目的為了實(shí)現(xiàn)高通量dPCR基因芯片熒光圖像的亮點(diǎn)分類(lèi)與計(jì)數(shù),提出一種基于支持向量機(jī)(SVM)的熒光圖像分類(lèi)與計(jì)數(shù)方法。方法首先對(duì)熒光圖像進(jìn)行去噪、對(duì)比度增強(qiáng)等圖像預(yù)處理,對(duì)預(yù)處理后熒光圖像進(jìn)行亮點(diǎn)區(qū)域提取標(biāo)注,去除背景與暗點(diǎn)的冗余信息,利用方向梯度直方圖(Histogram of Oriented Gradient, HOG)提取鑒別特征,計(jì)算合并所有樣本的亮點(diǎn)特征得到HOG特征向量,根據(jù)已得到的HOG特征向量創(chuàng)建一個(gè)線性SVM分類(lèi)器,利用訓(xùn)練好的SVM分類(lèi)器對(duì)熒光圖像亮點(diǎn)進(jìn)行分類(lèi)與計(jì)數(shù)。結(jié)果對(duì)比傳統(tǒng)算法,文中算法具有較高的分類(lèi)識(shí)別精度,平均準(zhǔn)確率高達(dá)98%以上,可以很好地實(shí)現(xiàn)熒光圖像亮點(diǎn)分類(lèi)與計(jì)數(shù)。結(jié)論在有限的小樣本標(biāo)注數(shù)據(jù)下,文中算法具有良好的分類(lèi)性能,能夠有效識(shí)別熒光圖像中的亮點(diǎn),對(duì)其他熒光圖像分類(lèi)研究也具有一定參考價(jià)值。

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖1熒光圖像亮點(diǎn)分類(lèi)流程

對(duì)上述問(wèn)題，文中提出了一種基于SVM的高通量dPCR基因芯片熒光圖像分類(lèi)方法，對(duì)預(yù)處理后的熒光圖像，結(jié)合SVM與HOG特征實(shí)現(xiàn)熒光圖像的分類(lèi)與計(jì)數(shù)。文中研究的熒光圖像亮點(diǎn)分類(lèi)實(shí)現(xiàn)首先對(duì)熒光圖像進(jìn)行去噪、對(duì)比度增強(qiáng)等圖像預(yù)處理，然后將亮點(diǎn)區(qū)域進(jìn)行標(biāo)注，將標(biāo)注區(qū)域內(nèi)的特征信息進(jìn)行歸一....

圖4Fig.4Grad梯度方向dientdirection

素投景像需照熒器模2·226·素點(diǎn)梯度大小投影量作為權(quán)4）塊內(nèi)-陰性點(diǎn)-陽(yáng)像梯度強(qiáng)度變需將塊內(nèi)梯度照、陰影和邊5）HOG熒光圖像亮器中，尋找一模型。2.3支持向支持向量小作為投影，權(quán)值累加到9圖4Fig.4Grad歸一化梯度陽(yáng)性點(diǎn)的變化變化范圍較大度強(qiáng)度做“歸一緣對(duì)高通量圖5塊F....

圖7支持向.7Supportvec向量與距離toranddistancce

悖??異對(duì)比度相差分，引入松弛亮點(diǎn)區(qū)域的訓(xùn)Fig.實(shí)驗(yàn)結(jié)果為了驗(yàn)證文像分類(lèi)方法的高通量dPCRhon2.7平臺(tái)決數(shù)據(jù)線性不目標(biāo)空間（線著較好的抗干罰權(quán)重為C=能主要通過(guò)對(duì)由于不同通取ROX，CY證，為了進(jìn)行類(lèi)算法一同進(jìn)、CY5通道的幅圖像尺寸均點(diǎn)分類(lèi)結(jié)果圖類(lèi)結(jié)果圖像見(jiàn)果圖像見(jiàn)圖1....

圖8ROX通道的熒光圖像亮點(diǎn)分類(lèi)結(jié)果

第41卷第19期劉麗等：基于SVM的高通量dPCR基因芯片熒光圖像分類(lèi)研究·227·a原圖bSVM算法亮點(diǎn)分類(lèi)c分水嶺算法分類(lèi)圖8ROX通道的熒光圖像亮點(diǎn)分類(lèi)結(jié)果Fig.8Classificationresultsofbrightspotsinfluorescenceimages....

本文編號(hào)：3931854