论文部分内容阅读
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,同时结合GLCM特征作为细胞图像的全局特征;其次,对分割得到的细胞核区域提取面积、周长、长宽比、圆形度、矩形度以及核质比等形态特征,作为细胞图像的局部特征;最后,将三种特征级联得到特征集,对特征集进行归一化处理。三.PCA-RFECV的特征级融合算法归一化后的特征集通过主成分分析法(PCA)进行降维融合处理,得到降维后的特征集,而后采用交叉递归特征消除算法(RFECV)对降维后的特征集进行二次选择,选择出最具代表性的特征,作为细胞图像的描述特征。四.基于Stacking模型融合的决策级融合方法本文Stacking模型分为两层。第一层的模型称为基模型,包括随机森林、决策树、K邻近算法与高斯贝叶斯分类器。第二层的模型称为二级模型,二分类实验和三分类实验中分别采用支持向量机和高斯贝叶斯分类器作为二级模型完成细胞图像的分类识别。Stacking模型融合的方法在一定程度上提高了分类识别率。五.实验仿真验证本文对细胞图像的分割、特征参数提取、特征集融合以及决策级融合算法进行了数值仿真实验。通过与其他方法进行对比,验证了本文分割方法、特征集融合方法以及决策级融合方法的有效性。图[38]表[9]参[55]