细胞图像的多特征融合分类识别方法研究
发布时间：2021-10-17 11:15
利用计算机技术对细胞病理图像进行定量分析与自动识别具有重要的理论意和应用价值。本文基于图像处理与模式识别等知识,提出一种多特征融合与模型融合相结合的细胞图像分类识别方法,重点研究细胞核的分割、特征参数提取、特征级融合以及决策级融合方法,实现细胞病理图像的识别和分类。完成的主要研究工作如下:一.ACWE模型分割方法的改进本文ACWE模型分割方法的改进主要体现在两个方面:一是ACWE模型初始曲线的确定。首先对细胞图像进行高斯滤波与基于对数LOG变换的图像增强;然后转到Lab颜色空间,提取b分量空间图像;最后对b分量空间图像采用基于标记的分水岭算法对细胞核进行初步分割,得到分割轮廓的外接矩形,用该矩形作为ACWE模型的初始曲线。二是针对ACWE模型分割中人为设定面积项系数带来的计算量大与实时性差等弊端,给出了一种自适应面积项系数的计算方法。与传统ACWE模型分割方法相比,改进型ACWE模型分割方法既减少了模型迭代次数,提高了细胞核分割效率,也实现了细胞核的精确分割,更有利于后期细胞核形态特征的提取。二.细胞图像的特征参数提取首先,给出了一种融合LBP算子与Gabor变换的纹理特征提取方法,同...
【文章来源】：安徽理工大学安徽省
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
本文细胞图像分割算法流程图
斯滤波后的图像上进行。（Histogram Equalization）通过调整图像中的想是将原始图像的灰度直方图变换为均匀分内对相对集中的灰度区间进行均匀化。通过范围内的像素数大致相同，实际上是对图像衡化后图像里的某些细节消失；直方图有高峰，经直方图均衡化后会增强对主要用于增强图像的局部对比度。在直方图在直方图上，达到增强图像的局部对比度而方图均衡化对前景和背景太亮或太暗的图像来增强图像。原图像如图 2 所示，图 3 为基
图 3 基于直方图均衡化的图像增强.3 Image enhancement based on histogram equaliz图像增强正相机曝光过度的图片或者曝光不足的：S cr r[0,1] c 通常取 1，γ值影响图像变换效果，图
【参考文献】：
期刊论文
[1]结合Gabor小波和形态学的高分辨率图像树冠提取方法[J]. 施慧慧,王妮,滕文秀,刘玉婵. 地球信息科学学报. 2019(02)
[2]基于Bagging集成学习算法的地震事件性质识别分类[J]. 任涛,林梦楠,陈宏峰,王冉冉,李松威,刘晓雨,刘杰. 地球物理学报. 2019(01)
[3]卷积神经网络的宫颈细胞图像分类[J]. 赵越,曾立波,吴琼水. 计算机辅助设计与图形学学报. 2018(11)
[4]基于曲率和活动轮廓模型的重叠细胞分割算法[J]. 杨秀杰,李法平. 西南师范大学学报(自然科学版). 2018(04)
[5]一种基于梯度的细胞图像边缘检测算法[J]. 沈德海,鄂旭,张龙昌,阎琦,侯建. 信息技术. 2018(03)
[6]血液红细胞图像自适应标记分水岭分割算法[J]. 王娅. 中国图象图形学报. 2017(12)
[7]基于递归特征消除方法的随机森林算法[J]. 吴辰文,梁靖涵,王伟,李长生. 统计与决策. 2017(21)
[8]基于小波变换和形态学分水岭的血细胞图像分割[J]. 黄籽博,刘任任,梁光明. 计算技术与自动化. 2017(03)
[9]基于细胞核特征的宫颈癌细胞图像的识别与分类[J]. 宁梓淯,罗微,李燕,吕鹏举,李萌. 自动化与仪器仪表. 2016(10)
[10]Boosting算法理论与应用研究[J]. 张文生,于廷照. 中国科学技术大学学报. 2016(03)
博士论文
[1]基于特征融合的多形态牛乳体细胞分类识别的研究[D]. 郜晓晶.内蒙古农业大学 2018
[2]光学显微宫颈细胞图像的分割与识别方法研究[D]. 关涛.国防科学技术大学 2015
[3]基于多空间混合属性融合的白细胞图像识别方法研究[D]. 郝连旺.燕山大学 2014
[4]细胞图像的分割、纹理提取及识别方法研究[D]. 李宽.国防科学技术大学 2012
[5]宫颈细胞图像分割和识别方法研究[D]. 范金坪.暨南大学 2010
硕士论文
[1]癌细胞病理图像的检测技术研究[D]. 蔡武斌.中北大学 2018
[2]基于强特征CNN-SVM的宫颈癌细胞检测[D]. 李正义.北京交通大学 2018
[3]Stacking算法的研究及改进[D]. 徐慧丽.华南理工大学 2018
[4]宫颈细胞图像分割与识别算法研究[D]. 王爽.山东科技大学 2017
[5]基于联合特征PCANet的宫颈细胞图像分类识别方法研究[D]. 卢磊.广西师范大学 2017
[6]光学显微图像细胞结构检测和重建方法研究[D]. 徐秋枫.华中科技大学 2016
[7]一种多分类器融合的单个宫颈细胞图像分割、特征提取和分类识别方法研究[D]. 李文杰.广西师范大学 2016
[8]基于局部纹理特征描述的HEp-2细胞染色模式分类[D]. 颜霜.湘潭大学 2015
[9]基于Retinex原理和聚类的生物细胞显微图像分割[D]. 刘方可.广西大学 2015
[10]基于K-均值聚类及数学形态学的细胞图像自动分割方法研究[D]. 梅林.重庆大学 2014
本文编号：3441669
【文章来源】：安徽理工大学安徽省
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
本文细胞图像分割算法流程图
斯滤波后的图像上进行。（Histogram Equalization）通过调整图像中的想是将原始图像的灰度直方图变换为均匀分内对相对集中的灰度区间进行均匀化。通过范围内的像素数大致相同，实际上是对图像衡化后图像里的某些细节消失；直方图有高峰，经直方图均衡化后会增强对主要用于增强图像的局部对比度。在直方图在直方图上，达到增强图像的局部对比度而方图均衡化对前景和背景太亮或太暗的图像来增强图像。原图像如图 2 所示，图 3 为基
图 3 基于直方图均衡化的图像增强.3 Image enhancement based on histogram equaliz图像增强正相机曝光过度的图片或者曝光不足的：S cr r[0,1] c 通常取 1，γ值影响图像变换效果，图
【参考文献】：
期刊论文
[1]结合Gabor小波和形态学的高分辨率图像树冠提取方法[J]. 施慧慧,王妮,滕文秀,刘玉婵. 地球信息科学学报. 2019(02)
[2]基于Bagging集成学习算法的地震事件性质识别分类[J]. 任涛,林梦楠,陈宏峰,王冉冉,李松威,刘晓雨,刘杰. 地球物理学报. 2019(01)
[3]卷积神经网络的宫颈细胞图像分类[J]. 赵越,曾立波,吴琼水. 计算机辅助设计与图形学学报. 2018(11)
[4]基于曲率和活动轮廓模型的重叠细胞分割算法[J]. 杨秀杰,李法平. 西南师范大学学报(自然科学版). 2018(04)
[5]一种基于梯度的细胞图像边缘检测算法[J]. 沈德海,鄂旭,张龙昌,阎琦,侯建. 信息技术. 2018(03)
[6]血液红细胞图像自适应标记分水岭分割算法[J]. 王娅. 中国图象图形学报. 2017(12)
[7]基于递归特征消除方法的随机森林算法[J]. 吴辰文,梁靖涵,王伟,李长生. 统计与决策. 2017(21)
[8]基于小波变换和形态学分水岭的血细胞图像分割[J]. 黄籽博,刘任任,梁光明. 计算技术与自动化. 2017(03)
[9]基于细胞核特征的宫颈癌细胞图像的识别与分类[J]. 宁梓淯,罗微,李燕,吕鹏举,李萌. 自动化与仪器仪表. 2016(10)
[10]Boosting算法理论与应用研究[J]. 张文生,于廷照. 中国科学技术大学学报. 2016(03)
博士论文
[1]基于特征融合的多形态牛乳体细胞分类识别的研究[D]. 郜晓晶.内蒙古农业大学 2018
[2]光学显微宫颈细胞图像的分割与识别方法研究[D]. 关涛.国防科学技术大学 2015
[3]基于多空间混合属性融合的白细胞图像识别方法研究[D]. 郝连旺.燕山大学 2014
[4]细胞图像的分割、纹理提取及识别方法研究[D]. 李宽.国防科学技术大学 2012
[5]宫颈细胞图像分割和识别方法研究[D]. 范金坪.暨南大学 2010
硕士论文
[1]癌细胞病理图像的检测技术研究[D]. 蔡武斌.中北大学 2018
[2]基于强特征CNN-SVM的宫颈癌细胞检测[D]. 李正义.北京交通大学 2018
[3]Stacking算法的研究及改进[D]. 徐慧丽.华南理工大学 2018
[4]宫颈细胞图像分割与识别算法研究[D]. 王爽.山东科技大学 2017
[5]基于联合特征PCANet的宫颈细胞图像分类识别方法研究[D]. 卢磊.广西师范大学 2017
[6]光学显微图像细胞结构检测和重建方法研究[D]. 徐秋枫.华中科技大学 2016
[7]一种多分类器融合的单个宫颈细胞图像分割、特征提取和分类识别方法研究[D]. 李文杰.广西师范大学 2016
[8]基于局部纹理特征描述的HEp-2细胞染色模式分类[D]. 颜霜.湘潭大学 2015
[9]基于Retinex原理和聚类的生物细胞显微图像分割[D]. 刘方可.广西大学 2015
[10]基于K-均值聚类及数学形态学的细胞图像自动分割方法研究[D]. 梅林.重庆大学 2014
本文编号：3441669
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3441669.html
最近更新
教材专著
