本文選題：醫(yī)學(xué)圖像　切入點(diǎn)：特征融合　出處：《吉林大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：近些年來,科技水平的不斷發(fā)展為人們生活水平的提高創(chuàng)造了良好的條件。智能手機(jī)、相機(jī)等先進(jìn)的圖像獲取設(shè)備正以日新月異的速度在人們的生活中普及。大量的圖像隨之產(chǎn)生,形形色色的圖像數(shù)據(jù)充斥著人們的生活。圖像數(shù)據(jù)量與日俱增,逐步產(chǎn)生了對這些海量的數(shù)據(jù)進(jìn)行有效組織與管理的需求,而最終的目的是實(shí)現(xiàn)圖像數(shù)據(jù)的有效分類。強(qiáng)烈的需求吸引著眾多的研究學(xué)者投入精力研究,逐步衍生了圖像分類這一研究領(lǐng)域。與此同時,互聯(lián)網(wǎng)的快速發(fā)展為圖像分類領(lǐng)域的發(fā)展提供了強(qiáng)有力的支撐,如何在圖像分類的過程中降低人工參與的成本,靠計(jì)算機(jī)來實(shí)現(xiàn)分類成為核心的研究內(nèi)容。從研究的角度講,計(jì)算機(jī)應(yīng)當(dāng)具有這樣的識別與組織能力,在圖像分類的整個過程中最大化的節(jié)約人力成本。隨著研究的不斷深入,圖像分類技術(shù)在很多領(lǐng)域應(yīng)用并且都取得了可觀的研究成果。尤其是在機(jī)器視覺等領(lǐng)域,圖像分類有著舉足輕重的地位。而隨著圖像分類技術(shù)發(fā)展的日趨成熟,又逐步衍生出了另一個新的研究領(lǐng)域——圖像精細(xì)分類領(lǐng)域。在對這一研究方向的逐步探索過程中,研究學(xué)者發(fā)現(xiàn)圖像精細(xì)分類技術(shù)在食品監(jiān)控,材料分析,生態(tài)環(huán)境監(jiān)控,地質(zhì)勘測等諸多領(lǐng)域都有非常廣泛的實(shí)用價值與研究前景。于是計(jì)算機(jī)視覺及相關(guān)領(lǐng)域的研究學(xué)者紛紛投入到圖像分類技術(shù)的研究。與此同時,很多相關(guān)的技術(shù)如人工智能技術(shù)、計(jì)算機(jī)技術(shù)都獲得了廣泛的發(fā)展。這些領(lǐng)域的進(jìn)步在理論與技術(shù)上促進(jìn)了圖像精細(xì)分類技術(shù)的發(fā)展。但是目前來看,將圖像精細(xì)分類應(yīng)用在醫(yī)學(xué)圖像分類上的研究還比較少。因此本文提出一套完整的算法,實(shí)現(xiàn)肺癌圖像的精細(xì)分類,也就是將肺癌進(jìn)一步區(qū)分為小細(xì)胞肺癌、鱗肺癌、腺肺癌、細(xì)支氣管肺泡癌等。這一分類技術(shù)能有力的促進(jìn)肺癌診斷治療領(lǐng)域的進(jìn)一步發(fā)展。局部二值模式(LBP,Local Binary Patterns)是一種思想簡單高效的紋理特征提取算法。廣泛的應(yīng)用到很多熱門的領(lǐng)域,如:人臉識別、醫(yī)學(xué)圖像處理、場景的識別分類等。本文主要研究在圖像特征提取這一步驟提出基于LBP的融合特征提取算法,并融合進(jìn)適用于肺癌圖像精細(xì)分類的技術(shù)框架,該框架包括了針對圖像精細(xì)分類的其它算法步驟。最終將整套的算法應(yīng)用于肺癌圖像的精細(xì)分類。本文的研究內(nèi)容如下:(1)簡要介紹圖像分類及其相關(guān)技術(shù)的研究現(xiàn)狀,對圖像精細(xì)分類技術(shù)領(lǐng)域的研究工作進(jìn)行綜述,列舉圖像分類技術(shù)在軍事、生活等領(lǐng)域的應(yīng)用。(2)介紹本文框架所依賴的快速模板匹配的圖像精細(xì)分類技術(shù),主要是圖像預(yù)處理技術(shù),圖像提取技術(shù),特征響應(yīng)圖等。(3)本文介紹了原始的LBP算法以及其相關(guān)的經(jīng)典的改進(jìn)技術(shù),簡要介紹了LBP算法的研究現(xiàn)狀以及應(yīng)用廣泛的領(lǐng)域。LBP以往應(yīng)用在普通醫(yī)學(xué)圖像分類技術(shù)中時效果較好,但是因?yàn)楹苋菀缀雎詫D像精細(xì)分類至關(guān)重要的細(xì)節(jié)信息,且僅有紋理特征不能全面的表示圖像信息,因此應(yīng)用在圖像精細(xì)分類領(lǐng)域時注定會有劣勢。同時,在肺癌圖像精細(xì)分類這一應(yīng)用中,以往的普通分類技術(shù)無法高效的應(yīng)用在精細(xì)分類領(lǐng)域。針對以上這些提出的問題,本文在無需碼本與釋文的快速模板匹配框架下,提出了基于LBP和小波矩融合特征的肺癌圖像精細(xì)分類算法,有效的識別了肺癌圖像精細(xì)分類所需的細(xì)節(jié)差異信息,實(shí)現(xiàn)肺癌圖像的精細(xì)分類,是精細(xì)分類思想在醫(yī)學(xué)領(lǐng)域應(yīng)用的一次嘗試。(4)本文將改進(jìn)的LBP融合算法應(yīng)用于肺癌圖像精細(xì)分類的系統(tǒng)架構(gòu)中,在實(shí)驗(yàn)部分選用經(jīng)典的SVM分類器進(jìn)行后續(xù)的分類操作。實(shí)驗(yàn)數(shù)據(jù)庫選擇LIDC(Lung Image Database Consortium,肺部影像數(shù)據(jù)庫聯(lián)盟)圖像數(shù)據(jù)集。對比實(shí)驗(yàn)與不同特征、不同參數(shù)下的融合算法在RBF核函數(shù)等環(huán)境下進(jìn)行對比,實(shí)驗(yàn)結(jié)果表明本文所提算法能有效的應(yīng)用于肺癌圖像的精細(xì)分類。
[Abstract]:In recent years, the development of science and technology to improve the living standard of the people has created good conditions. The intelligent mobile phone, camera and other advanced image acquisition devices are popular with the speed of change rapidly in people's lives. A large number of images produced, the image data of every hue filled with people's life. The amount of image data gradually grow with each passing day. Have these massive data for effective organization and management needs, and the final aim is to realize the effective classification of image data. The strong demand attracts many scholars devote research, gradually derived from this research in the field of image classification. At the same time, the rapid development of the Internet provides a strong support for the development of in the field of image classification, how to reduce labor costs of participation in the process of image classification by computer, to achieve classification, become the core of research The contents from the research point of view, the computer should have the identification and organization of such ability in the process of image classification in the maximum saving labor costs. With the deepening of research, image classification technology applied in many fields and has made remarkable achievements. Especially in the field of machine vision, image classification plays an important role. With the development of image classification technology is becoming more and more mature, and gradually derived from another new research field. In the image fine classification of this kind of research gradually explore the process, the researchers found that the material image fine classification technology in food monitoring, analysis, ecological environment monitoring, geological survey and many other fields have practical value and research prospects are very broad. So researchers in computer vision and related fields have put into image Study on the technology. At the same time, a lot of related technologies such as artificial intelligence technology, computer technology has been widely developed. Progress in these areas and promote the development of fine image classification technology in theory and technology. But at present, the research of image fine classification used in medical image classification is less so. This paper presents a complete algorithm to achieve precise image classification of lung cancer, lung cancer is further divided into small cell lung cancer, squamous cell lung cancer, lung adenocarcinoma, bronchioloalveolar carcinoma. This classification technique can effectively promote the further development of the field of diagnosis and treatment of lung cancer. The local two value model (LBP, Local Binary Patterns) is a simple and efficient idea of texture feature extraction algorithm. Widely applied to many popular areas, such as face recognition, medical image processing, scene recognition of this classification. This paper mainly research on image feature extraction this step fusion feature extraction algorithm was proposed based on LBP technology, and integrated into the framework for lung cancer image fine classification, the framework includes the steps of image classification algorithm for other fine. Will eventually set fine classification algorithm is applied to lung cancer images. The research contents of this paper are as follows: (1) briefly introduces the research status of image classification and its related technologies, research work on image classification technology in the field of fine review, cited image classification technology in military applications, and other areas of life. (2) the precise image classification technology this framework relies on fast template matching, is the image pretreatment technology image feature extraction technology, response diagram. (3) this paper introduces the original LBP algorithm and its related classic improved technology, the paper briefly introduces the research status of LBP algorithm As well as the application fields.LBP have been used in ordinary medical image classification technology is better, but because it is easy to overlook the details of image classification is fine, and only the texture features can not fully express the image information in the image, so the fine classification field will be doomed to a disadvantage when used in lung cancer. At the same time, precise image classification the application, application of general classification technology in the past cannot be efficient in fine classification field. Aiming at these problems, this paper without the code template matching and fast text frame, put forward the fine classification algorithm LBP lung cancer images and Wavelet Moment Feature Fusion Based on information, details of the differences of effective recognition the lung image fine classification required for the implementation of the fine classification of lung cancer images, is a fine classification theory in an attempt to medical applications (4) in this paper. The system architecture will be improved LBP fusion algorithm is applied to the lung cancer image fine classification, classification of the subsequent operation in some experiments with classical SVM classifier. Select LIDC (Lung Image Database Consortium experimental database, lung image database alliance) image data set. And the different characteristics of contrast experiment, fusion algorithm under different parameters are compared in the RBF kernel environment, experimental results show that the proposed algorithm can be effectively applied to image classification. The fine lung cancer

【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 薄華,馬縛龍,焦李成;圖像數(shù)據(jù)挖掘的模型和技術(shù)[J];西安郵電學(xué)院學(xué)報(bào);2004年03期

2 劉玉紅;謝正祥;;圖像挖掘技術(shù)及醫(yī)學(xué)應(yīng)用[J];中國醫(yī)學(xué)物理學(xué)雜志;2010年01期

3 曹家瑋;;用圖像說話[J];藝術(shù)與設(shè)計(jì)(理論);2009年08期

4 付普;;讓你的字體和圖像燃燒起來[J];Internet信息世界;1999年03期

5 劉筱霞;轉(zhuǎn)換圖像模式以適于輸出[J];印刷世界;2003年06期

6 朱薇;劉利剛;;保色調(diào)的黑白卡通圖像著色方法[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2011年03期

7 許向陽;張旭亮;李博;;基于顏色屬性相關(guān)性的圖像色差公式的研究[J];包裝工程;2013年13期

8 潘建初;圖像漫談[J];電腦愛好者;1998年14期

9 王偉,吳玲達(dá),老松楊,王辰;基于示例學(xué)習(xí)的圖像人臉檢測技術(shù)[J];計(jì)算機(jī)應(yīng)用研究;2002年03期

10 高彥宇;王新平;尹怡欣;;自然風(fēng)景圖像情感標(biāo)識方法研究[J];小型微型計(jì)算機(jī)系統(tǒng);2011年04期

相關(guān)會議論文 前3條

1 吳楠;李曉曦;宋方敏;;圖像挖掘及其在醫(yī)學(xué)圖像分類中的應(yīng)用[A];2006年全國理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會論文集[C];2006年

2 潘海為;謝曉芹;張煒;李建中;;基于ROI的醫(yī)學(xué)圖像聚類算法[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報(bào)告篇）[C];2006年

3 孫華;;Photoshop軟件在眼科領(lǐng)域的應(yīng)用[A];中華醫(yī)學(xué)會第十二屆全國眼科學(xué)術(shù)大會論文匯編[C];2007年

相關(guān)重要報(bào)紙文章 前8條

1 重慶 楊清德;寬屏幕電視機(jī)圖像模式的選擇[N];電子報(bào);2007年

2 計(jì)算機(jī)世界實(shí)驗(yàn)室 吳挺;高速中進(jìn)取[N];計(jì)算機(jī)世界;2008年

3 山東濰坊學(xué)院 年仁德;上好Photoshop的第一節(jié)課圖片欣賞課[N];中國電腦教育報(bào);2004年

4 劉全恩;高清投影機(jī)量產(chǎn) 家用市場占兩成[N];中國電子報(bào);2007年

5 eN書蟲;用Photoshop制作燃燒字[N];江蘇經(jīng)濟(jì)報(bào);2000年

6 王林;東芝XV500系列高清首選[N];電子資訊時報(bào);2008年

7 趙軍紅　編譯;手機(jī)顯微鏡將在非洲試用[N];科技日報(bào);2010年

8 ;輕松制作電子詞典的開機(jī)畫面[N];中國計(jì)算機(jī)報(bào);2004年

相關(guān)博士學(xué)位論文 前10條

1 黃明明;圖像局部特征提取及應(yīng)用研究[D];北京科技大學(xué);2016年

2 段曼妮;圖像挖掘在圖像檢索中的應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2009年

3 袁承志;風(fēng)格與象征——魏晉南北朝蓮花圖像研究[D];清華大學(xué);2004年

4 秦昆;基于形式概念分析的圖像數(shù)據(jù)挖掘研究[D];武漢大學(xué);2004年

5 蔡濤;面向目標(biāo)識別的圖像特征融合提取技術(shù)研究[D];中國人民解放軍國防科學(xué)技術(shù)大學(xué);2000年

6 韓躍平;復(fù)雜產(chǎn)品內(nèi)部結(jié)構(gòu)裝配正確性X射線自動檢測技術(shù)研究[D];中北大學(xué);2009年

7 曹建芳;場景圖像情感語義分析關(guān)鍵技術(shù)研究[D];太原理工大學(xué);2015年

8 徐望明;面向圖像檢索和分類任務(wù)的稀疏特征學(xué)習(xí)[D];武漢科技大學(xué);2013年

9 周海英;基于視覺認(rèn)知的圖像搜索與識別關(guān)鍵技術(shù)研究[D];北京科技大學(xué);2015年

10 韓子仲;視象與圖像[D];中國美術(shù)學(xué)院;2008年

相關(guān)碩士學(xué)位論文 前10條

1 吳春燕;樹木葉片滯塵量與反射光譜及圖像特征的關(guān)系研究[D];中國林業(yè)科學(xué)研究院;2015年

2 冀鑫;基于矢量量化與LBP的圖像檢索算法研究[D];太原理工大學(xué);2016年

3 陳之凡;西方圖像的中國形象異化和視覺文化批判[D];武漢紡織大學(xué);2016年

4 馮語姍;果蔬圖像的混合粒度分類研究[D];中國科學(xué)技術(shù)大學(xué);2016年

5 蘇寶星;基于深度學(xué)習(xí)的醫(yī)學(xué)圖像模式分類研究[D];浙江師范大學(xué);2016年

6 趙翔宇;北朝青州造像中“龍銜蓮”圖像研究[D];山東師范大學(xué);2016年

7 童思維;帶鋼表面低對比度弱小缺陷檢測的圖像處理方法研究[D];武漢科技大學(xué);2016年

8 王琪;基于融合LBP和小波矩的肺癌圖像精細(xì)分類算法研究[D];吉林大學(xué);2017年

9 邱炳瑜;基于內(nèi)容的圖像收集和地區(qū)代表性圖像選出系統(tǒng)的研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2009年

10 史英杰;醫(yī)學(xué)圖像輔助診斷系統(tǒng)中圖像分割技術(shù)的研究[D];華中科技大學(xué);2007年

，

本文編號：1574747