मैं उच्च-थ्रूपुट इमेजिंग पाइपलाइन के एक भाग के रूप में दोषपूर्ण छवियों और / या दोषपूर्ण विभाजन का पता लगाने के लिए स्वचालित रूप से खंडित माइक्रोस्कोपी छवियों को संसाधित करना चाहता हूं। मापदंडों की एक मेजबान है जो प्रत्येक कच्ची छवि और विभाजन के लिए गणना की जा सकती है, और जब छवि खराब हो जाती है तो "चरम" बन जाते हैं। उदाहरण के लिए, छवि में एक बुलबुले का परिणाम ऐसी विसंगतियों के रूप में होगा, जो कि "कोशिकाओं" में से किसी एक में एक विशाल आकार के रूप में या पूरे क्षेत्र के लिए विसंगतिपूर्ण रूप से कम कोशिका गणना के कारण होगा। मैं इन विषम मामलों का पता लगाने के लिए एक कुशल तरीका खोज रहा हूं। आदर्श रूप से, मैं एक ऐसी विधि पसंद करूंगा जिसमें निम्नलिखित गुण हों (मोटे तौर पर वांछनीयता के क्रम में):
पूर्वनिर्धारित पूर्ण सीमा की आवश्यकता नहीं है (हालाँकि पूर्वनिर्धारित प्रतिशत ठीक हैं);
स्मृति में सभी डेटा होने की आवश्यकता नहीं है, या यहां तक कि सभी डेटा को देखा है; यह अनुकूली होने के लिए विधि के लिए ठीक है, और इसके मापदंड को अपडेट करेगा क्योंकि यह अधिक डेटा देखता है; (जाहिर है, कुछ छोटी संभावना के साथ, विसंगतियां हो सकती हैं इससे पहले कि सिस्टम ने पर्याप्त डेटा देखा है, और याद किया जाएगा, आदि)
समांतर है: पहले राउंड में, समानांतर नोड्स में काम करने वाले कई नोड्स मध्यवर्ती उम्मीदवार विसंगतियों का उत्पादन करते हैं, जो पहले राउंड के पूरा होने के बाद चयन के एक दूसरे दौर से गुजरते हैं।
मैं जिन विसंगतियों की तलाश कर रहा हूं वे सूक्ष्म नहीं हैं। वे ऐसे प्रकार हैं जो स्पष्ट रूप से स्पष्ट हैं यदि कोई डेटा के हिस्टोग्राम को देखता है। लेकिन प्रश्न में डेटा की मात्रा, और इस विसंगति का वास्तविक समय में प्रदर्शन करने के अंतिम लक्ष्य के रूप में छवियों को उत्पन्न किया जा रहा है, किसी भी समाधान को रोकता है जिसे मानव मूल्यांकनकर्ता द्वारा हिस्टोग्राम के निरीक्षण की आवश्यकता होगी।
धन्यवाद!