汤学民[1]2004年在《血液细胞图像自动识别系统的开发》文中研究说明运用计算机模式识别技术自动识别血细胞图像是模式识别在医学图像领域应用的一个重要研究课题。由于血细胞的种类多、图像复杂而使这项工作不易实现，目前，临床医学中对血细胞形态的识别都是人工操作。本系统运用模式识别技术可对外周血中的血细胞图像完成自动识别。本文的主要研究方法如下。图像的分割 细胞分割：首先，将彩色图像转换成灰度图，同时保留其彩色图像的信息。灰度图保留图像的大部分信息，有利于各种图像分割方法的实现。保留的彩色图像用于特殊情况的处理及以后特征向量的测定。其次，获取灰度图的二值图像后进行距离变换，对相邻的细胞利用建立细胞之间的水坝线，先简单地将图像中的细胞一个个分割出来，根据细胞的大小和细胞的灰度值初选出白细胞。第叁，对白细胞的边界准确定位：先用区域增长法标识出白细胞周围的红细胞，再结合白细胞的边界梯度、距离图、红细胞的标识等信息确定最后的白细胞轮廓。细胞核分割：根据细胞核染色一般较深的特点，通过求细胞区域灰度阈值的方法来将细胞核从细胞中分割出来。对于嗜酸性粒细胞，通过将彩色图像中的红色分量转变成灰度图像，再使用区域灰度阈值的方法实现细胞核的分割。特征的选取根据细胞的形状、纹理、颜色等的特点主要选取了如下的特征：细胞半径、细胞核分叶数、核/浆面积比、细胞核灰度值、细胞浆色度、细胞核色度、细胞核圆形度、细胞核凹性、细胞核偏心率、细胞浆纹理、细胞核纹理等。分类器的设计本文采用专家系统的产生式规则来识别细胞。根据血细胞分类的先验知识建立规则库，将细胞的各项特征转换为规则的条件进行判断，转换成规则中的条件所需的阈值用分类器训练获取。通过对50幅图像共88个细胞的测试表明，此系统的自动识别率为96%，经临床专家评估，此系统具有较好的实用价值。
俞乐[2]2012年在《血液白细胞显微图像分割与识别的研究》文中研究说明近几十年来，计算机技术的发展和图像处理技术的提升，模式识别技术及人工智能等技术和理论的创立与研究不断深入，使得图像分析系统逐渐成为医学领域自动定量分析和检验的方法之一。细胞图像自动识别技术是生物医学领域的一大难题。其中，外周血液白细胞的分割与识别是一项重要内容。血液中各类白细胞的数量和百分比在有疾病和正常情况下是不同的，医生可以依据这些重要的基础数据作为判断疾病的种类和严重程度的标准，这对于医学诊断中对血液病的研究有很大价值，因此在临床检验中有及其重要的意义。目前的血细胞分析仪在形态学检测方面存在不够精确等缺陷，外周血液涂片检查主要还是通过人工目视完成。针对异常的血液白细胞检测在血液科诊断过程中及加速白血病等疾病的诊断中发挥重要作用。因此，适当的早期检测对疾病的治疗是必要的。数字图像处理技术可以帮助医生增强感兴趣的特征的可视化程度，提高分析和诊断白细胞的功能。将细胞自动识别分类技术引入血液临床检验中，能够减轻医师劳动强度，减少人为的误差，提高检测结果的精度和检测的效率。要完成白细胞图像识别分类的目标，要经过预处理与分割、图像特征提取、模式识别分类等一系列步骤。本文针对24位真彩色血液显微白细胞图像，应用计算机图像处理技术和识别技术，充分利用彩色图像丰富的信息，提出基于HSI颜色空间的白细胞显微图像分割，经过彩色空间转换后先利用饱和度分量信息提取细胞核，然后利用色度分量信息提取整个细胞，有效结合了颜色信息和基于区域、边界的方法进行白细胞分割，血细胞特征提取需要将细胞从复杂背景中分离出来，进行分析和分类，提取合理的特征。在深入分析显微白细胞图像特征的基础上从形状特征、纹理特征等几个方面入手对白细胞图像的特征进行描述与刻画。在分类识别方面，为了解决血细胞这种特征维度高并且类型复杂的图像对识别造成的困难，提高识别的精度，主要研究了BP神经网络分类器的设计。
范金坪[3]2010年在《宫颈细胞图像分割和识别方法研究》文中研究说明利用计算机技术和宫颈细胞病理学诊断技术对宫颈细胞图像进行定量分析和自动识别在宫颈癌和癌前病变的筛查及诊断中具有重要的实用价值和应用前景。由于宫颈细胞涂片制片和染色方式的差异性、背景的复杂性、细胞形态的多样性和不规则性、细胞重迭等使得宫颈细胞图像的计算机处理及识别难度较大。国内对于宫颈细胞图像的自动识别研究开展的较少,亟待突破和提高。本文在前人研究的基础上,结合宫颈细胞病理学基础知识,运用图像分析技术和模式识别技术,系统的研究了宫颈细胞图像的分割方法、特征参数的计算和选择以及宫颈细胞分类识别技术。内容主要涉及以下几个方面：利用宫颈细胞结构的特点,结合基于区域内一致性及区域间差异性的C-V模型,提出构建两个独立的水平集函数来逼近细胞组成区域的边界。根据细胞核、细胞质及背景区域间的灰度和面积差异性对水平集函数的演化方程进行定义及改进,将一个叁目标分割的问题转化为两个两目标分割的问题。由于ROI区域中可能存在多个连通细胞区域,提出一种提取主细胞连通区域的分割方法。对各类宫颈细胞图像的分割实验表明,通过调整两个独立水平集的加权系数就能够实现任意弱边界细胞图像组成区域的分割。在成功实现灰度宫颈细胞图像分割的基础上,结合基于矢量量化的C-V模型进行彩色宫颈细胞图像的分割。针对宫颈细胞图像中存在的细胞粘连及重迭的问题,结合极限腐蚀和凹区检测的方法对重迭细胞进行重迭判断和分离。已经将该方法成功的用于宫颈重迭细胞(核)图像的分离。在对宫颈细胞组成区域进行精确分割的基础上,提取出能对宫颈细胞进行分类识别的特征参数,主要包括形态、色度、光密度、纹理等共87个宫颈细胞特征参数。全面考虑特征选择的要求,利用遗传算法从原始特征集中选择特征,以特征的可靠性和可区分性原则定义适应度函数,自适应生成变异概率,采用两点交叉和最优保存策略来实现遗传算法。考虑到遗传算法初始种群生成的随机性,提出一个特征选择的评价准则。提取出满足特征评价准则的特征组合得到特征子集用于宫颈细胞图像的分类识别。使用具有一个单隐层的BP神经网络对遗传算法的特征选择结果进行验证,结果表明使用遗传算法选择出来的特征子集的识别率远高于原始特征集的识别率,证明使用遗传算法进行特征选择是有效的。鉴于单个神经网络的泛化性能不高,采用神经网络集成进行宫颈细胞图像的分类识别,使用Bagging算法生成个体神经网络。为了降低将癌变细胞识别为非癌变细胞的误识率及总体误识率,使用级联的方式将两个神经网络集成组合起来,组成一个两级神经网络集成。结果表明使用两级神经网络集成进行宫颈细胞图像的分类识别,不仅使总体误识率大大降低,而且最重要的是能降低将癌变细胞判别为正常细胞的误识率。本文对宫颈细胞图像的分割、特征提取和选择以及宫颈细胞识别等算法进行了系统的研究和改进。实验结果表明,本文提出的方法能够较好的完成宫颈细胞图像的定量分析和识别任务,为宫颈细胞图像自动分析系统的开发及实现奠定了理论基础。
七十叁[4]2008年在《基于不变矩的细胞识别及初步应用研究》文中研究说明细胞识别和分类计数的自动化是临床医学的重要研究课题之一,而获得一种有效的图像描述量是实现自动识别的关键问题。本实验首先分别建立了7种白细胞原始图像库和吞噬不同数目酵母菌的小鼠腹腔巨噬细胞原始图像库。前者由134种不同显微特征点的白细胞图像组成,后者由128个吞噬不同数目酵母菌的巨噬细胞显微特征组成。对该两种原始图像库中的每种细胞显微图像分别进行平移、旋转、尺度和灰度改变以及加噪声等6～8种变形处理,获取500个不同变形体图像,建立训练样本集图像库。然后利用变形雅可比(p=4,q=3)-傅里叶矩(Pseudo-Jacobi(p=4,q=3)-Fourier Moments ,PJFM’s)对训练样本集图像库中的图像进行数字化描述,并建立了对应的不变矩数据库。为了证明该不变矩对细胞显微图像的数字化描述性能以及抗畸变抗噪声性能,于N=M=10时对白细胞显微图像进行尺度、灰度、旋转、平移等多畸变归-化,并对部分白细胞显微图像分别于无噪声和加噪声条件下进行重建图像实验。另外,分别从训练样本集原始图像和变形体图像,新制备的涂片中随机选取共90个细胞图像,作为实验样本集,用最小平均距离规则进行初步识别实验。为进一步验证该不变矩的数字化描述性能以及对医学领域中的实际应用,建立小鼠腹腔巨噬细胞显微图像库和对应不变矩数据库,借助计算机用最小平均距离规则对25个典型视野的300个细胞图像进行半自动化分类计数。结果表明,用PJFM’s对7种白细胞显微图像进行图像归—化处理后发现,同种细胞图像不同变形体的PJFM’s的值基本相同,而不同种细胞图像的PJFM’s的值有较明显的差异。加噪声图像的重建实验结果显示,重建图像基本恢复了原始图像的主要信息;而且,对部分白细胞的识别实验结果较为理想,平均识别率达98.3%;小鼠腹腔巨噬细胞显微图像的平均分类计数准确率达97%。因此,该不变矩对细胞显微图像具有较好的数字化描述和抗多畸变、抗噪声性能,可作为细胞自动识别及分类计数的特征选择和提取量,以提高临床检测效率。
司访, 曹娜, 吕登飞[5]2018年在《人与四种实验动物血液图像分析方法综述》文中指出人和动物血液在气味和细胞抗体等方面存在显着性差异.法医学中通过金标检测试剂条(FOB)能够快速鉴别检材是否为人血,此法操作简单且较为灵敏,是常用的血液种属鉴定方法.人与动物血液细胞微观下呈现的图像和血细胞计数有何区别少有研究.在此以四种日常生活中常见的哺乳动物为例,阐述了动物血液样品的制作和图像分析方法,为研究人员开展相关实验提供思路.
刘俊丽[6]2007年在《牛乳体细胞图像处理及计数方法的研究》文中进行了进一步梳理牛乳体细胞数量是牛乳质量检测及奶牛乳腺炎诊断的一项重要指标。本研究的主要内容包括:牛乳体细胞图像预处理、分割、后处理、细胞计数和牛乳体细胞图像处理及计数系统的实现。首先将彩色图像通过加权平均法转化为灰度图像;然后采用高斯滤波去除噪声;分析现存的细胞图像分割方法,结合牛乳体细胞图像特征,采用Otsu方法与种子填充相结合的分割方法和基于阈值的分割方法;对于细胞核有分叶的图像,采用了基于图像融合技术的分割算法,该方法对边缘图像和分割后的图像进行融合,可获得边缘信息较好的分叶核细胞图像;针对一些影响准确计数的因素,采用形态学方法做后处理,最终得到以单个细胞为单连通域的二值图像。快速准确的对体细胞计数是研究的主要目的,分析、比较了目前存在的图像标记和计数方法,根据牛乳体细胞计数准则,采用“火蔓法”实现牛乳体细胞的图像计数。实验表明,该方法运行速度快、计数准确,适合牛乳体细胞图像计数。在C++ Builder下实现了牛乳体细胞计数软件,建立了简单的体细胞库。
唐娅琴[7]2007年在《彩色血液细胞图像的分割与识别方法研究》文中研究表明近年来,计算机及其相关技术的迅速发展及图形图像技术的日渐成熟,开创了数字图像处理的新时代,该技术也逐步渗入到医学领域中。借助计算机图像图形学、虚拟现实和计算机网络与技术的医学处理与分析,一直是国内外研究与应用的热点,其中医学图像处理是近叁十年来发展起来的新兴技术,而血液细胞图像自动识别则是运用计算机处理医学显微图像并识别对象物的代表性课题之一。本文针对彩色血液细胞显微图像,研究了如何运用计算机图像处理和识别技术实现其自动分析,主要内容包括:①研究了血液细胞显微图像的处理方法,采用了图像处理中的灰度拉伸、均值滤波,数学形态学的开闭运算等对图像进行预处理。对图像使用水平和竖直方向的中值滤波,使用较大的尺度,尽量的消除噪声影响。②在预处理图像上、运用阈值分割、种子点区域增长、轮廓跟踪、边缘提取等分割方法实现图像的分割,讨论并比较了各种方法的优缺点。特别地,在两个方向分别采用阈值限制以及局部最大值的方法来检验边界,同时融合了像素颜色信息和空间形状特征,综合利用了阈值方法和种子点区域生长方法,对细胞进行分割。③在细胞图像分割的基础上,分析了红细胞、白细胞图像的特征描述,抽取了能较全面反映血液细胞的几何形态特征和颜色特征。④研究了图像识别理论中的决策树分类方法、支持向量机、人工神经网络识别法等处理方法,并分析了每种方法的特点和适用性。最后实验选定了前向神经网络中的BP神经网络,并利用Matlab神经网络工具箱来进行实验。实验中采用叁种不同的学习算法:动量梯度下降算法,L-M(Levenberg-Marquardt)优化算法,贝叶斯正则化算法来训练网络,比较和分析了不同算法训练的实验结果。实验表明,采用BP神经网络中的L-M算法收敛速度快,分类识别正确率相对较高。
曾萍萍[8]2006年在《人体血液白细胞五分类数字图像处理系统》文中研究指明细胞计数是医院进行血液常规检查的项目之一。精确地测定人体血液中红细胞、白细胞的含量是临床诊断的重要依据。目前，白细胞自动计数仪主要采用电阻原理及光散射法，在视觉不能抵达的情况下，只能进行常规分类。图像分析方法，因其具有非常直观性，与人对细胞的判断分析方法非常接近，且能单独鉴别异常细胞，既可科学学习总结病理学家的诊断经验，又充分发挥了计算机视觉分辨率高和提取细胞特征灵活多样的特点，大大提高了工作效率、检测精度及个案分析能力。因此，研制一套可以自动识别白细胞的系统具有非常重要的意义。同时，由于数字化是生物学发展的趋势，而图像化是数字化的重要手段，因此该课题的研究对生物学其他方面的研究具有重要的借鉴意义。 血液图像自动识别系统是计算机、图像处理、模式识别及人工智能理论和技术互相结合的产物，它的原理是模仿人的“脑—眼”系统。本文首先分析了国内外的研究现状，提出了以显微镜、微机和彩色CCD摄像机为主体，应用计算机图像分析技术实现白细胞自动分类的实用化系统结构。在此基础上，对彩色细胞图像如何应用图像处理技术实现白细胞的自动分割进行了研究。首先对原始图像作从RGB(Red，Green，Blue)彩色空间到HSI(Hue，Saturation，Intensity)彩色空间的变换，根据经Wright染色细胞图像H分量含有较多信息量的特点，提取H分量图像；然后对图像的直方图作基于迭代双阈值的OTSU分割，分割出白细胞区域，并用形态学算法去除小斑块。在接下来的细胞标识中提出了一种基于边缘跟踪的快速标识算法，减少了对整幅图像的扫描时间，提高了系统的实时性。在提取出的单个白细胞进行阈值分割提取白细胞核；对相应的白细胞及其核区域作形态、光密度、纹理等特征的提取。 由于样本有限，基于提取出的特征，本文采用一种新的机器识别理论——支持向量机(Support Vector Machine)对白细胞进行分类识别。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，是专门针对有限样本情况的，其目标是得到现有信息是样本数趋于无穷大时的最优值下的最优解而不仅仅是有限情况；算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极值问题。支持向量机解决了由于样本少而难于达到识别精度及训练速度的问题。
王传永[9]2005年在《基于人工神经网络的血液细胞图像分割方法研究》文中研究说明随着计算机科学技术的发展,计算机在医学领域也得到了广泛的应用。其中的计算机辅助医疗外科技术以及计算机辅助诊断技术越来越受到人们的关注,尤其是在医学显微图像处理方面。传统的医学显微检测,它的工作效率低、工作强度大,存在主观的观察误差,对检测员的技术水平要求较高;加之它只能通过显微摄影进行图像记录,不能对图像进行必要的处理,不能快速存贮和再现,更不能通过网络远距离传输图像信息,因而已经远远不适应信息时代发展的新要求。而现代光电转换、计算机硬件、数据和图像处理软件等技术已经可以实现真彩色数字化医学显微图像的显示。在此基础上,针对血液细胞的具体观测要求,将难以观测的显微镜视场光学图像变成显示在计算机屏幕的大面积、高亮度、真彩色的经过自动识别的图像,以减轻专业技术人员在显微镜下从成千上万个目标中寻找、观测、捕捉异常小体等的劳动强度,并对观测细胞进行定量的色彩、形态等参数的分析和统计,辅助医生进行医疗诊断,使现代发展的迫切要求。本论文的研究工作主要围绕着BP神经网络的数字图像处理技术展开的,重点探讨了BP神经网络用于彩色血液细胞识别的可行性,并且用VC++实现了基于本方法的彩色细胞自动计数系统。本论文第二章介绍了关于人工神经网络的基本概念,对人工神经网络模型的构造进行详细的阐述,并介绍了几种常用的神经网络模型。其中对BP神经网络做了全面的讨论,并提出了BP神经网络的改进算法。第叁章介绍了数字图像处理的基本知识,并对彩色图像的处理方法作了详细的阐述,详细分析了色彩和形态学在图像分割中的应用,对不同的彩色空间的阈值分割效果作了比较,并在此基础上提出了从彩色和形态两个方面来对图像进行分割的方法。第四章阐述了目标特征提取的选取准则和提取方法,给出了统计分类理论的基本内容和基于目标面积分布的几种统计识别方法。第五章给出基于神经网络的彩色细胞自动计数系统的工作原理和系统结构。给出了软件实现的过程,并对细胞自动计数系统操作进行了简单的介绍。本论文主要有以下创新点:1.将HIS色彩空间和RGB色彩空间下单通道的图像阈值分割效果进行比较,提出了HIS色彩空间阈值分割优于RGB色彩空间阈值分割。2.提出基于色彩和形态两个方面综合的图像分割方案。此方案可大大减少无关数据的处理,从而加快彩色目标识别过程。3.采用BP神经网络模型实现了彩色目标的色彩分割和形态提取,提高了图像分割的准确度,为图像识别打下基础。
张晓光[10]2017年在《基于聚类算法的红细胞形态分析与研究》文中研究说明随着经济的发展,人们的生活质量和文化水平不断提升,大家越来越重视自身及家人的健康问题,人体健康情况与红细胞的形态和数量息息相关,许多疾病的诊断必须依靠红细胞形态与数量作为依据。本文根据红细胞自动识别系统的作业要求,运用图像处理及模式识别技术,对其中的关键技术进行研究,用实验进行论证,较好地解决了红细胞分类识别的问题。本文针对红细胞显微图像自动识别系统的研究课题,在前人工作的基础上,对红细胞语义模型的建立、红细胞图像分割算法、红细胞特征提取与选择、模糊聚类分类识别等方面进行研究和实验,主要完成以下工作:1、在图像分割研究方面,在分析红细胞图像特点及部分分割算法后,提出了一种基于图割的红细胞分割算法,此算法是通过迭代的方式将目标从一个复杂的背景中提取出来,解决了无关区域和内部空洞对分割的影响和多粘连细胞的分割效果差的问题,减少了算法的复杂性,提高了分割速度和分割准确率。2、在形状特征提取中,研究了各类异形红细胞的基本形态,然后逐类建立语义模型,根据语义模型确定模型特征的数学表述方法,提出了边缘突起点和凹点两个新的形状特征,然后对其他形状特征进行改善和选择,为进一步识别各种异形红细胞提供了依据,并且提高了运行效率和分类准确率。3、在纹理特征提取中,采用共生矩阵分析法描述红细胞的纹理特征,经过实验数据的对比,选取了基于共生矩阵的二阶矩、对比度、相关性、熵、逆差矩、和熵、均值差、差熵、方差和9个纹理特征。4、学习了模糊聚类的基本原理,研究了FCM聚类算法,针对其算法在模糊距离计算方面的不足进行了改进,提高了算法的速度和准确度。采用改进的FCM算法对11类红细胞进行聚类识别,对聚类结果进行了分析。实验证明采用改进的聚类算法实现了代码的高效运行,提高了图像数据处理的效率,满足图像实时处理的工程需求,完成了对红细胞的分类,得到较好的分类效果。
参考文献：
[1]. 血液细胞图像自动识别系统的开发[D]. 汤学民. 清华大学. 2004
[2]. 血液白细胞显微图像分割与识别的研究[D]. 俞乐. 内蒙古科技大学. 2012
[3]. 宫颈细胞图像分割和识别方法研究[D]. 范金坪. 暨南大学. 2010
[4]. 基于不变矩的细胞识别及初步应用研究[D]. 七十叁. 内蒙古农业大学. 2008
[5]. 人与四种实验动物血液图像分析方法综述[J]. 司访, 曹娜, 吕登飞. 赤峰学院学报(自然科学版). 2018
[6]. 牛乳体细胞图像处理及计数方法的研究[D]. 刘俊丽. 内蒙古农业大学. 2007
[7]. 彩色血液细胞图像的分割与识别方法研究[D]. 唐娅琴. 重庆大学. 2007
[8]. 人体血液白细胞五分类数字图像处理系统[D]. 曾萍萍. 南昌大学. 2006
[9]. 基于人工神经网络的血液细胞图像分割方法研究[D]. 王传永. 天津理工大学. 2005
[10]. 基于聚类算法的红细胞形态分析与研究[D]. 张晓光. 湘潭大学. 2017
标签：计算机软件及计算机应用论文; 白细胞论文; 红细胞论文; 图像分割论文; 特征提取论文; 图像融合论文; 神经网络论文;