基于卷积神经网络的低分辨率细胞图像特征融合算法研究

发布时间：2020-08-06 22:25

【摘要】：基于CMOS图像传感器及微流控技术组成的无透镜细胞采集系统因其具备便携化的优点越来越受到研究者的青睐。但该系统采集图像时因没有经过光学放大,采集的细胞图像分辨率低、特征信息少。采用传统图像处理算法很难提高低分辨率细胞图像的分辨率与特征细节。本文利用卷积神经网络算法,对低分辨率细胞图像的超分辨率重建算法及同类相似细胞特征融合算法进行了研究。为了实现低分辨率细胞图像的重建与特征融合。首先以白细胞为例研究了低分辨率细胞图像数据集的建立。由于无透镜系统采集的细胞图像分辨率低,因此利用显微镜采集血涂片。采用bicbic下采样算法获得模拟无透镜系统采集效果数据集,并运用无透镜系统采集血样本获得白细胞数据集,接着采用图像处理算法制作了有空泡病变白细胞数据集。然后在caffe上搭建低分辨率细胞图像重构网络(CSRN)。待训练得到重构模型后,从模拟无透镜采集效果的数据集与无透镜系统采集的白细胞数据集中分别选取3幅图像进行测试。并采用主观和客观图像质量评价标准对重建结果进行评价。结果表明:相比Bicbic、SRCNN、FSRCNN等算法重建的白细胞图像,CSRN网络有效的提高了低分辨率细胞图像的细节信息,这对于低分辨率图像的识别、分类等应用意义重大。最后搭建低分辨率细胞图像特征融合网络(CFFNet),并训练得到特征融合模型。从模拟无透镜采集效果的数据集与无透镜系统采集的白细胞数据集中分别选取4组(每组11幅)细胞图像进行融合,融合结果为集合测试图像特征的正常白细胞图像。接着运用图像二值化等算法计算融合细胞图像核质比等特征参数,随后分别将正常与病变图像按照不同组合方式进行混合,在混合图像中选取11组(每组11幅)图像并进行测试。结果表明,融合细胞图像的形貌等特征与测试图像占比较大一方相似。证明融合结果服从统计学规律且能够实现血细胞病变检测,对于细胞的疾病诊断和医学字典库的建立意义重大。
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183
【图文】：

第 1 章 绪论景病的诊断及血液分析都有重要意义，随着现代化医疗技术诊断与远程医疗需求越来越受到人们的青睐[1]；一直以来镜，通过将做好的样品放在显微镜的载物台上面进行观察大、检测结果因操作人员的不同而有所不同等问题[2]。并应用。因此探索一种小型化、低成本的细胞检测系统很

本章主要从数字图像处理和 CNN 的一些基础知识展开介绍。2.1 数字图像处理基础知识提高低分辨率细胞图像的分辨率及进行特征融合处理时的每一个过程都需要对细胞图像进行各种处理。本节主要介绍图像处理的基本操作。其中包括数字图像表示、灰度直方图、图像阈值分割、图像质量评价标准等理论。2.1.1 数字图像表示图像的生成过程首先的步骤就是采样，采样就会得到组成图像的多个像素，图像的大小是通过行列像素相乘得来的。因此如果想让一幅图像变得更清晰就必须增加采样点的个数。换言之可以使用更多的像素点表征该图像，提高图像的分辨率。采样之后的图像还是很难用数字去表达，故还需要对图像中的每一个采样点进行量化，这样就可以用矩阵把一幅图像表示出来，在量化的过程中就会涉及到灰度量化的等级程度。出于硬件实现的方便，图像的灰度级通常是用 2 的整数次幂来表示。现在常用的量化灰度级选择的是 8bit，这样的话就能对一幅图像从黑到白用 0-255 之间的数据进行描述。显然，对于一幅图像采用越大的灰度级来描述，则表示图像的亮暗变化信息更为丰富。图像的质量自然也会更加细致。

图 2-2 数字图像用的坐标系Fig.2-2 Coordinate system for digital images直方图数据是二维的，通过这些数字可以清楚的看区。正是由于这些信息才可从图像中再现原候，并不需要知道图像中像素点的具体灰度因此需要使用图像的灰度直方图对图像处理度直方图是对该图像中所有像素点灰度值的值各自所占的概率。一般而言，一个图像的灰用坐标系中的横坐标表示。而直方图的纵坐数的百分比。图 2-3 为一幅白细胞图像的灰值所出现的概率较大，哪些区域灰度值所出作用。

【相似文献】

相关期刊论文 前10条

1 漆鹏杰;刘秀波;仲兆准;;显微细胞图像有形成分分割方法研究[J];微型机与应用;2015年17期

2 苏娜;;基于形状参数的重叠细胞图像判别研究[J];电脑知识与技术;2012年25期

3 徐俊杰;;电子计算机细胞图像分析[J];法医学杂志;1993年02期

4 郝连旺;洪文学;魏濵;;基于优选特征属性偏序结构分析的白细胞图像分类规则发现[J];高技术通讯;2015年Z2期

5 顾广华;崔冬;;白细胞图像的柔性组合分割算法[J];仪器仪表学报;2008年09期

6 马建华,陈道达,郑清平,田源,陶凯雄;细胞图像分析优选阿霉素磁性蛋白微球[J];华中科技大学学报(医学版);2002年02期

7 姜志国,周孝宽;细胞图像形态的分形维研究[J];中国体视学与图像分析;1996年Z3期

8 吴慧编;仇晓春;;前沿[J];上海交通大学学报(医学版);2017年02期

9 漆鹏杰;刘秀波;仲兆准;管淼;谢光伟;;显微细胞图像有形成分自动识别[J];计算机系统应用;2015年05期

10 唐思源;宫杰;;细胞图像的边缘提取与轮廓跟踪[J];科协论坛(下半月);2011年10期

相关会议论文 前10条

1 夏潮涌;夏鸣风;魏清柱;黄中新;;图像分析系统测量细胞图像光度的性能评估[A];第九届中国体视学与图像分析学术会议论文集[C];2001年

2 沙盛中;翁桂荣;秦树伟;;基于数学形态学的白细胞分割及提取[A];第二十六届中国控制会议论文集[C];2007年

3 张鑫;翁邓胡;;医学细胞图像边缘检测算法研究[A];浙江生物医学工程学会第九届年会论文汇编[C];2011年

4 王兆仲;周付根;;血细胞图像的自适应分割[A];中国图象图形学会第十届全国图像图形学术会议（CIG’2001）和第一届全国虚拟现实技术研讨会（CVR’2001）论文集[C];2001年

5 温程璐;王蓬勃;李伟;;基于显微视觉技术的生物细胞图像处理研究进展[A];农业工程科技创新与建设现代农业——2005年中国农业工程学会学术年会论文集第三分册[C];2005年

6 魏清柱;夏潮涌;黄中新;覃莉;饶晓黎;康海兰;黄华梅;;光衍射现象对细胞核DNA含量检测的影响[A];第九届中国体视学与图像分析学术会议论文集[C];2001年

7 麻硕士;侯振杰;裴喜春;潘新;;动物骨髓细胞分割与识别方法的研究[A];农业工程科技创新与建设现代农业——2005年中国农业工程学会学术年会论文集第三分册[C];2005年

8 赵仕杰;柏正尧;姚娜;李德俭;;基于简化PCNN模型及信息熵最大准则的生物细胞图像分割[A];中国仪器仪表学会第十一届青年学术会议论文集[C];2009年

9 黎宗强;杜莹莹;李婵;赵广伟;谢莉萍;;食蟹猴阴道涂片的动态观察[A];中国畜牧兽医学会动物解剖学及组织胚胎学分会第十五次学术研讨会论文集[C];2008年

10 汪一聪;陈恳;;一种任意形状粘连颗粒图像的分离算法[A];第十四届全国图象图形学学术会议论文集[C];2008年

相关重要报纸文章 前2条

1 记者 毛黎;人类首次拍摄到寄生虫感染细胞图像[N];科技日报;2008年

2 ;貉的繁殖系列问答[N];中国畜牧兽医报;2009年

相关博士学位论文 前10条

1 赵理莉;宫颈细胞图像智能分析关键技术研究[D];国防科学技术大学;2017年

2 关涛;光学显微宫颈细胞图像的分割与识别方法研究[D];国防科学技术大学;2015年

3 郝连旺;基于多空间混合属性融合的白细胞图像识别方法研究[D];燕山大学;2014年

4 张瑞华;医学显微细胞图像分割研究[D];武汉科技大学;2014年

5 陈韬亦;生物医学显微镜细胞图像的运动恢复和分割问题研究[D];哈尔滨工业大学;2011年

6 梁光明;体液细胞图像有形成分智能识别关键技术研究[D];国防科学技术大学;2008年

7 王瑞胡;红血球表面形状特征提取与分类技术研究[D];重庆大学;2012年

8 孟霆;基于多尺度几何分析的细胞图像处理相关技术研究[D];哈尔滨工程大学;2012年

9 范金坪;宫颈细胞图像分割和识别方法研究[D];暨南大学;2010年

10 李宽;细胞图像的分割、纹理提取及识别方法研究[D];国防科学技术大学;2012年

相关硕士学位论文 前10条

1 孙嘉鸿;针对细胞图像处理的异构多核处理器研究[D];西安理工大学;2019年

2 马祥;基于卷积神经网络的低分辨率细胞图像特征融合算法研究[D];西安理工大学;2019年

3 韩涛;基于深层次的特征学习对HEp-2细胞的自动化分类及分割方法研究[D];深圳大学;2018年

4 刘帅;AML细胞图像分割与识别方法研究[D];哈尔滨理工大学;2018年

5 胡燕云;显微白细胞图像自动获取与识别技术研究[D];湘潭大学;2018年

6 邱立英;外周血细胞图像的分割算法研究[D];福州大学;2017年

7 刘欢;细胞图像分析处理系统的开发[D];华东师范大学;2007年

8 魏文明;基于极限学习机算法的彩色血细胞图像自动分割[D];江西财经大学;2014年

9 王任挥;基于最大信息熵原理的显微细胞图像多阈值分割[D];内蒙古师范大学;2008年

10 郑飞虎;肿瘤显微细胞图像分割技术研究[D];华东交通大学;2009年

本文编号：2783053