圖像識(shí)別技術(shù)在豬藍(lán)耳病診斷中的應(yīng)用研究.pdf

1、從PRRS診斷出發(fā)，通過(guò)圖像識(shí)別技術(shù)對(duì)淋巴結(jié)細(xì)胞含量水平進(jìn)行分析，從而輔助PRRS的診斷。主要研究?jī)?nèi)容如下：
　　(1)研究了目前PRRS的國(guó)內(nèi)外研究現(xiàn)狀以及圖像識(shí)別技術(shù)在醫(yī)療診斷領(lǐng)域的研究現(xiàn)狀。
　　(2)圖像預(yù)處理研究。由于醫(yī)學(xué)圖像的復(fù)雜性和實(shí)驗(yàn)環(huán)境的影響，不能將原始醫(yī)學(xué)圖像用于圖像分割。針對(duì)不均勻光照的問(wèn)題，引入了HSI顏色空間模型，解除了彩色信息和光強(qiáng)度的關(guān)系。對(duì)常用的濾波算法和邊緣檢測(cè)方法進(jìn)行系統(tǒng)的對(duì)比研究，對(duì)數(shù)學(xué)

2、形態(tài)學(xué)進(jìn)行了簡(jiǎn)要介紹。
　　(3)基于分水嶺的圖像分割改進(jìn)算法研究。在平滑濾波方面，通過(guò)實(shí)驗(yàn)選取雙邊濾波作為分水嶺算法的平滑算法，減少了過(guò)分割區(qū)域。在標(biāo)記提取方面，引入人工啟發(fā)信息，基于HSI彩色圖像分割并結(jié)合形態(tài)學(xué)操作設(shè)計(jì)了標(biāo)記提取方法,得到了有意義的細(xì)胞標(biāo)記。在區(qū)域合并方面，針對(duì)傳統(tǒng)區(qū)域合并的高時(shí)間消耗問(wèn)題，引入了標(biāo)記信息，設(shè)計(jì)了基于區(qū)域生長(zhǎng)的合并方法。在設(shè)計(jì)區(qū)域合并的距離度量時(shí)，充分利用了彩色圖像的豐富信息，從顏色、紋理、公

3、共邊緣三方面設(shè)計(jì)了區(qū)域合并的準(zhǔn)則，取得了較好的效果。
　　(4)特征系統(tǒng)提取方法及特征規(guī)約研究。從形狀、紋理、顏色三方面對(duì)細(xì)胞進(jìn)行了系統(tǒng)的特征提取。結(jié)合PCA特征變換和ReliefF特征選擇各自的優(yōu)點(diǎn)，提出了一種基于PCA和ReliefF的特征規(guī)約方法，該方法有效地降低了特征維數(shù)，消除了特征間的不相關(guān)性，并剔除了對(duì)分類(lèi)預(yù)測(cè)貢獻(xiàn)較小的特征。
　　(5)基于分水嶺的圖像分割改進(jìn)算法研究。對(duì)于淋巴結(jié)這樣的復(fù)雜醫(yī)學(xué)圖像，單個(gè)分類(lèi)器識(shí)

4、別效率并不理想。而集成學(xué)習(xí)能夠顯著地提升分類(lèi)器的性能，故對(duì)其進(jìn)行了深入研究。針對(duì) AdaBoost對(duì)噪聲敏感的特性，提出了基于聚類(lèi)的樣本去噪方法，提升了 Adaboost算法的穩(wěn)定性及識(shí)別準(zhǔn)確率。并進(jìn)一步提出了基于聚類(lèi)的大規(guī)模樣本集簡(jiǎn)樣方法。還從提高基分類(lèi)器差異度角度入手，在AdaBoost和Bagging算法中引入隨機(jī)擾動(dòng)，進(jìn)一步提升了學(xué)習(xí)器的泛化能力。綜合上述研究成果，利用加權(quán)投票設(shè)計(jì)了二級(jí)分類(lèi)器集成方法，并基于模塊化設(shè)計(jì)和管道思想