Template-basierte Detektion viraler Strukturen in PAMONO-Daten

Im Rahmen meiner Bachelor-Arbeit mit dem Titel “Template-basierte Detektion viraler Strukturen in PAMONO-Daten” wurde ein Ansatz entwickelt, der auf ein bestehendes Projekt zur Detektion von Partikeln im Nanobereich aufbaut. Das Ziel der Arbeit war es, virale Partikel mithilfe verschiedener template-basierter Verfahren in den Bilddaten des PAMONO-Sensors zu detektieren.

Zielsetzung und Herausforderungen #

Die PAMONO-Sensordaten bestehen aus Graustufenbildern, in denen virale Strukturen durch unterschiedliche Lichtreflektionen sichtbar werden. Das Hauptziel war es, Templates zu entwickeln, die virale Partikel zuverlässig erkennen können. Hierbei wurde eine Mexican hat-Funktion modelliert, um ein geeignetes Template zu erstellen, das die geometrischen und optischen Eigenschaften der viralen Strukturen abbildet.

Zusätzlich wurde das zeitliche Verhalten der viralen Strukturen in Bildsequenzen betrachtet. Es wurde beobachtet, dass virale Strukturen in den Bilddaten erscheinen und bestehen bleiben, während Rauschen über die Zeit wieder verschwindet. Diese Charakteristik ermöglichte eine verbesserte zeitliche Klassifikation der erkannten Strukturen.

Verwendete Methoden #

Zur Detektion der viralen Strukturen wurden verschiedene template-basierte Ansätze evaluiert:

1. Klassisches Verfahren:
   Ein einfaches Template wurde über die Bilddaten gelegt, um mithilfe von Korrelation virale Partikel zu detektieren.

2. Kumuliertes Verfahren:
   Mehrere aufeinanderfolgende Bildsequenzen wurden kombiniert, um statische Strukturen besser zu erkennen und Rauschen zu reduzieren.

3. Gabor-Transformation:
   Zur besseren Extraktion von Frequenzinformationen in den Bilddaten wurde eine Gabor-Transformation eingesetzt, die Texturen und Kanten in den Bildern hervorhebt und somit eine präzisere Detektion der Partikel ermöglicht.

Klassifikation der Partikel #

Die Klassifikation der viralen Strukturen erfolgte in zwei Schritten:

1. Schwellwertklassifikation:
   Basierend auf der Korrelation zwischen dem Template und dem erkannten Partikel wurde ein Schwellwert definiert, der die Zuverlässigkeit der Detektion angibt.

2. Zeitliche Klassifikation:
   Es wurde überprüft, ob die detektierte Struktur über mehrere Bildsequenzen hinweg bestehen bleibt, um sicherzustellen, dass es sich tatsächlich um ein virales Partikel handelt und nicht um temporäres Rauschen.

Entwicklung und Implementierung #

Die gesamte Implementierung der Arbeit wurde in C++ durchgeführt, wobei die OpenCV-Bibliothek als Basis für die Computer Vision-Algorithmen diente. OpenCV ermöglichte eine effiziente Verarbeitung der Bilddaten und die Durchführung der verschiedenen Template-Matching-Methoden.

Evaluierung #

Die Ergebnisse wurden mithilfe von Referenzdaten evaluiert, die die tatsächlichen Positionen der viralen Partikel in den Bilddaten enthalten. Die Korrelation zwischen den erkannten Strukturen und den Referenzdaten bestätigte die Effektivität des gewählten Ansatzes, insbesondere in Kombination mit der zeitlichen Klassifikation.

Fazit #

Die Bachelor-Arbeit zeigte, dass template-basierte Verfahren, insbesondere in Verbindung mit der zeitlichen Betrachtung, eine effektive Methode zur Detektion von viralen Strukturen in den PAMONO-Daten darstellen. Durch die Kombination von klassischen und fortgeschrittenen Verfahren wie der Gabor-Transformation konnte eine hohe Erkennungsrate erzielt werden. Die Implementierung in C++ und die Nutzung von OpenCV ermöglichten eine performante Auswertung der Sensordaten.

Tätigkeiten #

• Entwicklung von Bildverarbeitungsalgorithmen
• Entwicklung von Detektionsmöglichkeiten
• Entwicklung von Klassifizierungsalgorithmen
• Entwicklung der Software mittels C++ und OpenCV
• Evaluation der Ergebnisse
• Dokumentation und Präsentation der Ergebnisse