-Ramírez, Lisbeth Camargo Marín, Mario Guzmán Huerta, Fernando Arámbula Cosio, Héctor Borboa Olivares, 2016. Left ventricle segmentation in fetal echocardiography using a multi-texture active appearance model based on the steered Hermite transform, Comp. Meth. Progr. Biomed. 137: 231-245. doi:10.1016/j.cmpb.2016.09.021
  16. Escalante-Ramırez B, & López-Caloca A A, 2007. The Hermite transform: an efficient tool for noise reduction and image fusion in remote-sensing. Image Process. Rem. Sens. 273: 537-555.
  17. Escalante-Ramírez B, 2008. The Hermite transform as an efficient model for local image analysis: An application to medical image fusion. Comp. Electr. Engin. 34: 99-110. doi:10.1016/j.compeleceng.2007.10.002
  18. Srinivasan Nirmala, 2012. Cross-correlation of biomedical images using two dimensional discrete Hermite functions. Diss. University of Akron.
  19. Sanchez Luna V, 2008. Indexado de imágenes aplicando la transformada polinomial, Tesis de maestría. Universidad Nacional Autónoma de México.
  20. Mackenzie M R, & Tieu A K, 2003. Hermite neural network correlation and application. IEEE Transact. Signal Process. 51: 3210-3219.
  21. Martens J B, 1990. The Hermite Transform – Theory. IEEE Transact. Acoust. Speech and Signal Process. 38: 1607-1618. doi:10.1109/29.60076
  22. Vijaya Kumar B V K and Hassebrook L, 1990. Performance measures for correlation filters. Appl. Opt. 29: 2997-3006. doi:10.1364/AO.29.002997
  23. Javidi B, 1989. Nonlinear joint power spectrum based optical correlation, Appl. Opt. 28: 2358-2367. doi:10.1364/AO.28.002358
  24. Benesty J, Chen J, Huang Y and Cohen I, 2009. Pearson Correlation Coefficient. In: Noise Reduction in Speech Processing, Springer, Heidelberg, 37-40. doi:10.1007/978-3-642-00296-0_5
  25. Ricardo Enrique Guerrero Moreno and Josué Álvarez Borrego, 2009. Nonlinear composite filter performance. Opt. Eng. 48: 067201. doi:10.1117/1.3152777
  26. Casasent D, 1984. Unified synthetic discriminant function computational formulation. Appl. Opt. 23: 1620-1627. doi:10.1364/AO.23.001620
(c) Ukrainian Journal of Physical Optics