论文部分内容阅读
高光谱成像技术将光谱分析和传统成像技术的优点集于一身,广泛融合了光学、计算机技术和电子技术等多个学科,应用于农作物成熟度预判、食品安全性检测、大气预测和国防军事领域。将显微镜和光谱成像系统结合组成的显微高光谱成像系统可以采集微小物质的高光谱图像,近几年在生命科学领域尤其是细胞学方面发挥了重要作用,引起很多学者关注。本文设计的显微高光谱成像系统以液晶可调谐滤波器(Liquid Crystal Tunable Filter,LCTF)为分光器件,针对获取的细胞光谱图像数据集采用对应的预处理措施,提出了纹理特征和视觉词袋模型结合的特征提取方法,并利用加权支持向量机和卷积神经网络进行细胞光谱图像分类研究,验证了光谱图像在细胞识别领域的优势,本文主要研究内容和成果如下:(1)简要介绍了实验室自组的显微高光谱成像系统的结构及各部件的工作原理,其中分光器件选择能耗低,杂散光少的液晶可调谐滤波器,介绍了系统的硬件参数并分析了系统性能,使用网络流在工控机和Smart DC间传输数据,增加系统灵活性,通过系统调试实验确定了采集细胞光谱数据集的系统参数,包括相机帧率,曝光时间,波长队列间隔。(2)通过自组的显微高光谱成像系统获取5类细胞光谱图像,获取图像时光谱范围为420~730nm,光谱分辨率为5nm,每幅细胞光谱图像包含63个波段。为了消除环境因素和系统光学器件对光谱图像造成的影响,采用黑白校正法对图像进行预处理,选择4个纹理特征参数提取图像的纹理特征,并将视觉词袋模型用于特征提取,提出将二者融合的特征提取方法,结合光谱角和光谱距离对5类图像光谱曲线进行定量分析,验证了光谱图像用于细胞识别领域的优势。(3)对采集的细胞光谱数据集和Indian Pines数据集进行分类实验研究。采用加权SVM分类模型和CNN分类模型分别进行分类实验,引入JM距离对核函数进行加权充分利用了数据集光谱维信息,CNN模型本身既可以完成特征提取也可以直接输出分类标签,省去了特征提取的设计过程。上述实验研究表明将显微高光谱成像技术和模式识别算法结合用于细胞识别是可行的。