發(fā)布時間：2017-09-25 11:34

  本文關(guān)鍵詞：血液細(xì)胞的分類計數(shù)研究

  更多相關(guān)文章： 接觸式成像 圖像分割 細(xì)胞粘連 相似性度量 血液細(xì)胞分析儀

【摘要】：血液細(xì)胞分析儀是臨床醫(yī)學(xué)檢驗不可缺少的工具,而對于紅細(xì)胞和白細(xì)胞的分類計數(shù)性能是血液分析儀的一個關(guān)鍵技術(shù)指標(biāo)。當(dāng)人體發(fā)生某些疾病時,血液細(xì)胞中不同類別的細(xì)胞的數(shù)量和細(xì)胞的形態(tài)會發(fā)生變化,血液細(xì)胞分析儀可以發(fā)現(xiàn)并量化這種數(shù)量和形態(tài)的變化。臨床醫(yī)生可以以此變化來判斷人體有無疾病以及所患疾病的嚴(yán)重程度,因此對于血液細(xì)胞中的紅細(xì)胞和白細(xì)胞的分類計數(shù)研究有著重要的意義。但鑒于血液分析儀的復(fù)雜性和設(shè)備應(yīng)用條件的苛刻性,其昂貴的價格往往限制了血液分析儀的應(yīng)用范圍,因此可靠的低成本簡易血液分析儀是當(dāng)前研究的熱點(diǎn)同時也具有極大的商業(yè)價值。本論文以顯微成像型的血液分析儀為主要研究對象,分別從血液細(xì)胞圖像的獲取方式、細(xì)胞圖像的分割算法、細(xì)胞圖像的特征分析和細(xì)胞分類器的選擇這四個方面來介紹了相關(guān)系統(tǒng)流程和算法,并分析比較了它們的性能。最后實現(xiàn)了一種基于接觸式成像系統(tǒng)的血液細(xì)胞分類計數(shù)系統(tǒng),在達(dá)到臨床診斷要求的精度的情況下可以極大的降低設(shè)備的成本。本論文的主要工作和研究成果如下:(1)研究了血液細(xì)胞圖像的相關(guān)分割算法的原理算法其中包括閾值分割、區(qū)域分割、邊緣檢測算子和幾種基于特定理論的分割算法等,并通過仿真實現(xiàn),最后分析比較了它們對采集到的血液中紅細(xì)胞和白細(xì)胞圖像的分割效果。(2)研究了血液細(xì)胞圖像的相關(guān)特征,比較了紅細(xì)胞和白細(xì)胞圖像的統(tǒng)計特征、形狀特征、紋理特征和它們間的圖像相似性度量的特征差異。介紹了了幾種典型的分類器的的各自性能與優(yōu)缺點(diǎn),為下一步新的分類系統(tǒng)的實現(xiàn)提供了有力的理論和實踐依據(jù)。(3)設(shè)計了一種基于接觸式成像系統(tǒng)的血液細(xì)胞分類計數(shù)系統(tǒng)。從血液細(xì)胞圖像的獲取、對圖像的預(yù)處理,到最后的分類計數(shù)系統(tǒng)算法的具體實現(xiàn)進(jìn)行了詳細(xì)的設(shè)計。最后通過C++實現(xiàn)一個模擬器預(yù)處理、閾值分割和細(xì)胞分類計數(shù)等幾個按鈕來實現(xiàn)對中間處理結(jié)果和最后的分類結(jié)果的觀察。從應(yīng)用效果來看,本文的研究成果對于簡單便攜式低成本的血液細(xì)胞分析儀的設(shè)計具有極大的參考價值。同時本論文的研究方法和應(yīng)用框架可以應(yīng)用在更廣泛的場合,例如實現(xiàn)其他細(xì)胞類型識別計數(shù)和對經(jīng)過處理后的特定元素離子的檢測等。
【關(guān)鍵詞】：接觸式成像 圖像分割 細(xì)胞粘連 相似性度量 血液細(xì)胞分析儀
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：R446.11
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 前言11-15
• 1.1 研究背景和意義11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.3 課題的主要研究內(nèi)容13-14
• 1.4 論文的組織14-15
• 第二章 血液細(xì)胞圖像的獲取與預(yù)處理15-20
• 2.1 血液分析儀的介紹15-17
• 2.2 圖像獲取17
• 2.3 圖像的預(yù)處理17-19
• 2.4 小結(jié)19-20
• 第三章 血液細(xì)胞圖像分割算法的研究分析20-40
• 3.1 基于閾值的分割算法20-24
• 3.1.1 圖像閾值的定義20-21
• 3.1.2 閾值分割算法21-23
• 3.1.2.1 由直方圖灰度分布選擇閾值21
• 3.1.2.2 局部閾值或動態(tài)閾值21-22
• 3.1.2.3 迭代法選22
• 3.1.2.4 大津法選擇閾值22-23
• 3.1.2.5 最大熵法選擇閾值23
• 3.1.3 閾值分割算法的性能分析23-24
• 3.2 基于邊緣檢測的分割算法24-28
• 3.2.1 圖像邊緣24-25
• 3.2.2 常見的邊緣檢測算法25-27
• 3.2.2.1 Roberts算子25-26
• 3.2.2.2 Sobel算子26-27
• 3.2.2.3 Prewitt算子27
• 3.2.3 相關(guān)算子在細(xì)胞圖像分割中性能比較27-28
• 3.3 基于區(qū)域的分割算法28-33
• 3.3.1 區(qū)域生長算法28-31
• 3.3.2 區(qū)域分裂合并法31-32
• 3.3.3 兩種區(qū)域算法的性能比較32-33
• 3.4 特定理論的分割算法33-38
• 3.4.1 基于數(shù)學(xué)形態(tài)學(xué)分割算法33-35
• 3.4.2 基于小波分析和變換的方法35-36
• 3.4.3 分水嶺(Watershed)法36-38
• 3.5 小結(jié)38-40
• 第四章 血液細(xì)胞圖像的特征提取與分類算法的選擇40-60
• 4.1 血液細(xì)胞圖像個體特征分析40-49
• 4.1.1 統(tǒng)計特征41-42
• 4.1.1.1 幅度特征41
• 4.1.1.2 直方圖特征41-42
• 4.1.2 顏色特征42-44
• 4.1.2.1 顏色直方圖42-43
• 4.1.2.2 顏色矩43-44
• 4.1.2.3 顏色集44
• 4.1.3 紋理特征44-46
• 4.1.4 形狀特征46-49
• 4.1.4.1 周長46
• 4.1.4.2 弧弦比46-47
• 4.1.4.3 面積47
• 4.1.4.4 區(qū)域矩方法47-49
• 4.2 血液細(xì)胞圖像間特征特征分析49-51
• 4.3 分類器的選擇51-59
• 4.3.1 SVM支持向量機(jī)52-53
• 4.3.1.1 支持向量機(jī)的定義52
• 4.3.1.2 血液細(xì)胞圖像的支持向量機(jī)算法52-53
• 4.3.1.3 識別性能分析53
• 4.3.2 神經(jīng)網(wǎng)絡(luò)分類器53-56
• 4.3.2.1 神經(jīng)網(wǎng)絡(luò)分類器的定義54
• 4.3.2.2 血液細(xì)胞圖像的神經(jīng)網(wǎng)絡(luò)分類器原理54-56
• 4.3.2.3 識別分類性能56
• 4.3.3 模糊模式識別56-59
• 4.3.3.1 模糊模式識別的定義56
• 4.3.3.2 血液細(xì)胞圖像的模糊模式識別分類器原理56-59
• 4.3.3.3 識別分類性能59
• 4.4 血液細(xì)胞特征選擇與分類器選擇59
• 4.5 小結(jié)59-60
• 第五章 基于接觸式成像的血液細(xì)胞分類計數(shù)的實現(xiàn)60-72
• 5.1 接觸式圖像的獲取60-61
• 5.2 預(yù)處理與分割算法61-65
• 5.2.1 預(yù)處理過程61-62
• 5.2.1.1 非均勻照明的處理61-62
• 5.2.1.2 中值濾波的處理62
• 5.2.2 自適應(yīng)閾值分割算法62-63
• 5.2.3 輪廓提取與單一細(xì)胞分離63-65
• 5.3 分類與細(xì)胞計數(shù)的實現(xiàn)65-70
• 5.3.1 ELM算法原理65-67
• 5.3.2 血液細(xì)胞圖像內(nèi)插處理67-68
• 5.3.3 血液細(xì)胞圖像的SSIM特征68-69
• 5.3.4 血液細(xì)胞的分類與計數(shù)69-70
• 5.4 對分類計數(shù)算法的性能分析70-71
• 5.5 小結(jié)71-72
• 第六章 全文總結(jié)與展望72-73
• 6.1 全文總結(jié)72
• 6.2 后續(xù)工作展望72-73
• 致謝73-74
• 參考文獻(xiàn)74-77
• 攻讀碩士學(xué)位期間取得的成果77-78

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 張勇,張強(qiáng),虞烈;真彩色血液白細(xì)胞顯微圖像自動識別系統(tǒng)研究[J];西安交通大學(xué)學(xué)報;1999年02期

2 劉志敏,楊杰,施鵬飛;數(shù)學(xué)形態(tài)學(xué)的圖象分割算法[J];計算機(jī)工程與科學(xué);1998年04期

，

本文編號：917061