论文部分内容阅读
显微镜下的脑脊液(Cerebrospinal Fluid,CSF)图像由各种细胞组成,其拓扑结构复杂多变,采用传统图像分割算法需要对目标进行高精度完整的分割,才能准确的提取到人为事先定义的特征,而稀疏编码算法只需进行简单分割,就能无监督的提取到局部特征。为此本文针对CSF图像的特点,深入研究和分析了基于稀疏编码的图像识别技术,并在此基础上提出了基于稀疏编码的CSF图像识别模型,本文主要贡献如下: 首先,初步介绍了稀疏编码和CSF学的历史背景和相关理论。针对正常和异常两类CSF图像稀疏性差异较大的情况,摒弃了SIFT特征描述子,直接采用稀疏编码算法无监督学习得到一组过完备基,它可以表示CSF图像的局部边缘特征,以及与这组过完备基相对应的系数,它可以表示局部边缘特征对应的特征描述子,其中元素绝大部分为零,消除了自然图像中的冗余,具有稀疏性和区分度。实验结果显示,如果只采用线性支持向量机(Linear Support Vector Machine,LSVM),那么识别CSF图像是否异常的准确率可以达到85.33%,单张285?380的图像识别时间只需1.2s。 其次,详细介绍了LSVM和线性空间金字塔匹配模型(Linear Spatial Pyramid Match,LSPM)。为了解决图像之间尺度不一致和特征的空间位置信息丢失的问题,本文提出了一个基于稀疏编码的CSF图像快速识别模型,该模型首先利用稀疏编码提取图像中的局部特征以及特征描述子,然后将特征描述子转换成LSPM结构,最后将计算结果输入到LSVM中进行训练和预测。实验结果显示,该模型识别CSF图像是否异常的准确率达到了91.07%,单张285?380的图像识别时间为1.3s。然而对CSF图像中常见的四类单细胞样本进行分类识别的准确率只有61.46%。 最后,由于对四类单细胞的识别准确率不高,为了进一步提高局部特征的区分度,采取了两种改进的稀疏编码算法:局部抑制线性编码和标签一致性编码。前者学习到的系数具有局部性,后者采用了一种监督学习的方法优化了整个编码过程。实验结果显示,改进后的模型对四类单细胞样本进行分类识别的准确率明显提升,分别达到了75.09%和72.67%,每张100?100图像的平均识别时间分别为0.6s和1.8s。