應(yīng)用于疾病診斷的圖像分析方法.pdf

1、本論文重點(diǎn)討論用圖像分析法來進(jìn)行疾病診斷。我們運(yùn)用于演算法中的圖像處理技術(shù)則集中在三種圖像的分類和細(xì)分；這三種圖像分別為紋理圖像，遙感圖像，醫(yī)學(xué)圖像。這些圖像處理技術(shù)分別用作小波變換，圖像增強(qiáng)，模糊邏輯或者神經(jīng)網(wǎng)絡(luò)，特征抽取。對線路檢測進(jìn)行霍夫轉(zhuǎn)換，運(yùn)用類似于歐幾里德距離的數(shù)學(xué)方法。
　　 本論文的目的是為了疾病診斷創(chuàng)造新的算法。但首先我們需要知道在算法中，進(jìn)行分類和細(xì)分的最好的圖像處理方法，這使得我們運(yùn)用多種圖像處理方法，其中

2、包括醫(yī)學(xué)圖像，以此來確定我們所運(yùn)用的方法是進(jìn)行診斷最恰當(dāng)?shù)姆椒ā?br>　　 第一個算法有兩部分：第一部分是講對紋理的認(rèn)識，而第二部分是講遙感圖像。所以在第一部分我們嘗試著混用微波和神經(jīng)網(wǎng)絡(luò)來尋找適當(dāng)?shù)姆椒ㄕJ(rèn)識紋理，通過微波，這些紋理會分解成下一等級的圖像，這些圖像可以分析和提取紋理，通過這些特征我們的神經(jīng)網(wǎng)絡(luò)可以用來認(rèn)識紋理的類型。在這篇論文中運(yùn)用了五種不同類型的紋理，每種都附有五張圖片。在第二部分我們通過參考兩個遙感圖像分析其紋理

3、。通過運(yùn)用微波轉(zhuǎn)換和神經(jīng)網(wǎng)絡(luò)，我們分別做了分析和分類。我們運(yùn)用母函數(shù)分析了有水，森林和土地的兩張圖像。該圖像是灰度的，尺寸是128×128。該圖像的處理出來是把每張圖像分成尺寸為32×32的16塊。每塊都在微波母函數(shù)中進(jìn)行計算，經(jīng)過分析幾個母函數(shù)，我們發(fā)現(xiàn)(Coif1，Sym5)是最適合的。這些結(jié)果是用來進(jìn)行特征提取(平均，標(biāo)準(zhǔn)偏差，差異)，然后將輸出作為神經(jīng)網(wǎng)絡(luò)的輸入。最后從NN中得到結(jié)果會得出一個新的紋理類型(森林，土地和水)。

4、r>　　 為了分辨不同類型的紋理，我們需要通過如微波轉(zhuǎn)換的分析方法來分析紋理類型。分析的目的是為了找到能夠識別紋理的一些特征。這些轉(zhuǎn)換對于提取特征很重要。一般來說，轉(zhuǎn)換過程通過所給信號的旋轉(zhuǎn)和它們的基本功能來體現(xiàn)。這些。函數(shù)一般都是正相交的，這使得轉(zhuǎn)換得以恢復(fù)，這意味著原來范圍內(nèi)的原函數(shù)在沒有信息丟失的情況下就能得到提取。我們運(yùn)用這種方法得出的結(jié)果更精確。
　　 傅立葉變換是回旋變換的一種，該變換通常把信號從時間領(lǐng)域轉(zhuǎn)換到頻率

5、領(lǐng)域。由于快速傅立葉變換演算法應(yīng)用在很廣的領(lǐng)域里。這種轉(zhuǎn)換運(yùn)用快速算法將二維領(lǐng)域拓展。所以，此轉(zhuǎn)換用來進(jìn)行圖像處理。傅立葉變換的下一個形式發(fā)展成一個有效轉(zhuǎn)換叫小波變換。
　　 正如快速傅立葉轉(zhuǎn)換一樣，離散小波變換很快速，是在數(shù)據(jù)矢量上的直線操作，該矢量的長度是二者的綜合，可以轉(zhuǎn)換成長度相等但數(shù)量上不同的矢量。如快速傅立葉轉(zhuǎn)換一樣，小波變換是不可避免的，事實(shí)上是正交轉(zhuǎn)換-逆轉(zhuǎn)換。小波變換在多分辨率技術(shù)中，特別是在最后十年的圖像處理

6、中，發(fā)揮著很重要的作用。
　　 在離散小波轉(zhuǎn)換的第一步中，信號同步地以樣品頻率四分之一的截止頻率來穿過低壓和高壓，以此來進(jìn)行過濾。從高低過濾器中輸出是指第一層的大概值和精確值分別的系數(shù)。根據(jù)乃奎斯特法則，輸出信號的頻帶寬度可以是原頻帶寬度的一半，并可由兩個下降抽樣來實(shí)現(xiàn)。這個同樣的程序可以在第一層的大概系數(shù)和精確系數(shù)上反復(fù)使用，并可得到第二層次的系數(shù)。這種分解過程的每一步中，通過過濾頻率分解可以增長一倍，通過下降抽樣，時間分解變

7、為原來的一半。
　　 通過使用小波轉(zhuǎn)換，我們得到了一些圖像特征，通過運(yùn)用人工神經(jīng)網(wǎng)絡(luò)，我們認(rèn)識了紋理。人工神經(jīng)網(wǎng)絡(luò)通過統(tǒng)計法，把真正的工作系統(tǒng)簡化了，它是一個信息處理的典范，是受生物神經(jīng)系統(tǒng)所啟發(fā)的，諸如大腦，程序信息。人工神經(jīng)網(wǎng)絡(luò)的主要目的是是模擬人腦。
　　 網(wǎng)絡(luò)的高度連接神經(jīng)計算要素有對輸入刺激物有回應(yīng)，還會學(xué)著適應(yīng)環(huán)境。通過網(wǎng)絡(luò)把一系列輸入-輸出樣品通過，校正重量，來把樣品重量調(diào)節(jié)成正確的價值訓(xùn)練，以此來使網(wǎng)絡(luò)給

8、予的答案和期望結(jié)果之間的誤差降至最低。在我們所做的工作中，我們運(yùn)用了拉凡格-馬夸特氏演算法，從而得出了精確地結(jié)果。
　　 拉凡格馬夸特氏演算法是把演算法用來訓(xùn)練多層次前向網(wǎng)絡(luò)，是通過使建立在非直線優(yōu)化技術(shù)之上，使平方和的誤差減少到最小。拉凡格-馬夸特氏演算法是對拉凡格的實(shí)踐?！笆窃谧钚∑椒椒椒ㄉ蠈δ硞€難題的解決方法”馬夸特“非線性參數(shù)的最小平方估計”拉凡格-馬夸特演算法被認(rèn)為是介于最速下降法和高斯-牛頓演算法之間的折中方法。

9、r>　　 比起其他兩種方法，拉凡格-馬夸特演算法擁有更好的收斂性，因其在神經(jīng)網(wǎng)絡(luò)的離線訓(xùn)練中是最好的選擇而聞名。原因是因?yàn)?，神?jīng)網(wǎng)絡(luò)最小化問題經(jīng)常處于不理想狀態(tài)，拉凡格-馬夸特演算法在參數(shù)空間里最小限度地影響標(biāo)準(zhǔn)，并忽略瑣碎的方向問題。
　　 該論文中用到了五個系列的紋理。每個系列附有五幅圖片，都是作為理想狀態(tài)下的紋理，并有圖片尺寸，像素和灰度。第一組用來描述土地紋理，稱作(塊一，塊二，塊三，塊四，塊五)，第二組用來描述森林的

10、紋理(樹一，樹二樹三，樹四，樹五)，第三組是用來描述草地的，被稱作(框架一，框架二，框架三，框架四，框架五)，第四組是用來描述羊毛的20幅隨意挑選的紋理被用來做試驗(yàn)紋理。
　　 通過使用離散小波轉(zhuǎn)換至第三層，這些紋理將分解成更小的條紋來進(jìn)行分析。使用到許多小波母函數(shù)如(coif1，coif2，Haar，db1，sym2，等等。使用它們后，我們從coif1和sym5小波母函數(shù)中提取的要比其他的更好些。同時，我們可以看到，不是所有的

11、紋理中更小的條紋都是有用的，通過使用每組搜集的三種有價值的東西的特征，所以我們只用了有用的小條紋，第一種來自平均值，第二種來自標(biāo)準(zhǔn)差，最后一種來自方差。這些數(shù)值收集起來為平均值，標(biāo)準(zhǔn)差和方差所用，而不是作為唯一的數(shù)值。這三種數(shù)值將放在神經(jīng)網(wǎng)絡(luò)中作為輸入值，可用來決定紋理的類型。
　　 在訓(xùn)練階段，人工神經(jīng)網(wǎng)絡(luò)已被用來識別依靠輸入范圍的五紋理類型。神經(jīng)網(wǎng)絡(luò)的輸入為(3*5=15)，因?yàn)槲覀冇形褰M，每組有三個值。輸出必須是五組其中之

12、一，但在訓(xùn)練階段，我們發(fā)現(xiàn)出現(xiàn)了一些混合類型，例如(一輸出有45％與棉花組織形式相似和55％與羊毛組織相似)，因此，在這種情況下，我們通過增加人工神經(jīng)網(wǎng)絡(luò)的輸出到16個(3*5+1=16)，處理像這樣的一些錯誤。通過增加每個輸出的百分比解決這個問題，顯示出五種紋理類型的相似百分比，例如，從五種類型中之一輸出可能會有(3/3(100％)或2/3(70％)或1/3(35％))只有一個混合輸出可能包含混合值或與五種類型沒有任何的相似性。輸出必

13、須在五種紋理類型范圍內(nèi)劃定紋理類型和相似百分比，例如，如果輸入向量是=[111]，輸出必須是3/3(100％)來自木材紋理，如果輸入向量是=[112]，輸出必須是2/3(70％)來自木材紋理，如果輸入向量是=[123]，輸出必須是混合紋理。另一種訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法是通過使用從特征提取具有(125)種可能性的輸入和輸出是(125)種可能性的結(jié)合物，因?yàn)槲覀冇形宸N類型，每種類型的紋理具有(25)種可能性。
　　 培訓(xùn)過程中完成了69

14、/250，心方誤差(SSE)的20幅圖像已被用來測試我們的神經(jīng)網(wǎng)絡(luò)，其測試結(jié)果是偉大的，并且和測試圖像分類結(jié)果有95％接近。當(dāng)我們使用Symb5作為母小波函數(shù)，如表4.2所示。從Coif1得到的結(jié)果用來識別紋理不合理。Coif1用來Coif1根據(jù)從衛(wèi)星上得到的圖片感測圖片路線是合理的。第二種算法是憲制性黃疸的診斷，在這個算法中，我們作了診斷黃疸的算法(杜賓-約翰遜，吉爾伯特和轉(zhuǎn)子綜合征)，該算法是由兩部分組成：1)利用小波變換分析圖像；

15、通過小波變換，我們收集各種疾病的三個特點(diǎn)。2)通過其直方圖為每個圖片計算灰階(白色和黑色的百分比)，收集各種疾病的兩個特征?？偣矊⒂形鍌€值，這五個值將是模糊邏輯預(yù)算的輸入，用來決定基于這些值的疾病種類。我們給55個遭受不同種類憲制性黃疸的孩童患者作了實(shí)驗(yàn)。比起僅僅依靠醫(yī)生的眼睛診斷，我們的算法得出了更準(zhǔn)確的結(jié)果。
　　 憲制性是高度特異功能的一種離散步驟，是血膽紅素從血液到膽(紅黃色顏料，尿液，血液和膽汁)肝途中導(dǎo)致的結(jié)果。根據(jù)

16、現(xiàn)有的知識，三個主要類型的憲法性黃疸可以區(qū)分。
　　 杜賓-約翰遜(道瓊斯)綜合征是一種常染色體隱性良性狀態(tài)，其膽紅素膽汁分泌有缺陷。缺陷是由于缺少了小管蛋白MRP2位于染色體10q24上，這種物質(zhì)負(fù)責(zé)運(yùn)輸葡萄糖醛酸和相關(guān)的有機(jī)陰離子到膽汁。
　　 從DJ綜合征患者的電子顯微鏡下觀察發(fā)現(xiàn)，在肝細(xì)胞漿有豐富的色素沉淀。該色素顆粒，主要由致密的顆粒物質(zhì)，但自然的脂質(zhì)較輕的元素，只有在這些地方可以檢測到。
　　 吉爾伯

17、特綜合征。這是迄今為止在所有憲制性黃疸癥(繼承膽紅素)中最頻繁的一種。這種癥出現(xiàn)在青春期，而且其患病率在青少年比例為5-8％?？偰懠t素一般不超過80μ mol/L和直接膽紅素低于20％。高膽紅素血癥環(huán)境導(dǎo)致色素積累。色素顆粒僅包含少量的蛋白酶顆粒的絲狀部分，其圍繞著由脂質(zhì)球形成的大量的色素體。轉(zhuǎn)子綜合癥。它和杜賓-Johnson綜合征在很多方面都很相似。在在轉(zhuǎn)子綜合征發(fā)現(xiàn)的色素顆粒的超結(jié)構(gòu)特點(diǎn)包括大約相等的蛋白酶顆粒部分絲狀體和脂質(zhì)球部

18、分。
　　 所有的法師被要求使用具有1000倍放大倍率的電子顯微鏡，但是從電子顯微鏡的影像是反面的，所以我們需要獲得正常的圖像，拍攝的圖像以JPEG格式保存，有最高分辨率像素的大小，后來稱大小為像素。
　　 我們需要預(yù)先處理，前處理的目的是提高圖像和消除不良影響；圖像增強(qiáng)是指其中的任何一個圖像的視覺質(zhì)量得到提高的過程。因?yàn)闆]有圖像增強(qiáng)的設(shè)置程序，所以在圖像的獲取過程中可能由于不同的光照條件、相機(jī)類型等等會有顯著的變化。一

19、般來說，增強(qiáng)技術(shù)本質(zhì)上是臨時的。
　　 圖像調(diào)整是第一步，其用來消除噪音(從負(fù)轉(zhuǎn)為正常的)帶來的圖像不想要的部分。我們的工作中需要的是高對比度的圖像。在某些情況下，即使圖像的動態(tài)范圍是在顯示設(shè)備范圍內(nèi)，圖像仍然可能是低對比度。這可能是由于圖像獲取時不良的照明條件或者是捕捉設(shè)備較小的動態(tài)范圍決定的。在這種情況下，簡單的像素強(qiáng)度重新調(diào)整可能足以提高可視性。這涉及到一個對輸入像素強(qiáng)度的分段線性變換
　　 此處的目的是加強(qiáng)低值并

20、且減少像素強(qiáng)度高值，保持完好的像素強(qiáng)度中間值。
　　 第二步是對圖像進(jìn)行銳化濾鏡處理，通過從自身減去一個模糊的圖像版本進(jìn)行銳化。下一步，我們需要使用分割削減受感染的部分(使用成長切割法).分割過程中，通過從背景組織劃定的利益結(jié)構(gòu)和歧視部分，在自動化分析時，做一個重要的承諾。一些有用的算法在分割給了良好的效果，從我們的實(shí)驗(yàn)，我們發(fā)現(xiàn)其成長切割法對我們的工作非常有益，它是基于以下想法：“細(xì)菌從種子像素開始擴(kuò)散(成長)，并嘗試占據(jù)整個

21、圖像。這就是為什么他們稱這種方法為‘切成長’。細(xì)菌滋長和競爭的規(guī)則是明顯的，在每一離散時間步驟；每一單元試圖‘進(jìn)攻部隊(duì)由襲擊者單元的強(qiáng)度定義，在襲擊者的和保衛(wèi)者的特征向量之間的距離”。在每一離散時間里，細(xì)菌繁殖和競爭的規(guī)則是非常明顯的：每一個體試圖‘進(jìn)攻’它的鄰居。攻擊強(qiáng)度是由襲擊者的強(qiáng)決定的，為襲擊者的和防衛(wèi)者的特征向量之間的距離”。
　　 我們也需要用到到圖像分析，為了提取最重要的特征，我們需要使用盡可能好的分析方法，因此我

22、們與(DWT)一起嘗試，它能獲得更準(zhǔn)確的結(jié)果。
　　 從子波變換中能夠得到許多值，我們需要用從中找到有用的特征。特征抽取的目的是從凝聚了類分割信息的圖像矩陣中的收集新變量。在獲得如同顏色直方圖的全球的圖像特征或如同形狀和紋理的描述符方面，大多數(shù)系統(tǒng)把特征抽取作為一個預(yù)處理的過程。使用廣義的高斯分布，紋理特征被仿造子波系數(shù)的邊際分布。
　　 在對僅僅含有受感染的部分的圖像的進(jìn)行子波分解后，我們可以提取一些重要的特征，這些特

23、征來自Bior6.8的使用和通過使用平均和標(biāo)準(zhǔn)偏差的Sym4。
　　 然后將那些值或特征輸入到模糊集合，以決定這種疾病。使用模糊集合的分類給我們的工作帶來了很多好處，因?yàn)樗峁┝撕芎媒Y(jié)果。對于多端輸入單輸出(MISO)模糊模型系統(tǒng)，有許多類型的模糊神經(jīng)網(wǎng)絡(luò)，用于轉(zhuǎn)送多層模糊神經(jīng)網(wǎng)絡(luò)，典型的有Mamdani模型、Sugeno模型和Tsukamoto模型，最簡單且廣泛使用是Sugeno模型，同時也被應(yīng)用在本文中。為簡便起見，我們假定

24、在Sugeno模型的模糊推理系統(tǒng)中有如下三個規(guī)則：
　　 規(guī)則1：如果STD1是低的，STD2是低的，STD3是低的，PB是低，PW是低的，則f1是D-J。
　　 規(guī)則2：如果STD1是中等，STD2是中等，STD3是中等，PB是中等，PW是中等，則f2是G。
　　 規(guī)則3：如果STD1是高的，STD2是高的，STD3是高的，PB是高，PW是高的，則f3是R。
　　 當(dāng)STD1、STD2、STD3、PB(

25、黑色的百分率)和PW(白色的百分率)作為輸入?yún)?shù)；低，中間的和高是STD1、STD2、STD3、PB和PW的模糊子集；英尺是模糊規(guī)則的結(jié)論和輸入?yún)?shù)STD1、STD2、STD3、PB和PW的功能；DJ、G和R分別是杜-約二氏、吉爾伯特和轉(zhuǎn)子，如圖5-6和表5.1所示的。
　　 我們收集55個案例，這些案例大部分是關(guān)于兒童患有不同種類的體質(zhì)性黃疸。這些案例是從位于中國湖南省長沙市的湘雅醫(yī)院收集的，從1990年到2008年。已進(jìn)行的

26、實(shí)驗(yàn)對醫(yī)療有很大的好處并且能夠更容易的解決許多問題。
　　 薄基底膜疾病(也被稱為良性家族血尿病以及薄基底膜腎病)是大多數(shù)無癥狀血尿的最普通的原因。這種疾病唯一異常的地方就是在腎小球上的基底膜逐漸的消瘦；其定義的超顯微結(jié)構(gòu)特征是在沒有其他小球變化的情況下腎小球基底膜的消瘦逐漸擴(kuò)散。通過對薄板內(nèi)外相對的觀察發(fā)現(xiàn)腎小球基底膜衰減主要影響致密層。世界衛(wèi)生組織用來定義薄基膜腎病的腎小球基底膜厚度為成年人小于250nm，2到11歲的小孩為

27、180nm。
　　 我們的工作嘗試再現(xiàn)一個或多個醫(yī)生的意見的性能，最通常在一個特異性診斷中，試圖找到一個準(zhǔn)確的算法，根據(jù)醫(yī)生鑒定，通過檢測膜和計算它的厚度來診斷TBMD。醫(yī)生將圖像放大到5倍以上，更容易計算膜厚度的距離并使用一個標(biāo)尺測量20個隨機(jī)點(diǎn)，然后，把結(jié)果分開，并放大到比例尺上。然后通過比較來驗(yàn)證其是否正常，對成年人來說與250nm相比，兒童則是180nm。在提出的算法中，超過100個隨機(jī)點(diǎn)將出現(xiàn)在膜的表面來證明是否正常。

28、在醫(yī)療診斷中，系統(tǒng)必須符合幾個特殊要求。在這篇文章中我們需要從圖像檢測膜并刪除其它映像內(nèi)容。許多方法被嘗試過，但是要刪除其他映像內(nèi)容而保留膜仍舊非常困難。因此很難找到一個自動化的方法。我們的算法是基于許多圖像處理方法，最主要的方法是采用基于內(nèi)容的圖像檢索(CBIR)，通過在訓(xùn)練階段使用一個包含許多膜樣品的數(shù)據(jù)庫，來只檢測膜形狀而忽略其他的內(nèi)容。此外，在訓(xùn)練階段用一種改進(jìn)的方法來保持圖像，使其具有幾乎相同特征。本文提出的能夠自動的完成膜的

29、檢測并計算膜距離，而不需要人工參與。
　　 我們的算法的目標(biāo)是開發(fā)一個自動計算并檢測膜的方法，而這些任務(wù)以前都是人工完成的。專家算法或系統(tǒng)的優(yōu)點(diǎn)是：它提供一致的答案給重復(fù)的決定、過程和任務(wù)，保持并維持信息的顯著性水平，鼓勵組織澄清它們的決策的邏輯并從未“忘記”詢問，就像人類一樣。
　　 在此算法所有的圖像都是使用一臺6，000×電子顯微鏡放大得到的；所有的圖像都是JPEG格式的，具有最大分辨率544×655個像素，其稍后

30、被轉(zhuǎn)換成到512×512個像素。
　　 為了建立一個數(shù)據(jù)庫需要收集很多圖片，數(shù)據(jù)庫中的圖片會根據(jù)醫(yī)生的建議給膜著紅色，因?yàn)槲覀儍H僅需要檢測膜并忽視其它圖像內(nèi)容，這些被著色的圖片將會用來與原圖比較。這些被著色的圖片將根據(jù)他們原始的結(jié)果被分成許多子圖(70×70個像素)。我們?nèi)缓髮⑴c原始圖像相對應(yīng)的的所有的包含紅顏色(膜)的子圖保存到數(shù)據(jù)庫。其他不包含紅顏色的部分將被忽視，因?yàn)樗麄儾皇悄さ囊徊糠?。膜的不同的形狀將被保存在?shù)據(jù)庫，用來

31、檢測膜然后計算膜距離。所有的圖像從中國長沙的湘雅醫(yī)院收集的
　　 根據(jù)前面所述，我們的算法主要依靠基于內(nèi)容的圖像檢索(CBIR)，這需要去收集許多種類的形狀作為數(shù)據(jù)庫。
　　 基于內(nèi)容的圖像檢索技術(shù)是一種自二十世紀(jì)九十年代以來的一直在研究先進(jìn)研究領(lǐng)域。這項(xiàng)技術(shù)的目的是通過對用戶偏愛性自適應(yīng)授權(quán)以及對圖像間相關(guān)性和相似性的考慮，從大的多媒體數(shù)據(jù)庫和數(shù)字圖書館中搜索圖像。這可以通過測試的用戶的對檢索結(jié)果反應(yīng)中獲得，檢索結(jié)果都

32、是以反饋的形式出現(xiàn)的。CBIR依靠對原始的特征的描述，例如顏色，形狀，和紋理，這些可以圖像本身自動地被提取出來。這些原始的特征被列入IR，用來補(bǔ)救使用基于文本圖像檢索技術(shù)出現(xiàn)的問題。
　　 基于內(nèi)容的圖像檢索(CBIR的)，過去的十年中，已經(jīng)在大范圍探索。在CBIR的情況下，圖像是由一個低級別的視覺特征，它們沒有什么高層次的語義概念直接相關(guān)集，在高層次概念和低層次特征之間的差距是制約CBIR系統(tǒng)發(fā)展的最主要的困難。相關(guān)反饋和區(qū)域

33、的圖像檢索(RBIR)已經(jīng)被提出來彌補(bǔ)這一差距。相關(guān)反饋機(jī)制是一個反復(fù)的學(xué)習(xí)過程，它一般被視為網(wǎng)上監(jiān)督學(xué)習(xí)。
　　 在創(chuàng)建數(shù)據(jù)庫的不同的膜的形狀之后，子圖像(膜)被轉(zhuǎn)換為灰度級圖片，這些圖片是在不同年份收集的，并且通過過使用一種圖像加強(qiáng)方法，加強(qiáng)相同的性質(zhì)。
　　 我們嘗試了許多增強(qiáng)方法。最后，通過實(shí)驗(yàn)確定，得出的調(diào)整后的高對比度的圖像是很必要的。用來消除由于噪聲(從負(fù)轉(zhuǎn)為正常的)帶來不想要部分的圖像的圖像調(diào)整是第一步。

34、高對比度的圖像，也是我們的工作需要的。我們需要使用55平均噪聲過濾來刪除來自子圖像的噪聲和小結(jié)構(gòu)，僅僅保護(hù)膜。
　　 Hough變換是一個強(qiáng)大的全球性的邊緣檢測方法。它在笛卡爾空間坐標(biāo)和參數(shù)空間中轉(zhuǎn)換，在參數(shù)空間，直線(或其他邊界方程)能夠被定義，此種變換用在對形狀檢測的各種相關(guān)方法中。
　　 為了檢測中的子圖像的邊界膜，有必要首先檢測了膜的邊緣。通過使用Canny過濾器，子圖像將被轉(zhuǎn)換成二進(jìn)制圖像。在嘗試過許多邊緣檢測

35、濾波器之后，得出Canny算法濾波器得出最好的結(jié)果。為了找出膜的表面，并且輕松地計算出膜的距離，有必要知道在兩對膜表面的對應(yīng)邊的距離。因此，直線檢測方法是必須的，超過四條直線可得出結(jié)論，因此很容易計算出膜的距離。
　　 通過歐幾里得距離計算在相關(guān)的兩條線(這兩條線在膜表面的相關(guān)的兩邊)之間的兩點(diǎn)的距離，計算膜的厚度，并且確定兩個點(diǎn)，我們需要知道兩行的每個斜坡。
　　 最終值以像素為單位計算，因此，測量單位必須從像素轉(zhuǎn)換成

36、納米，因?yàn)榧{米是正常與不正常相比較的標(biāo)準(zhǔn)單位。因?yàn)樗械南嗥际怯?000倍放大，橫向和縱向的長度都是300dpi，厘米=納米的情況下捕捉的。
　　 實(shí)驗(yàn)為10個新的圖片進(jìn)行了計算，并且所得的結(jié)果非常接近手動計算的結(jié)果，只有很小的百分比誤差。十張圖片都是從湘雅第一醫(yī)院(長沙，中國)獲得的，其中四張是異常的孩童圖片，四張異常的成人圖片，還有兩張是正常的成年人。運(yùn)用之前提出的方法，我們嘗試了許多不同的形狀膜，但這個算法還是面臨著一些

37、問題。在膜的相同邊，只有兩條線，而且我們需要計算兩對應(yīng)邊兩條線之間的距離。另一個問題是，這兩條線并不完全在同一側(cè)，但是當(dāng)他們的正交線相交，雖然該算法計算了其距離，但結(jié)果是不準(zhǔn)確的，它可能因此降低了本來值就很小的膜厚度。
　　 因此，我們提出了兩個條件：第一是不能計算在膜相同邊的或者在忽略了最小距離后不平行的兩條線的距離；第二個條件是保證兩者之間的對應(yīng)線的夾角至小。
　　 因此，小的距離可以忽略，該算法允許去計算最小距離，

38、這可能會出現(xiàn)錯誤的結(jié)果。歸根到底，我們的算法具有較人工方法的準(zhǔn)確性，因?yàn)樗S機(jī)選擇點(diǎn)(如150)要比手工方法多，手工方法只選擇20個隨機(jī)點(diǎn)計算的平均值。
　　 我們的結(jié)論是，在特征提取方面，如根據(jù)平均數(shù)，STD與方差作為關(guān)鍵來分類，實(shí)驗(yàn)結(jié)果表明平均數(shù)，STD與方差的分類比最大、最小和中值要好。我們也試圖使用最大、最小值和中值作為特征提取來分類，但結(jié)果并不是很好，比如說最大值可以在170-360之間，同樣也可在160-350之間，

39、這沒什么用，同樣，在最少值和中值也存在同樣的問題
　　 在圖像分析中分別使用小波分析(哈爾，Symmelet2，Symmelet5，Coiflet1，Coiflet2和Daubechies)，因?yàn)镈aubechies和Haar具有相同的系數(shù)，Daubechies分析的結(jié)果和Haar分析的結(jié)果有相同的。當(dāng)我們使用的圖片是從普通攝像機(jī)拍攝而不是從衛(wèi)星拍攝(遙感圖片)時，Sym5具有更好的結(jié)果，其他的則是coif1最好的。我們使用的第

40、三層次的WT將每張圖片分解成12個子圖片；實(shí)驗(yàn)觀察到子頻帶沒什么用，這意味著提取的特征不適合分類，就像下面一樣：
　　 在我們分類的進(jìn)程中，平均上所有子頻帶(從LL1至HH3)都是有用的如果STDLL1，LL2，和LL3沒什么用處，可能會導(dǎo)致在分類過程中出現(xiàn)問題，有些是都是有用的，方差HH1，HH2，HH3，HL1和LH1這些在分類過程中非常有用。(提示：LL1的意思是在第一級的近似系數(shù)和HH指細(xì)節(jié)系數(shù)等)
　　 在第四

41、章的第二部分，我們的實(shí)驗(yàn)表明，coiflis用在遙感領(lǐng)域非常有效地，因?yàn)樗鼒?zhí)行從其他過濾器獲得的結(jié)果。但是，如果我們要處理的天然紋理(即不屬于遠(yuǎn)程圖像)，我們可以使用Sym5。該Sym5比(哈爾，Symmelet2，Coiflet2和Daube-chies1)更好。使用這種方法作為一個(FE)，我們發(fā)現(xiàn)，只有LL1，LL2，LL3是正的并且有比較大的值，但其他子帶都是負(fù)值。然而，使用(性病)作為(FE)作出只LL1，LL2和LL3不被用

42、于作為分類特征，這是因?yàn)樵谶@些子帶中，其值比其他正值更大，而且這可能會造成各種紋理類型互相干擾。在這里，HL1，HH2和HH3是用來功能分類的，因?yàn)橹挥羞@些子帶是穩(wěn)定的。
　　 在小波家族，我們嘗試了很多方法加強(qiáng)和特征提取。而且我們發(fā)現(xiàn)：小波家族；Bior6.8和Symb4是我們實(shí)驗(yàn)最好的分析手段，為了三個層次通過使用近似部分的WT，我們得到了最好的結(jié)果。
　　 這種方法的第二個算法中，圖像調(diào)整是我們算法最好的增強(qiáng)方法，

43、其主要是為了取代手工方法，因?yàn)檫@種算法被證明是更有效和更精確。它還有另一個優(yōu)勢，就是，任何醫(yī)生可以輕松地使用它。更進(jìn)一步說，該方法不需要醫(yī)生診斷專家的診斷是否正?；虿徽５?，它可以在任何時間和任何地點(diǎn)，不像手動方法需要特殊設(shè)備。
　　 我們的未來工作分為三部：；第一部分是自然圖像或遙感圖像的分類。我們采用子波變換來分析，用神經(jīng)網(wǎng)絡(luò)來分類，也許其他研究人員會采用其他的方法來分析并分類，比如采用GA或模糊邏輯FZ。
　　 在