计算机辅助尿沉渣图像的分类识别对多种临床疾病的诊疗有着重要意义。市场上已经出现了许多尿沉渣图像自动类别识别仪器。本课题是以龙鑫公司的LX3000中“尿沉渣图像有形成分自动识别系统”为背景,将BP神经网络用于尿沉渣图像细胞分类和计数,将数据剪切用于低倍镜下上皮细胞识别,对特征进行了分析,并且研究了特征提取的方法用于将来更多特征的情况,文中研究了多分类器融合技术,用于高倍镜下细胞识别。 由于分割方法还不够完善,并且分割后图像类别标记没有统一的标准,操作者也不是专业的医务人员,同时数据量非常大,所以造成了样本中存在很多的问题数据,本论文利用Bagging方法剪切问题数据,用于十倍镜细胞分类,减小了网络的训练误差和训练时间,提高了网络的泛化能力。 多分类器融合技术结合数据融合、机器学习、模式识别等多方面理论,把来自不同分类器的识别信息进行有机结合,从而降低单分类器的设计难度,全面提取和利用分类信息,达到改善或改进传统分类算法的目的。近年来,多分类器融合技术在人脸识别、手写字符识别、遥感图像分类等方向上受到了广泛重视,显示出很大的研究价值和现实应用前景,但在医学图像领域中的研究尚显不足。 本论文融合方法同时研究了神经网络集成方法,重点使用了投票法进行分类器融合,分析了Bagging和Boosting产生的网络的相关性,通过最小信息熵的方法处理和优选子集,用于Boosting方法的改进,实验表明了该融合模型相对单一分类器以及传统融合方法的优越性,并且研究了贝叶斯方法,通过实验选择出最优融合准则。