基于時頻分析方法的單細胞圖像特征提取及識別方法研究.pdf

1、目前，基于人工判讀的細胞檢測技術存在工作量大、成本高、可靠性與檢測精度受到醫(yī)師主觀影響等問題。隨著計算機技術、數字圖像處理技術及人工智能模式識別技術的迅速發(fā)展，亟需開發(fā)顯微細胞智能分析系統(tǒng)。實現顯微細胞智能分析，有著十分重要的社會與經濟效益。
　　本文對單細胞圖像智能識別技術中的關鍵步驟進行了深入研究，主要包括單細胞圖像的預處理、單細胞圖像的特征提取、單細胞圖像的特征優(yōu)化及單細胞圖像的識別。將時頻分析方法引入到單細胞圖像處理中，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優(yōu)化的單細胞圖像去噪的預處理方法，用以去除單細胞圖像中的干擾，為后續(xù)識別做準備。依據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:(1)相比傳統(tǒng)單一閾值，提出了一種自適應尺度參數的閾值估計方法;(2)為了克服軟、硬閾值及小波系數在小于閾值附近直接置零的一些缺點，構造出了一種新的閾值函數，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。使用宮頸單細胞圖像驗證了本文單細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驗模態(tài)分解的單細胞圖像特征提取方法。小波變換與二維經驗模態(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。小波變換與二維經驗模態(tài)分解的方法不僅可以提取單細胞圖像多尺度下的頻域特征，還可以提取單細胞圖像的相位特征，結合奇異值分解的方法，可以獲得類間方差較大類內方

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

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胞圖像識別模型。壓縮感知分類器是將待分類的單細胞圖像樣本的特征向量表示成單細胞圖像訓練樣本的特征向量的線性組合，根據系數的大小來決定相應的單細胞類別。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了現有分類器的識別率低、識別耗時長的缺點。在宮頸單細胞圖像數據集與HEp-2單細胞圖像數據集上對單細胞圖像識別模型進行了