本文關(guān)鍵詞：流式白細(xì)胞影像分類(lèi)技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：研究白細(xì)胞圖像分類(lèi)識(shí)別中有效的圖像去噪、分割與特征提取方法,以提高白細(xì)胞圖像的正確識(shí)別率。在圖像去噪過(guò)程中采用了中值濾波與小波變換相結(jié)合的聯(lián)合去噪方法,對(duì)白細(xì)胞圖像中的椒鹽噪聲和高斯噪聲起到很好的抑制作用；由于某些白細(xì)胞(粒細(xì)胞)中顆粒的存在,嚴(yán)重影響細(xì)胞核與細(xì)胞質(zhì)區(qū)域的正確分割,研究通過(guò)將空間信息與核函數(shù)融入模糊C-均值聚類(lèi)(FCM)算法,提出了一種改進(jìn)的FCM算法。應(yīng)用該算法對(duì)白細(xì)胞圖像進(jìn)行分割,并采用數(shù)學(xué)形態(tài)學(xué)方法對(duì)分割后的圖像進(jìn)行處理,獲得了很好的分割效果,解決了粒細(xì)胞的質(zhì)核分割難題。對(duì)于細(xì)胞的紋理特征提取,通過(guò)對(duì)局部二值模式(LBP)中閾值參數(shù)的模糊化,建立了基于局部模糊模式(LFP)的紋理特征提取算法。運(yùn)用上述方法進(jìn)行圖像分割和紋理提取,以支持向量機(jī)作為分類(lèi)器,對(duì)CellAtlas的100幅白細(xì)胞圖像進(jìn)行了分類(lèi)識(shí)別的實(shí)驗(yàn),結(jié)果表明白細(xì)胞的正確識(shí)別率達(dá)到93%。
【關(guān)鍵詞】：白細(xì)胞分類(lèi) 圖像去噪 圖像分割 模糊C-均值聚類(lèi) 紋理特征提取 局部模糊模式
【學(xué)位授予單位】：長(zhǎng)春理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類(lèi)號(hào)】：R310
【目錄】：

• 摘要4-5
• Abstract5-6
• 目錄6-8
• 第一章 緒論8-16
• 1.1 課題研究的背景及意義8-9
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀9-13
• 1.2.1 流式細(xì)胞術(shù)應(yīng)用進(jìn)展9-11
• 1.2.2 醫(yī)學(xué)圖像處理與識(shí)別技術(shù)國(guó)內(nèi)外研究進(jìn)展11-13
• 1.3 白細(xì)胞圖像分類(lèi)系統(tǒng)結(jié)構(gòu)設(shè)計(jì)13-14
• 1.4 本論文研究的目的與內(nèi)容14-16
• 第二章 圖像去噪16-27
• 2.1 概述16-17
• 2.2 中值濾波17-19
• 2.2.1 傳統(tǒng)中值濾波17
• 2.2.2 極值檢測(cè)與自適應(yīng)中值濾波17-19
• 2.3 小波去噪原理19-25
• 2.3.1 小波簡(jiǎn)介19-21
• 2.3.2 基于小波變換的圖像去噪原理21-23
• 2.3.3 改進(jìn)的VisuShrink閾值法23-24
• 2.3.4 去噪效果評(píng)價(jià)24-25
• 2.4 中值濾波與小波去噪聯(lián)合去噪25-26
• 2.5 本章小結(jié)26-27
• 第三章 圖像分割27-42
• 3.1 圖像分割的基本概述27-28
• 3.2 閾值法28-29
• 3.3 基于區(qū)域的分割29-31
• 3.3.1 區(qū)域生長(zhǎng)29-30
• 3.3.2 基于分水嶺變換的分割30-31
• 3.4 基于邊緣的圖像分割31-34
• 3.4.1 Sobel邊緣檢測(cè)器32
• 3.4.2 LoG邊緣檢測(cè)器32-33
• 3.4.3 Canny邊緣檢測(cè)器33-34
• 3.5 基于模糊聚類(lèi)的分割技術(shù)34-40
• 3.5.1 基本模糊C-均值聚類(lèi)算法34-36
• 3.5.2 融入空間信息36-37
• 3.5.3 核函數(shù)法改進(jìn)的FCM算法37-38
• 3.5.4 形態(tài)學(xué)運(yùn)算38-39
• 3.5.5 FCM聚類(lèi)算法的分割結(jié)果與評(píng)價(jià)39-40
• 3.6 本章小結(jié)40-42
• 第四章 特征提取與識(shí)別42-60
• 4.1 幾何特征42-44
• 4.1.1 細(xì)胞體周長(zhǎng)42
• 4.1.2 細(xì)胞核面積42-43
• 4.1.3 細(xì)胞核圓形度43
• 4.1.4 核質(zhì)比43-44
• 4.2 紋理特征44-52
• 4.2.1 灰度共生矩陣法44-46
• 4.2.2 局部二值模式46-48
• 4.2.3 局部模糊模式48-50
• 4.2.4 LFP算法的改進(jìn)50-52
• 4.2.5 算法運(yùn)算時(shí)間評(píng)估52
• 4.3 分類(lèi)器設(shè)計(jì)52-58
• 4.3.1 BP神經(jīng)網(wǎng)絡(luò)52-55
• 4.3.2 支持向量機(jī)55-58
• 4.4 實(shí)驗(yàn)與結(jié)果分析58-59
• 4.5 本章小結(jié)59-60
• 第五章 結(jié)論60-61
• 致謝61-62
• 參考文獻(xiàn)62-65
• 攻讀碩士學(xué)位論文期間發(fā)表的學(xué)術(shù)論文情況65

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前8條

1 萬(wàn)千;薛明;;基于噪聲分離和小波閾值自適應(yīng)圖像去噪算法[J];電子科技;2011年05期

2 邢藏菊,曲延鋒,徐健,王守覺(jué);一種用于抑制椒鹽噪聲的多窗口中值濾波器[J];電子與信息學(xué)報(bào);2002年12期

3 曾榮周;伏云昌;童耀南;;一種改進(jìn)的分水嶺分割的研究[J];光電子技術(shù);2007年01期

4 周剛;賈振紅;覃錫忠;;一種新的圖像去噪混合濾波方法[J];激光雜志;2007年01期

5 武英;吳海勇;;一種自適應(yīng)圖像去噪混合濾波方法[J];計(jì)算機(jī)工程與應(yīng)用;2010年07期

6 唐發(fā)明,王仲東,陳綿云;支持向量機(jī)多類(lèi)分類(lèi)算法研究[J];控制與決策;2005年07期

7 茍博;黃賢武;;支持向量機(jī)多類(lèi)分類(lèi)方法[J];數(shù)據(jù)采集與處理;2006年03期

8 葛琦;韋志輝;張建偉;馮燦;詹天明;;結(jié)合改進(jìn)FCM算法的多相位CV模型[J];中國(guó)圖象圖形學(xué)報(bào);2011年04期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 孫慧賢;基于紋理分析的視覺(jué)檢測(cè)方法與應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2010年

  本文關(guān)鍵詞：流式白細(xì)胞影像分類(lèi)技術(shù)研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：371783