A New Method for Root Detection in Minirhizotron Images: Hypothesis Testing Based on Entropy-based Geometric Level Set Decision

در اين مقاله روشي جديد به منظور آشكارسازي ريشه‌هاي گياهان در تصاوير گرفته شده توسط سيستم ميني رايزوترون ارايه مي‌شود. در روش پيشنهادي به منظور تفكيك ريشه‌ها از پس زمينه و نويز موجود در تصاوير، ابتدا مساله با استفاده از مفهوم آزمون فرضها بازتعريف مي‌شود. در گام بعدي تابع تصميمي كه با استفاده از سطوح همتراز مبتني بر آنتروپي تصاوير تعريف مي‌شود، محاسبه مي‌گردد. مقدار اين تابع مي تواند فرضيه صحيح را مشخص نموده و لذا ريشه را از پس زمينه و نويز تصاوير تفكيك نمايد. عملكرد روش پيشنهادي با استفاده از تصاوير اخذ شده توسط سيستم ميني رايزوترون در دو سناريوي مختلف آزموده مي‌شود. در اولين سناريو تصاوير مورد آزمون شامل ريشه هستند، در حالي كه سناريوي دوم مربوط به تصاويري است كه شامل هيچ ريشه اي نمي باشند. نتايج حاصل از مقايسه عملكرد روش پيشنهادي و چند روش موجود حاكي از برتري روش پيشنهادي اين مقاله در استخراج ريشه هاي صحيح هستند. همچنين نتايج به دست آمده نشان مي دهند كه به موازات برتري مزبور، روش پيشنهادي اين مقاله ريشه‌هاي نادرست كمتري را نيز نسبت به ساير روش‌هاي آزموده شده به دست مي‌دهد.

A new method is introduced here for root detection in minirhizotron images for root investigation. In this method, a hypothesis testing framework is defined first to separate roots from background and noise. Then, the correct roots are extracted by an entropy-based geometric level set decision function. Performance is evaluated on real captured images in two different scenarios. In the first scenario, images contain several roots while the second scenario belongs to no-root images, which increases the chance of false detections. The results demonstrate better capability of the proposed method in root detection compared to the present approaches in all the cases investigated. Furthermore, it can be shown that better detection of roots in the proposed algorithm not only does not lead to extracting more false particles, but also it decreases rate of false detections compared to the existing algorithms.