论文部分内容阅读
准确、快速、自适应地实现图像分割,一直是困扰图像分析与识别领域的一大难题,且分割的准确与否直接影响后续的特征提取和分类识别。本文根据多光谱显微细胞图像信息量大的特点,以像素为对象,像素各个波段的灰度值为特征,采用先分类再分割的图像分割方案;在研究统计学习理论的基础上,以支持向量机方法为核心,探索和实现了分割精度高、速度快、自适应强的多光谱显微细胞图像分割算法。 本文分别介绍了径向基神经网络(Radial Basis Function Neural Networks—RBFNN)和一种最新技术——支持向量机(Support Vector Machines—SVM)这两种模型的原理、特点及学习分类算法,并以图像像素各个波段的灰度值为特征,用两种分类器实现了对多光谱显微细胞图像的分割,进而对两种分类算法进行对比分析,这是本文的研究重点。 由于多光谱图像的数据量大、计算复杂,而本文的研究成果将作为具体应用系统的一部分,为了减少计算的时间,本文从研究显微细胞图像的多光谱特征出发,得出了本文图像分割方案和预处理的实验基础,并将多光谱细胞图像的RGB空间变换到HSI空间,在亮度分量和色调分量上利用阈值分割法,去掉图像背景和部分红细胞,通过这样的预处理后剩下的图像采用RBFNN和SVM分类器以像素为对象进行分类,这样在很大程度上提高了计算的速度。 分类后的图像就是三值化图像(背景、白细胞核和白细胞浆),图像中不可避免地会出现一些颗粒和空洞,为了提高疾病诊断中的白细胞分类识别的精度,必须对三值化图像进行后处理,本文在介绍区域生长几种准则和方法的基础上,采用了基于区域灰度差(灰度差为零)的生长准则,扣除面积小于一定阈值的颗粒和空洞,最后可以得到很好的分割效果,为以后的特征提取和识别诊断奠定了良好的基础。 本文提供了220幅多光谱显微骨髓细胞图像作为实验样本,结果表明RBFNN和SVM的分割准确率能够分别达到85%和87.7%,且SVM训练分类时间短,更适合于临床诊断的要求。最后将本文的方法用于多光谱显微宫颈细胞图像的细胞核检出也取得了很好的效果,说明了本文所采用的方法在多光谱细胞图像分割中的有效性。同时本文还在实验结果和前两章理论分析的基础上对两种算法之间的区别进行了探讨,分析表明SVM是一种更优的分类算法。 实验结果表明,本文提出的方法能有效准确地分割多光谱细胞图像,并且在计算时间上完全能满足临床诊断的要求。本课题作为“十五”国家科技部攻关重大项目“光谱成像仪器的研制与开发”的一部分,其研究结果为此项目打下了良好的基础。