Figure 11 - uploaded by Noor Ibraheem
Content may be subject to copyright.
Source publication
![Figure 3: CIE L*u*v* Color Space [4].](profile/Noor-Ibraheem/publication/266462481/figure/fig2/AS:669424386310159@1536614619989/CIE-Luv-Color-Space-4_Q320.jpg)
![Figure 4: CIE L*a*b* color model [10].](profile/Noor-Ibraheem/publication/266462481/figure/fig3/AS:669424390529024@1536614620006/CIE-Lab-color-model-10_Q320.jpg)
![Figure 5: RGB color Model [3][5].A: Primary colors representation. B:...](profile/Noor-Ibraheem/publication/266462481/figure/fig4/AS:669424390516739@1536614620244/RGB-color-Model-35A-Primary-colors-representation-B-Primary-colors-cube_Q320.jpg)
Colors are important for human for communicating with the daily encountered objects as well as his species, these colors should be represented formally and numerically within a mathematical formula so it can be projected on device/ computer storage and applications, this mathematical representation is known as color model that can hold the color sp...
Similar publications
Long-term high cholesterol intake is one of the most critical risk factors of cardiovascular diseases (CVD). As milk and dairy products are rich in cholesterol and are consumed on a large scale, the production of low-cholesterol content products could decrease effectively high cholesterol intake what would be one of the crucial steps in CVD prevent...
Citations
... By converting RGB images of skin lesions to other color spaces [22,23] such as CMYK (Cyan, Magenta, Yellow, and Key/Black), HSL (Hue, Saturation, and Lightness), XYZ Color Space, and HSV (Hue, Saturation, and Value), it becomes easier to extract and analyze color-related and textural data. These aspects are essential for identifying and classifying different types of skin cancer. ...
There are many different kinds of skin cancer, and an early and precise diagnosis is crucial because skin cancer is both frequent and deadly. The key to effective treatment is accurately classifying the various skin cancers, which have unique traits. Dermoscopy and other advanced imaging techniques have enhanced early detection by providing detailed images of lesions. However, accurately interpreting these images to distinguish between benign and malignant tumors remains a difficult task. Improved predictive modeling techniques are necessary due to the frequent occurrence of erroneous and inconsistent outcomes in the present diagnostic processes. Machine learning (ML) models have become essential in the field of dermatology for the automated identification and categorization of skin cancer lesions using image data. The aim of this work is to develop improved skin cancer predictions by using ensemble models, which combine numerous machine learning approaches to maximize their combined strengths and reduce their individual shortcomings. This paper proposes a fresh and special approach for ensemble model optimization for skin cancer classification: the Max Voting method. We trained and assessed five different ensemble models using the ISIC 2018 and HAM10000 datasets: AdaBoost, CatBoost, Random Forest, Gradient Boosting, and Extra Trees. Their combined predictions enhance the overall performance with the Max Voting method. Moreover, the ensemble models were fed with feature vectors that were optimally generated from the image data by a genetic algorithm (GA). We show that, with an accuracy of 95.80%, the Max Voting approach significantly improves the predictive performance when compared to the five ensemble models individually. Obtaining the best results for F1-measure, recall, and precision, the Max Voting method turned out to be the most dependable and robust. The novel aspect of this work is that skin cancer lesions are more robustly and reliably classified using the Max Voting technique. Several pre-trained machine learning models’ benefits are combined in this approach.
... Getting the required color and shade is very important and has lots of applications. There are many areas of human life where we need efficient color-mixing strategies [3,4]. ...
... Many industries and research organizations are involved in designing a color mixing system to increase productivity and reduce human efforts. There are various kinds of color mixing strategies that can be seen in the literature [3][4][5][6][7][8][9][10][11][12][13][14][15][16] and [17][18][19][20][21][22][23][24][25]. The work presented in [5][6][7] shows the only object identification process. ...
... The color mixing process can be traced back to the 13 th century [1]; further details can be found in [2]. A comprehensive color model and computer visualization details can be found in [3]. The work in [5] presents a new color model for image and video processing. ...
... Only considering dark colours could lead to overlap divergence between dark-red and deeper purplish phenotypes. Consequently, considering R, G and B individually will lead to bias in distinguishing these phenotypes, given that, colour in RGB space is defined by mixing R, G and B values together [77]. ...
Background
The genetic basis of colour development in red-flesh apples (Malus domestica Borkh) has been widely characterised; however, current models do not explain the observed variations in red pigmentation intensity and distribution. Available methods to evaluate the red-flesh trait rely on the estimation of an average overall colour using a discrete class notation index. However, colour variations among red-flesh cultivars are continuous while development of red colour is non-homogeneous and genotype-dependent. A robust estimation of red-flesh colour intensity and distribution is essential to fully capture the diversity among genotypes and provide a basis to enable identification of loci influencing the red-flesh trait.
Results
In this study, we developed a multivariable approach to evaluate the red-flesh trait in apple. This method was implemented to study the phenotypic diversity in a segregating hybrid F1 family (91 genotypes). We developed a Python pipeline based on image and colour analysis to quantitatively dissect the red-flesh pigmentation from RGB (Red Green Blue) images and compared the efficiency of RGB and CIEL*a*b* colour spaces in discriminating genotypes previously classified with a visual notation. Chemical destructive methods, including targeted-metabolite analysis using ultra-high performance liquid chromatography with ultraviolet detection (UPLC-UV), were performed to quantify major phenolic compounds in fruits’ flesh, as well as pH and water contents. Multivariate analyses were performed to study covariations of biochemical factors in relation to colour expression in CIEL*a*b* colour space. Our results indicate that anthocyanin, flavonol and flavanol concentrations, as well as pH, are closely related to flesh pigmentation in apple.
Conclustion
Extraction of colour descriptors combined to chemical analyses helped in discriminating genotypes in relation to their flesh colour. These results suggest that the red-flesh trait in apple is a complex trait associated with several biochemical factors.
... This is an important consideration when designing a software for user accessibility and versatility across a diverse set of plant pathosystems. However, the HSV model is limited in its Hue value, as it is a circular value plotted numerically from 0° to 360°, and thus for statistical purposes and computation, circular statistics must be used [24]. In addition, the Hue is defined in 60° slices, in which the relationship between lightness, Value and chroma to R, G, B depends on each unique slice. ...
Background
Despite major efforts over the last decades, the rising demands of the growing global population makes it of paramount importance to increase crop yields and reduce losses caused by plant pathogens. One way to tackle this is to screen novel resistant genotypes and immunity-inducing agents, which must be conducted in a high-throughput manner.
Results
Colour-analyzer is a free web-based tool that can be used to rapidly measure the formation of lesions on leaves. Pixel colour values are often used to distinguish infected from healthy tissues. Some programs employ colour models, such as RGB, HSV or L*a*b*. Colour-analyzer uses two colour models, utilizing both HSV (Hue, Saturation, Value) and L*a*b* values. We found that the a* b* values of the L*a*b* colour model provided the clearest distinction between infected and healthy tissue, while the H and S channels were best to distinguish the leaf area from the background.
Conclusion
By combining the a* and b* channels to determine the lesion area, while using the H and S channels to determine the leaf area, Colour-analyzer provides highly accurate information on the size of the lesion as well as the percentage of infected tissue in a high throughput manner and can accelerate the plant immunity research field.
... Therefore, it is unsuitable for color-based segmentation as luminance and chrominance components get mixed [31]. HSV relates closely to how humans perceive color [32]. In HSV color space, the Hue component gives the pure color value. ...
... The advantages of the HSV color space over other color spaces are detailed in [33]. Equations (1) -(10) describe RGB to HSV conversion based on the formulas given in [32]. Here R, G, and B represent pixel-wise red, green, and blue color component values, respectively. ...
Climate change is leading to sudden extreme weather events like floods and heavy rain to occur. One of the most significant rain-bearing systems, Mesoscale Convective Systems (MCSs), is in charge of catastrophic rainfall and flood events that may cause loss of life and property. MCSs are one of the vital components of the climate system on Earth. Many studies contributed to two significant steps, MCS identification and tracking. There are a variety of algorithms focused on tracking whereas for MCS identification only limited methods are present. They contribute to global as well as regional climate patterns by transporting heat and moisture. It is necessary to identify MCS properly to track MCS occurrences over time and comprehend their typical lifecycle to get early warnings of their existence. Three MCS identification techniques based on the Hue channel of the Hue Saturation Value (HSV) color model are implemented in this research, and their effectiveness is assessed. These techniques execute segmentation based on Hue channel Thresholding (HT), K means clustering combined with Hue channel Thresholding (KMCHT) and the modified Source Apportionment Technique combined with Hue channel Thresholding (SATHT). Image pixel values are used to depict infrared brightness temperature data obtained from the Indian geostationary satellite Kalpana-1. The generated ground truth images and performance measurements are used to assess the effectiveness of the methods. The proposed SATHT method for multiple cloud segmentation results in superior performance metrics than the HT and KMCHT approaches.
... In order to simulate the colours of the mural, a HSV hue channel-based colour loss is proposed. The hue channel's [49] histogram vector is initially extracted to represent the image's colour characteristics. Then, the cosine similarity between the generated image's hue histogram vector and the tomb's murals is calculated to obtain the colour loss. ...
A True Random Number Generator (TRNG) is an important component in cryptographic algorithms and protocols. The Rosin Autonomous Boolean Network (ABN) digital TRNG has been widely studied due to its nice properties, such as low energy consumption, high speed, strong platform portability, and strong randomness. However, there is still a lack of suitable entropy models to deduce the requirement of design parameters to ensure true randomness. The current model to evaluate the entropy of oscillator-based TRNGs is not applicable for Rosin ABN TRNGs due to low-frequency noise. This work presents a new, suitable stochastic model to evaluate the entropy of Rosin ABN TRNGs. Theoretical analysis and simulation experiments verify the correctness and the effectiveness of the model, and, finally, the appropriate sampling parameters for Rosin ABN TRNGs are given for sufficient entropy per random bit to ensure true randomness.
... Цветовите модели описват числовото представяне и математическите взаимовръзки между цветовете 91 . Разработени са множество цветни модели за различни нужди, но тук ще представим само част от тях, които имат отношения към темата на труда. ...
РЕЦЕНЗИЯ
на монографията „Анализ на изображения в експерименталната
токсикология“
от гл. ас. Йордан Иванов Йорданов, дф
Монографичният труд на гл.ас. доктор Йордан Йорданов на тема „Анализ на изображения в експерименталната токсикология“ се появява в период от развитието на науката и технологиите, в който въпросите за коректната обработка на големи масиви от данни, съдържателната им интерпретация и поставянето на получените знания в служба на научния прогрес и нуждите на обществото, е изключително актуален.
Трудът представя темата и структурата на изследването по разбираем и логичен начин като оптимално комбинира теоретични знания и практически наблюдения. Той започва с анализ на специфичните особености, които имат цифровите изображения и по-специално биоизображенията (отнасящи се
до биологични обекти). Анализът обосновава нуждата от интелигентен подход в обработката им, за да бъде извлечена най-съдържателната информация. Това въведение естествено довежда до формулиране на целта на монографията, която найобщо би могла да се определи така – да предостави базови теоретични знания и практически умения по приложението на методите за анализ на цифрови изображения в неклиничните токсикологични проучвания. В съответствие с целта следва представяне на теоретичните основи с акцент върху свойствата на цифровите изображения, видовете операции и методите, прилагани при обработката им. Систематичният обзор последователно извежда селекцията на най-значимите публикации по темата с акцент върху анализ на биоизображения
в областта на експерименталната токсикология. Представени са и основни подходи при анализ на биоизображения по собствени резултати на автора в панел от различни токсикологични изследвания.
Целевата група читатели на монографичния труд са всички изследователи, които се интересуват от обработка на биоизображения. Те могат да бъдат напълно удовлетворени от съдържанието на монографията, тъй като в нея са събрани и обобщени наличните в момента методи, софтуерни продукти със свободен и безплатен достъп, обучителни ресурси и техники, които текущо са разпръснати в различни източници или фрагментирано представени в книги, дисертации, публикации и интернет източници. Считам, че монографията запълва една съществена празнина в нашия научен книжен/електронен пазар и по такъв начин би насърчила употребата на методите за анализ на изображения сред по-широк кръг от изследователи и особено сред онези от тях, които работят в биомедицинската сфера. Следва да се подчертае силно интердисциплинарният характер на труда, който обединява познания в няколко научни области (физика, математика, биология, медицина, информатика и др.). В същото време той се явява своебразен хибрид между базови теоретични познания и ценни практически съвети, което го прави особено полезен за работещите в полето на биологията и медицината и които имат интерес към темата по анализ на изображения.
По-долу се спирам по-подробно върху някои от основните точки в изложението на представения монографичен труд. Авторът последователно описва основните стъпки при анализ на изображения (вкл. биоизображения), по-конкретно: генерирането на изображения, предварителната им обработка, същинския анализ, извличането на информация в подходящ формат, интерпретацията на получената информация и формулирането на изводи за релевантните характеристики на обектите в изображението. Всяка от тези стъпки е анализирана като са очертани основните операции и алгоритми за съответната стъпка. Усвоени в дълбочина и описани са голям брой софтуерни разработки за анализ на изображения, които са критично анализирани от гл. т. на тяхната приложимост при обработка на биоизображения. За да постигне това, авторът е изследвал използването им и по такъв начин е придобил ценен практически опит, който обаче не би бил постижим без разбирането на същностните алгоритми и процеси, които са имплементирани в съответните софтуерни продукти и които той адресира в изложението си.
Отделено е специално внимание и на много актуалния напоследък „изкуствен интелект“ (artificial intelligence, AI), проследявайки неговите възможности и ограничения в специфичната за анализ на изображения област. Представени са дълбоките невронни мрежи като инструмент на AI и един от найуспешните методи за обработка на големи масиви от данни, характерни за биоизображенията. Прави впечатление критичният поглед на автора по отношение на обучителните методи и невъзможността им да прогнозират/ класифицират обекти, ако те не са били представени в обучителната група данни на модела, както и трудностите в интерпретацията на изходните резултати, поради липсата на наблюдение върху процеса на обучение. За яснота, той „екстраполира“ тезипроблеми върху биологични обекти, с което адаптира изложението към изследваната тема.
Особено ценна част в монографията е систематичният обзор, който насочва описаните преди него теоретични методологични основи към придобиването на обективна представа за приложенията на методите за анализ на биоизображения в експерименталните токсикологични изследвания. Последните се отнасят до тясната експертиза на автора и са крайната му цел в обработката и анализа на биоизображения. В обзора той се базира на обективна, научно проверена информация, достъпна чрез Core Collection на библиографската информационна система Web of Science (WoS). Авторът се възползва от възможностите, които дава WoS, за да реализира няколко нива на селекция на публикациите, позволяващи му да извлече най-съотносимата към интересуващия го обект научна библиография. Забележителна е селекцията, която тръгва от почти 2 млн. заглавия и се свежда след серията от филтри до около 700 и след допълнителен
анализ до около 80 най-значими публикации по експериментална токсикология, интегрираща анализи на изображения. Извършен е задълбочен анализ на тези
публикации по отношение на обектите и методите на изследване на токсичност и са очертани тези от тях, които определят найсъвременните тенденции в полето. Проведена е класификация по няколко критерия като вид изследвани вещества, токсикологични дисциплини, експериментална моделна система, вид биомаркер, техника за заснемане и др. Като цяло систематичният обзор е едно оригинално конструирано и аналитично изследване, което заслужава да бъде публикувано
като самостоятелна статия, за да стане достояние на по-широка читателска аудитория.
В монографията е включена и глава, насочваща към собствените изследвания на автора, свързана с разработването на подходи за анализ на биоизображения. Изложението е логично конструирано като започва от подбора на подходящ софтуер, анализиран от гл. т. на неговата достъпност, функционална структура, адекватност за изследвания обект, наличен интерфейс, програмни езици и библиотеки, управление на инфраструктура и др. Самостоятелно е разгледан софтуер за дълбоко обучение в съответствие с най-съвременните тенденции на използване на AI. Списъкът от анализирани софтуери е наистина внушителен и разкрива задълбоченото изучаване от автора на техните качества и ограничения. Цитирани са добри практики и е направен анализ на често срещани грешки, очертани са основните тенденции и перспективи в развитието на специализиран за обработка на изображения софтуер, препоръки за избора му, както и възможността за използване на AI-базирани текстови редактори (чатботове) за избор на най-подходящ софтуер. В същия раздел е представена батерия от методи за анализ на изображения в експерименталната токсикология като собствени разработки на автора по отношение на: (а) определяне на конфлуентност на монослой в двумерни клетъчни култури, (б) идентифициране на окръглени клетки с апоптотична морфология, (в) тест за миграция чрез надраскване на монослой, (г) кометен тест, (д) анализ на интензитет и тъканно разпределение на имунохистохимични маркери; (е) анализ на навлизането на флуоресцентни молекули в резистентни туморни клетки. Всичките шест разработки са в различни апликации на анализ и обработка на биоизображения. Те илюстрират как разработените подходи, базирани на изложените в монографията теоретични основи и добри практики, разкриват възможност за извличане на полезна и съдържателна информация от изследваните биоизображения. Част от тези изследвания са публикувани, за други това предстои.
Достойнство на труда е наличието на възможност за свободен достъп на описаните изследвания чрез QR код доподдържана от автора репозитория, създадена на GitHub.com.
Монографията е написана на ясен, професионално издържан език и обхваща най-съвременните публикации в областта. Обемът й е 264 страници и включва 50 фигури, 5 таблици и 405 литературни източника.
В заключение, оценявам високо цялостната научна и практическа стойност на монографията и считам, че тя представлява принос към българската научна школа в областта, а авторът й оценявам като пионер сред анализаторите на биоизображения у нас. В раздела на систематичния обзор, касаещ географското разпределение на публикациите по темата на анализ на изображения с токсикологична тематика, прави впечатление отсъствието на страната ни от списъка на страните с обща публикационна активност. Вярвам, че настоящата монография ще стимулира работещите у нас в областта на експерименталната токсикология, интегрираща методи за анализ на изображения, и ще доведе до появата и трайното присъствие на страната ни на световната карта на изследователите в тази област.
Чл.-кор. проф. Илза Константинова Пъжева, дбн
Секция QSAR молекулно моделиране,
Институт по биофизика и биомедицинско
инженерство,
Българска академия на науките
... Most studies on colour attributes utilize colour spaces such as HSV, HSI, RGB, CMYK, HSL, etc. (Ibraheem et al. 2012). This research adopts the HSV colour space (hue, saturation, and value), which aligns closely with human colour perception (Smith 1978). ...
This research explores the intersection of colour marketing and brand identity, focusing on the role of iconic colour in furniture branding. A comprehensive framework for crafting a furniture brand’s iconic colour was developed, and structural equation modeling was used to analyze data from three offline experiments with a total sample size of 111 subjects. The findings highlight the crucial influence of iconic colour on brand identity, revealing that both the referential meaning of hue and gender significantly impact brand perception. Contrary to conventional beliefs, variations in saturation and value are not solely detrimental; they can also enrich brand identity. The iconic colour serves as a cornerstone for ensuring consistency across internal and external brand dimensions, solidifying the brand’s core identifiers, and resonating with consumers’ minds. This research underscores the pivotal role of iconic colour in forging a coherent and distinct brand identity, offering valuable insights for marketers and brand strategists in the furniture industry and beyond.
... To overcome these technical constraints, identified color palettes were digitally generated using a color recipe. The RGB color model was identified and the Munsell color R model was used for the digitization of colors (Ibraheem, et al., 2012) In the third phase, codes generated from interviews with experts and consumers were analyzed to generate a perspective for contextualization, categorization and theme generation. As the outcome of the first and second phases indicated a shift towards emotions, it was decided to compare the themes under the rasa theory construct. ...
... In the pre-processing step, all images were resized into 264x264 pixels and transformed from Red Green Blue (RGB) color space to four other color spaces: Hue Saturation Value (HSV) color space, Hue Saturation Lightness (HLS) color space, YCrCb color space, XYZ color space [56], [57]. Different color spaces were explored to better understand the changes occurring in different pre-cancerous stages in the oral cavity. ...
Cancer is one of the foremost reasons of death worldwide, with nearly 10 million deaths noted in 2020. Globally oral cancer has the sixth rank when compared to other cancers. It is lethal because most cases are noticed at advanced stages, which can be prevented if screened for or treated early, leading to a significant decrease in the mortality rate due to oral cancer. Thus, it becomes necessary to detect oral cancer at its pre-cancerous stages. In this work, a method for classifying oral cavity lesions into benign and malignant for binary classification and their pre-cancerous stages for multi-class classification exploring five different color spaces extracting color and texture features classified using a machine learning technique Light Gradient Boosting Machine (LightGBM) is proposed. The overall performance is satisfactory, outperforming the state-of-art methods in this task, with a testing accuracy of 99.25%, precision of 99.18%, recall of 99.31%, f1-score of 99.24% and specificity of 99.31% for the binary classification, and testing accuracy of 98.88%, precision of 98.86%, recall of 97.92%, f1-score of 98.38% and specificity of 99.03% for multi-class classification. The proposed method used hand-crafted features and a machine-learning classifier, making it less time-consuming and using bare minimum resources.
