Measuring sharpness of plankton images with no-reference methods

Abstract

Plankton forms the base of the food web, produces oxygen, and take part in biochemical cycles, but they can also negatively affect water quality and be toxic. These organisms are monitored with various imaging instruments and automatic recognition systems. The imaging instruments struggle to capture these microscopic particles in good focus, resulting in a lot of unusable and bad data for the image-based recognition systems. In this thesis image quality assessment methods are looked at to aid in filtering out the bad quality data.

A total of eight different no-reference image sharpness measurement methods were assessed on manually labeled plankton image data. The experimental results demonstrate that the method based on Laplacian variance can classify images accurately. Image gradient-based methods are also accurate, generally achieving a higher rate of true positives at the cost of precision. Separating in-focus images and images with parts in-focus from fully out-of-focus images proved to be precise with the Laplacian and gradient-based methods. The blurry class, which ranges from almost out-of-focus to almost in-focus, had more overlap with other classes leading to less accurate results.

Plankton muodostaa ravintoverkon perustan, tuottaa happea ja osallistuu biokemiallisiin kiertokulkuihin, mutta ne voivat myös vaikuttaa negatiivisesti veden laatuun ja olla myrkyllisiä. Näitä eliöitä seurataan erilaisilla kuvantamislaitteilla ja automaattisilla tunnistusjärjestelmillä. Kuvantamislaitteilla on vaikeuksia kuvata näitä mikroskooppisia hiukkasia hyvällä tarkkuudella, mikä johtaa paljon käyttökelvottomaan ja huonoon dataan kuvapohjaisille tunnistusjärjestelmille. Tässä työssä tarkastellaan kuvanlaadun arviointimenetelmiä huonolaatuisen datan suodattamiseksi.

Yhteensä kahdeksaa erilaista referenssitöntä kuvan terävyyden mittausmenetelmää arvioitiin manuaalisesti luokitellulla planktonkuvadatalla. Kokeelliset tulokset osoittavat, että Laplacen varianssiin perustuva menetelmä pystyy luokittelemaan kuvat tarkasti. Myös kuvagradienttipohjaiset menetelmät ovat tarkkoja ja saavuttavat yleensä korkeamman aitojen positiivisten tulosten määrän luokittelun tarkkuuden kustannuksella. Terävien kuvien ja osittain terävien kuvien erottaminen täysin epäterävistä kuvista osoittautui tarkaksi Laplace- ja gradienttipohjaisilla menetelmillä. Sumeat kuvat, jotka vaihtelevat lähes epäterävistä lähes teräviin, sisältivät terävyysarvoiltaan paljon päällekkäisyyksiä muiden luokkien kanssa, mikä johti vähemmän tarkkoihin tuloksiin.