使用简单方法在图像中检测血细胞

对象检测问题的基础是数据的外观。现在，本文将介绍可用于解决对象检测问题的不同深度学习架构。让我们首先讨论我们将要处理的问题陈述。

目录

1. 了解问题陈述：血细胞检测

2. 数据集链接

3. 解决对象检测问题的简单方法

4. 实施简单方法的步骤

• 加载数据集

• 数据探索

• 为简单方法准备数据集

• 创建训练和验证集

• 定义分类模型架构

• 训练模型

• 作出预测

结论

了解问题陈述血细胞检测

问题陈述

对于一组给定的血细胞图像，我们必须检测图像中的白细胞。

现在，这是来自数据集的示例图像。如你所见，你可以看到有一些红色阴影区域和蓝色或紫色区域。

在上图中，红色阴影区域是红细胞（RBC），紫色阴影区域是白细胞（WBC），还有一些小的黑色突出部分是血小板。

正如你在此图像中看到的那样，我们有多个对象和多个类。

为简单起见，我们将其转换为单类单对象问题。这意味着我们将只考虑白细胞。

因此，只有一个类，即白细胞，而忽略其余的类。此外，我们将只保留具有单个白细胞的图像。

因此，具有多个白细胞的图像将从该数据集中删除。

以下是我们将从该数据集中选择图像的方法。

因此，我们删除了图像 2 和图像 5，因为图像 5 没有白细胞，而图像 2 有 2 个白细胞，其他图像保留在数据集中。同样，测试集也将只有一个白细胞。

现在，对于每个图像，我们在白细胞周围都有一个边界框。正如你在这张图片中看到的，我们的文件名为 1.jpg，这些是白细胞周围边界框的边界框坐标。

在下一节中，我们将介绍解决此对象检测问题的简单方法。

数据集链接

数据集链接：

https://courses.analyticsvidhya.com/courses/take/Applied-Computer-Vision-using-Deep-Learning/downloads/14005079-dataset-blood-cell-detection

解决对象检测问题的简单方法

在本节中，我们将讨论一种解决对象检测问题的简单方法。所以让我们首先了解任务，我们必须在血细胞图像中检测白细胞，可以看到下图。

现在，最简单的方法是将图像划分为多个块，因此对于此图像，将图像划分为四个块。

我们对这些块中的每一个进行分类，因此第一个块没有白细胞，第二个块有一个白细胞，同样第三个和第四个没有任何白细胞。

我们已经熟悉分类过程以及如何构建分类算法。因此，我们可以轻松地将这些单独的块中的每一个分类为 yes 和 no，以表示白细胞。

现在，在下图中，具有白细胞的块（绿色框）可以表示为边界框，因此在这种情况下，我们将取这个块的坐标值，并将其返回为白细胞的边界框。

现在为了实施这种方法，我们首先需要准备我们的训练数据。

现在可能有一个问题，为什么我们需要准备训练数据？我们已经有了这些图像和边界框。

我们的训练数据采用以下格式，其中我们有白细胞边界框和边界框坐标。

现在，请注意我们有完整图像的这些边界框坐标，但我们将把这个图像分成四个块。我们需要所有这四个块的边界框坐标。下一个问题是我们如何做到这一点？

我们必须定义一个新的训练数据，我们有文件名，如下图所示。

我们有不同的块，对于每个块，我们有 Xmin、Xmax、Ymin 和 Ymax 值，它们表示这些块的坐标，最后，我们的目标变量是白细胞。图像中是否存在白细胞？

现在在这种情况下，它将成为一个简单的分类问题。因此，对于每个图像，我们将其划分为四个不同的块，并为每个块创建边界框坐标。

现在下一个问题是我们如何创建这些边界框坐标？这真的很简单。

考虑到我们有一个大小为 (640*480) 的图像。所以原点是（0,0）。上图有 x 轴和 y 轴，这里我们的坐标值为 (640, 480)。

现在，我们找出中点，它是 (320,240)。一旦我们有了这些值，我们就可以很容易地找出每个块的坐标。所以对于第一个块，我们的 Xmin 和 Ymin 将是 (0,0) ，而 Xmax, Ymax 将是 (320,240)。

同样，我们可以在第二个、第三个和第四个块中找到它。一旦我们有了这些块中的每一个的坐标值或边界框值。下一个任务是确定此块中是否存在白细胞。