###### tags: `面談`
# 210622_面談本田

### 進捗
- 色補正，他手法検討
- SVM分類精度比較

---
## 色補正，他手法検討

- 今回は，他の項を追加し，色差を比較する

・新規：square5, 9, 11

・従来：root6, 9

<br>

#### 表1：色差平均
| - |補正前 | square5項 | square9項 | square11項 | root6項 | root13項|
| --- | ----- | -------- | -------- | --|-|-|
| 画像1 |24.147 | 11.49438 | 11.3258 | 10.0647 | 14.4495| 11.5141 ||
|画像2| 43.712 |12.4018987 | 13.0118 | 10.1507 | 31.925842 | 25.69198 |
|画像3|20.2883|10.72415|9.76941|8.50095|12.18508|9.7886|
|||||||||
|9パッチ1| 28.9833|26.442|3.4737|6.2001|4.7529|1.173|

→9パッチでsquare11,root13を実行すると画像が乱れる

<br>

### 考察
- 参考論文を読み直し，実装内容に問題がないことを確認した
- 9パッチの場合でroot13，square11で色変換を行うと，色味が大きく崩れたため適していないと考える．他の項の場合は色が崩れることはなく，色変換が実行できた.16パッチではいずれも色味は崩れなかった
- 16パッチの場合でroot13項で色変換を行うと，パッチ内でノイズが発生した．他の項の場合は問題なかった．
- 最も色差が小さくなるのは「square11項」となった．

---

#### 変換結果 画像比較

<br>


原画像1

square5

square9

square11

root6

root13

<br>

## SVM分類精度比較1

前回，Wekaを用いて分類を行ったが，Pythonで分類を試し，その結果を比較する

【データセット】
患者1のブレがない良好な全画像
・重症度0：4日分 → 32指先画像
・重症度1：16日分 → 128指先画像

評価
・10回の交差検証，ランダムの16枚をテストデータ，他を学習データとする．10回の平均

【Weka】
|| a | b |
|--| ----|---- |
|a| 20 |12 |
|b| 3 |125 |
（a=重症度0，b=重症度1）

重症度0の正解率：62.5% (12/32)
重症度1の正解率：97%(125/128)
全体正解率：90.625% (145/160)

【Python】
|| a | b |
|--| ----|---- |
|a| 25 |7 |
|b| 4 |124 |
（a=重症度0，b=重症度1）

重症度0の正解率：78.1% (25/32)
重症度1の正解率：96.8%(124/128)
全体正解率：86.25% (149/160)

## SVM分類精度比較2

【データセット】
学習
・重症度0：3日分
・重症度1：14日分

テスト
・重症度0：1日分
・重症度1：2日分

【Weka】

|| a | b |
|--| ----|---- |
|a| 5 |3 |
|b| 0 |16 |
（a=重症度0，b=重症度1）

重症度0の正解率：62.5% (5/8)
重症度1の正解率：100%
全体正解率：87.5% (21/24)

【Python】

|| a | b |
|--| ----|---- |
|a| 1 |7 |
|b| 0 |16 |
（a=重症度0，b=重症度1）

重症度0の正解率：12.5%
重症度1の正解率：100%
全体正解率：70.8%

また，学習データでの精度は100％であった．

### 考察

データの前処理の方法でそれぞれで違いはあるが，Weka，Pythonでの実装が正しく動作していることを確認できた．

## 今後の課題
- 他の患者(顕著な特徴がある，重症度の割合が良い)で精度検証
- 色補正した画像での分類精度評価
- 他の特徴量の検討

<br>

<br>

<br>

<br>

<br>