学位论文 > 优秀研究生学位论文题录展示
鼻咽癌细胞协同模式分类识别方法研究
作 者: 邹刚
导 师: 孙即祥
学 校: 国防科学技术大学
专 业: 电子科学与技术
关键词: 智能识别 协同模式识别 协同神经网络 鼻咽癌细胞分类 模糊C均值聚类 粒子群优化 边缘检测 细胞散点图 Snake模型 原型模式修正 记忆梯度法 Contourlet变换 粗糙集约简 序参量变换 差分进化方法 均方适应度方差 协同不变性
分类号: TP391.41
类 型: 博士论文
年 份: 2010年
下 载: 42次
引 用: 0次
阅 读: 论文下载
内容摘要
医学显微图像自动识别与分析一直是生物医学工程领域的研究热点。论文围绕鼻咽癌显微细胞图像中有形成分提取过程和基于协同模式分类识别方法的关键技术展开研究,在细胞图像的有形成分提取方面主要研究了细胞图像的滤波、分割技术、细胞边缘的提取技术、重叠细胞的分割及重叠区域的修复技术;在鼻咽癌细胞的协同模式分类识别方法方面重点研究了协同模式识别的学习方法、协同神经网络的优化方法和协同模式识别的不变性等关键技术,并将协同模式识别应用到了鼻咽癌细胞的智能分类识别上,并对各种算法都进行了实验和分析。在鼻咽癌细胞的有形成分提取方面,首先分析了细胞图像的主要降质因素及噪声模型,采用了基于梯度与各向异性扩散方程的自适应去噪方法,在选择性过滤图像背景噪声和脉冲噪声的同时,保留了图像中目标边缘细节信息。针对于细胞图像分割,提出了一种基于粒子群优化模糊C均值与Markov随机场的耦合聚类分割算法,以分割细胞和组织,利用模糊C均值算法局部搜索的特点,将粒子群优化聚类结果作为后续FCM算法的初始值,同时采用Markov随机场与模糊聚类的耦合策略计算适应度函数,在考虑灰度信息的同时,利用像素的空间信息对分割的影响以提高分割的效果。在细胞边缘提取方面,改进了多尺度形态边缘检测算法,用不同尺度的结构元素分别检测出图像的不同尺寸的边缘信息,然后采用证据加权的融合方法对不同尺寸的边缘图像进行融合,通过细胞的边缘信息获取单个细胞。针对显微病理图像中常有的细胞重叠现象,提出了一种组合细胞散点图和改进Snake模型的重叠细胞分割方法及重叠区域的修复方法;在获取边界重叠掩膜图像的基础上,针对因重叠导致重叠区域图像信息变化的情况,采用了一种自适应迭代卷积的快速图像修复方法。协同模式识别学习算法是协同模式分类识别主要研究的内容,本文从四个角度出发对协同模式识别的学习方法进行了改进,首先改进了协同原型模式的修正方法,利用粒子群的全局优化能力控制修正力度,以减少样本“过修正”现象,获取最优协同原型模式。接着,从原型模式和伴随模式同时学习的角度出发,提出了一种基于记忆梯度法的协同模式学习算法,利用协同势能函数的进化过程,将记忆梯度法引入到协同进化的动力学过程,将求解原型模式和伴随模式归结为求解非线性最优化问题,以同时获得最优原型模式和伴随模式。然后,从降低实验模式的相关性以提高协同模式识别性能的角度出发,提出了一种基于非下抽样Contourlet变换的稀疏协同模式学习方法,将Contourlet变换和协同模式识别进行结合,采用非下抽样Contourlet变换获得训练样本的低频和高颇变换系数,并根据其特点通过融合以获得模式的最优稀疏表示,消除样本冗余信息的影响,以生成最优原型模式。最后,将传统的细胞特征参数提取和协同模式分类方法相结合,提出了一种基于粗糙集约简特征维数的鼻咽癌细胞协同原型模式选择方法,在已有的细胞特征参数基础上,通过粗糙集区分矩阵约简的方法生成不同维数的约简集,然后通过协同分类方法检验生成的约简集,根据识别结果,从不同约简集中选择最适合鼻咽癌细胞协同分类的约简集以生成协同原型模式。在协同神经网络的优化方面,从序参量变换的角度,提出了一种正交逼近的协同神经重构网络模型,针对这种模型,采用了一种协同序参量的正交逼近的变换方法,利用正交多项式函数的逼近能力,将其应用到协同神经网络中以获取序参量变换参数,并在训练过程中引入快速的权值确定法以提高重构速度,加入序参量变换层以提高协同神经网路的自学习能力。从协同神经网络参数优化的角度,提出了一种基于差分进化的协同神经网络约简参数优化方法,对约简的参数模型利用差分进化的方法搜索最优协同进化参数,同时采用了均方适应度方差的机制自适应调整搜索速度和搜索精度,克服差分进化算法参数调整困难的不足,以提高差分算法的寻优能力,从而提高整个协同神经网络的性能。在协同模式识别不变性方面,采用了一种新的基于共轭梯度优化仿射参数估计的协同不变性算法,将协同神经网络中的匹配问题转化为函数优化问题,通过势能函数的进化,采用试验模式和仿射参数交替迭代的优化策略估计最优参数,通过协同神经网络中测试模式和原型模式同化等效的推论,然后由序参量进化方程得到正确的识别模式。
|
全文目录
摘要 10-12 Abstract 12-15 第一章 绪论 15-26 1.1 课题应用背景与研究意义 15-16 1.2 国内外研究状况 16-22 1.2.1 单个细胞的有形成分分割提取研究 17-18 1.2.2 传统的细胞分类识别研究 18-19 1.2.3 协同模式识别研究 19-22 1.3 论文的主要工作及创新 22-24 1.4 论文内容与组织 24-26 第二章 鼻咽癌协同模式识别方法及细胞图像预处理 26-60 2.1 鼻咽癌协同模式识别方法 26-34 2.1.1 鼻咽癌细胞学诊断概述 26-27 2.1.2 协同学基本概念及协同模式识别方法 27-34 2.2 显微图像的处理 34-58 2.2.1 图像去噪 34-37 2.2.2 图像分割 37-45 2.2.3 细胞边缘提取 45-50 2.2.4 重叠细胞的分离和重叠区域重建 50-58 2.3 本章小节 58-60 第三章 协同模式识别学习算法 60-95 3.1 引言 60-62 3.2 最优原型模式的求解方法 62-66 3.2.1 概述 62 3.2.2 粒子群优化的原型模式重构方法 62-64 3.2.3 实验与分析 64-66 3.3 势能函数最优化的协同学习算法 66-76 3.3.1 概述 66-67 3.3.2 势能函数优化模型 67-68 3.3.3 记忆梯度法的基本原理 68-70 3.3.4 基于记忆梯度法的势函数优化的算法 70-73 3.3.5 实验和分析 73-76 3.4 基于稀疏变换的协同模式学习方法 76-87 3.4.1 概述 76-77 3.4.2 图像的稀疏表示 77-81 3.4.3 多尺度融合的协同原型模式生成 81-85 3.4.4 实验结果和分析 85-87 3.5 基于粗糙集约简的协同模式识别学习方法 87-93 3.5.1 概述 87-88 3.5.2 粗糙集区分矩阵属性约简算法 88-89 3.5.3 图像特征提取及选择 89-90 3.5.4 基于粗糙集约简特征的的协同模式识别分类方法 90-92 3.5.5 实验结果和分析 92-93 3.6 本章小节 93-95 第四章 优化协同神经网络的鼻咽癌分类识别 95-124 4.1 引言 95-96 4.2 协同序参量层的优化 96-111 4.2.1 序参量层几何意义 96-98 4.2.2 序参量层变换 98 4.2.3 传统的序参量变换方法 98-101 4.2.4 正交逼近的序参量变换方法 101-107 4.2.5 实验结果和分析 107-111 4.3 协同神经网络参数优化 111-123 4.3.1 协同神经网络参数分析 112-115 4.3.2 协同神经网络参数优化算法 115-119 4.3.3 实验结果与分析 119-123 4.4 本章总结 123-124 第五章 协同不变性方法 124-134 5.1 概述 124-125 5.2 基于势函数共轭梯度交替迭代的协同不变性算法 125-129 5.2.1 仿射变换 125 5.2.2 协同仿射不变性方法 125-126 5.2.3 基于势函数共轭梯度交替迭代的协同不变性算法 126-129 5.3 实验结果和分析 129-133 5.4 本章总结 133-134 第六章 结论与展望 134-138 6.1 工作总结 134-135 6.2 研究展望 135-138 致谢 138-140 参考文献 140-155 作者在学期间取得的学术成果 155-157 附录A 数据及相关的公式推导 157-163
|
相似论文
- 基于差别矩阵的模糊粗糙集约简,TP18
- 动态集成粗糙集约简,TP18
- 基于数据挖掘的网络入侵检测方法的研究,TP393.08
- 基于朴素贝叶斯的分类方法研究,TP183
- 用数据挖掘实现智能入侵检测,TP393.08
- 轮廓波变换及其在图像处理中的应用,TP391.41
- 基于压缩感知的分布式视频编码技术研究,TN919.81
- 基于压缩传感的重构算法研究,TN911.7
- 可见光和红外光图像融合算法研究,TP391.41
- 基于变分偏微分方程的图像融合方法研究,TP391.41
- 多聚焦图像融合技术研究,TP391.41
- 基于GVF Snake模型的边缘检测研究,TP391.41
- 虚拟视点生成算法研究,TP391.41
- 基于多尺度图像融合方法研究,TP391.41
- 鲁棒性数字水印算法研究,TP309.7
- 基于非采样Contourlet变换与小波变换的图像去噪方法研究,TP391.41
- 基于Contourlet变换的多聚焦图像融合研究,TP391.41
- 基于结构信息的图像质量评价方法研究,TP391.41
- 基于内容的图像检索方法研究,TP391.41
- 鲁棒性图像水印算法研究,TP309.7
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|