基于時頻分析方法的單細(xì)胞圖像特征提取及識別方法研究.pdf

1、目前，基于人工判讀的細(xì)胞檢測技術(shù)存在工作量大、成本高、可靠性與檢測精度受到醫(yī)師主觀影響等問題。隨著計算機(jī)技術(shù)、數(shù)字圖像處理技術(shù)及人工智能模式識別技術(shù)的迅速發(fā)展，亟需開發(fā)顯微細(xì)胞智能分析系統(tǒng)。實現(xiàn)顯微細(xì)胞智能分析，有著十分重要的社會與經(jīng)濟(jì)效益。
　　本文對單細(xì)胞圖像智能識別技術(shù)中的關(guān)鍵步驟進(jìn)行了深入研究，主要包括單細(xì)胞圖像的預(yù)處理、單細(xì)胞圖像的特征提取、單細(xì)胞圖像的特征優(yōu)化及單細(xì)胞圖像的識別。將時頻分析方法引入到單細(xì)胞圖像處理中，建

2、立基于時頻分析方法與壓縮感知理論的單細(xì)胞識別模型。主要完成研究成果如下:
　　1.提出了一種基于小波參數(shù)優(yōu)化的單細(xì)胞圖像去噪的預(yù)處理方法，用以去除單細(xì)胞圖像中的干擾，為后續(xù)識別做準(zhǔn)備。依據(jù)小波變換多尺度多分辨率的特征，對傳統(tǒng)小波閾值去噪提出了如下改進(jìn):(1)相比傳統(tǒng)單一閾值，提出了一種自適應(yīng)尺度參數(shù)的閾值估計方法;(2)為了克服軟、硬閾值及小波系數(shù)在小于閾值附近直接置零的一些缺點，構(gòu)造出了一種新的閾值函數(shù)，以提高小波去噪的效果。此

3、外，還引入了去噪效果的評價方法。使用宮頸單細(xì)胞圖像驗證了本文單細(xì)胞圖像去噪算法的有效性。
　　2.提出了基于小波變換與二維經(jīng)驗?zāi)B(tài)分解的單細(xì)胞圖像特征提取方法。小波變換與二維經(jīng)驗?zāi)B(tài)分解具有多尺度、多分辨率的優(yōu)良特性，克服了傳統(tǒng)單細(xì)胞圖像識別方法在空間域中提取單一尺度特征的缺點。小波變換與二維經(jīng)驗?zāi)B(tài)分解的方法不僅可以提取單細(xì)胞圖像多尺度下的頻域特征，還可以提取單細(xì)胞圖像的相位特征，結(jié)合奇異值分解的方法，可以獲得類間方差較大類內(nèi)方

4、差較小的單細(xì)胞圖像特征。提出的方法可以充分提取單細(xì)胞圖像的特征及單細(xì)胞內(nèi)在的結(jié)構(gòu)和紋理特征。在宮頸單細(xì)胞數(shù)據(jù)集上驗證了該方法的有效性。
　　3.采用野草優(yōu)化算法對單細(xì)胞圖像特征進(jìn)行優(yōu)化。提取的單細(xì)胞圖像特征存在冗余性，高維特征對分類器產(chǎn)生較大負(fù)擔(dān)，影響了單細(xì)胞識別精度與識別速度。因此，引入野草優(yōu)化算法對單細(xì)胞圖像的高維特征進(jìn)行優(yōu)化處理。在宮頸單細(xì)胞數(shù)據(jù)集上驗證了該方法的有效性。實驗結(jié)果表明，對特征優(yōu)化后的識別效果明顯優(yōu)于未對特征進(jìn)

5、行優(yōu)化的識別效果。
　　4.建立了基于壓縮感知理論的單細(xì)胞圖像識別模型。壓縮感知分類器是將待分類的單細(xì)胞圖像樣本的特征向量表示成單細(xì)胞圖像訓(xùn)練樣本的特征向量的線性組合，根據(jù)系數(shù)的大小來決定相應(yīng)的單細(xì)胞類別。本文建立的壓縮感知分類器識別模型，是一種新的無需對單細(xì)胞圖像精確分割定位的快速盲識別方法。壓縮感知分類器彌補(bǔ)了現(xiàn)有分類器的識別率低、識別耗時長的缺點。在宮頸單細(xì)胞圖像數(shù)據(jù)集與HEp-2單細(xì)胞圖像數(shù)據(jù)集上對單細(xì)胞圖像識別模型進(jìn)行了