细胞图像特征提取技术与ID3识别算法及研究及实现

论文摘要

细胞图像自动检验与识别是生物医学工程领域的热点问题,具有重大的理论和实践意义,可以提高医学检验的效率,将医生从繁杂的重复性劳动中解脱出来,并且摆脱对检验者知识和经验的依赖,提高检验的权威性。论文围绕细胞图像特征提取技术和决策树自动识别ID3算法进行了研究,主要完成了以下工作:（一）在研究传统的图像形状特征提取方法基础上,提出了一种基于图像边界角点检测的多边形近似形状特征提取算法,定义了边界梯度变化直方图的均方梯度、方向梯度中值、阈值面积比、角点数与顶点数比四维特征,很好地描述了管型和结晶细胞边界特点。（二）提出了一种融合纹理谱图像增强技术和统一Hu矩不变性特征提取的新方法。实验表明,该方法提取的纹理特征能够很好地区分红细胞和白细胞。（三）针对样本数据分布先验知识少的特点,提出了一种基于特征直方图均衡的数据规范化方法,可以将样本数据的各种分布规律转换为均匀分布,增强数据的可分性,加快决策树学习速度。（四）采用C-均值聚类算法实现了决策树ID3算法,可以消除ID3算法选择取值较多特征的倾向,提高决策树学习的效率和应用的精度。（五）共提取了25维细胞图像形状和纹理特征组成特征库,实现了细胞图像的自动识别,该系统的精度和速度都能满足实际需求,目前已经用于临床实践。将论文研究成果应用于细胞自动识别系统中去,实验表明,系统识别率得到提高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 论文研究背景与意义
• 1.2 国内外相关研究发展与现状
• 1.3 论文内容与结构安排
• 第二章 细胞图像特征提取技术
• 2.1 图像形状和纹理特征提取基本方法
• 2.1.1 图像几何特征提取
• 2.1.2 图像边界链码的Fourier系数形状特征提取
• 2.1.3 图像基本纹理特征提取
• 2.1.4 Tamura纹理特征
• 2.1.5 空间共生矩阵特征提取
• 2.2 基于图像边界角点检测的多边形近似形状特征提取
• 2.2.1 角点的定义
• 2.2.2 基于图像边界角点检测的多边形近似
• 2.2.3 多边形近似效果评价
• 2.2.4 基于多边形近似的形状特征提取
• 2.2.5 实验结果与分析
• 2.3 图像HU矩特征提取
• 2.3.1 矩
• 2.3.2 Hu矩及其不变量
• 2.3.3 统一Hu矩
• 2.3.4 实验结果与分析
• 2.4 基于纹理谱图像的纹理特征提取
• 2.4.1 纹理谱图像
• 2.4.2 融合纹理谱图像和统一Hu矩的特征提取
• 2.4.3 算法流程
• 2.4.4 实验结果与分析
• 2.5 小结
• 第三章 决策树技术及ID3 算法
• 3.1 决策树基本知识
• 3.1.1 决策树的基本概念
• 3.1.2 决策树的结构
• 3.1.3 决策树的工作过程
• 3.1.4 决策树的优化标准
• 3.1.5 决策树的优劣
• 3.1.6 决策树的适用范围
• 3.2 ID3 算法及其扩展
• 3.2.1 信息增益
• 3.2.2 ID3 算法
• 3.2.3 ID3 算法的优劣
• 3.2.4 ID3 算法的改进
• 3.3 决策树算法中的一些普遍问题
• 3.3.1 数据预处理技术
• 3.3.2 决策树剪枝问题
• 3.3.3 决策树性能评价
• 3.4 小结
• 第四章 细胞自动识别设计与实现
• 4.1 体液细胞自动识别各子系统结构设计与实现
• 4.1.1 特征提取子系统
• 4.1.2 决策树学习子系统
• 4.1.3 细胞图像自动识别子系统
• 4.2 基于特征直方图均衡的样本数据规范化
• 4.2.1 样本数据线性规范化方法
• 4.2.2 基于特征直方图均衡的样本数据规范化方法
• 4.2.3 实验结果与分析
• 4.3 决策树ID3 算法的实现
• 4.3.1 信息增益率的计算
• 4.3.2 决策树生长停止条件的选取
• 4.3.3 决策树的后处理
• 4.3.4 决策树性能的分析和评价
• 4.3.5 算法流程与实现
• 4.3.6 实验结果与分析
• 4.4 小结
• 第五章 结束语
• 5.1 本文主要的工作及创新
• 5.2 下一步的研究方向
• 致谢
• 参考文献
• 作者在学期间取得的学术成果