论文部分内容阅读
高光谱成像技术是一种兼具同时获取事物的样貌信息和光谱信息能力的新兴技术。随着成像设备以及计算机视觉相关算法的完善,高光谱图像逐渐拥有越来越高的光谱分辨率,光谱信息愈加丰富,充分具备了数据挖掘的潜力,已经作为一种独特的诊断方式成功运用于军事,农业,大气以及生物医学等检测领域,而显微高光谱成像技术作为我们探索微观世界的一种新方式,也被成功运用于细胞分类,食品安全,癌症诊断等领域。本课题主要研究在显微高光谱成像系统下获得的血细胞图像的分类和识别问题,包括数据采集,图像重建,以及图像分类识别问题。本文针对高光谱显微成像设备在成像过程中部分波段存在噪声以及图像分类中运用空间特征不充分的问题,分析了其噪声产生的原因以及从光谱角度分类的不足,提出了关于图像重建与分类的改进算法,解决了部分波段图像噪声严重以及分类结果边缘错判过多的问题。本文的主要工作体现在:第一,显微高光谱成像系统成像过程中由于光路折射以及成像聚焦的原因,图像噪声不可避免。针对这一问题,本文设计了一种基于导向滤波器的图像重建方法,通过波段选择的方式获取最优导向图像,利用最优导向图像重建原图像,最后运用支持向量机(SVM)对重建图像分类。本文提出的改进算法较传统的去噪方法来说,优势在于能够有效保持图像边缘,重建图像失真少,能较好保持原图像的物理性质。第二,稀疏表示分类器早已被大范围的应用于高光谱图像分类中,但对图像边缘像素点分类时,会存在边缘像素点错分,进而影响分类结果中的细胞形态,固定窗口的空间信息提取又会对边缘像素产生干扰,因此提出了一种基于超像素分割方法,联合空间,谱间特征的稀疏表示分类算法,不同尺度的超像素分割块能为整个细胞图像提供不同范围的局部信息,为最终的分类结果提供决策依据。与基于逐像素的稀疏表示分类算法相比,本文提出的算法能够自适应的选择空间特征,多尺度的决策模型为图像分类提供了更高的分类准确率。