一种多分类器融合的单个宫颈细胞图像分割、特征提取和分类识别方法研究

摘要

宫颈癌是女性最常见恶性肿瘤之一，定期进行宫颈筛查，可大大降低死亡率，但是定期筛查产生大量细胞涂片，给阅片医师造成了巨大压力。以宫颈细胞病理学诊断技术为基础，利用计算机对宫颈细胞涂片进行定量分析和自动判读，在宫颈癌早期筛查和诊断中具有相当大的实用价值。
　　本论文以宫颈细胞图像自动化分类识别为研究目标，在前人研究的基础上，运用数字图像处理和模式识别技术，提出了一种基于模糊积分多分类器融合的宫颈细胞图像分类识别方法，内容主要针对宫颈细胞的分割、特征提取及分类识别技术进行了研究，包括单个宫颈细胞图像细胞质、细胞核轮廓的精确定位、细胞图像的纹理特征提取及利用模糊积分进行多分类器融合，捕食模型优化模糊测度，提高宫颈细胞分类准确度。完成的主要研究工作如下:
　　(1)提出一种基于改进的CV模型，用以单细胞图像细胞核、细胞质轮廓的精确分割。首先，本文对结合梯度信息的活动轮廓模型拟合中心加权计算引入自适应权重项w，其次，构造负指数形式的g|（▽I）|作为速度函数并用|▽φ(x,y)|取代δε（φ（x,y）），获得更加清晰的图像边缘;最后，引入广义模糊算子，以加强模糊边界对演化曲线的吸引，提高了分割速度和分割的准确性。
　　(2)对单个宫颈细胞进行了定量分析，对分类特征进行了归纳总结，提取了单个宫颈细胞的形态、色度、光密度、纹理特征，发展了一种融合局部二进制（LBP）和共生矩阵(GLCM)的方法进行纹理特征提取方法，采用遗传算法进行特征降维，实现特征优化组合，用于后续分类识别。
　　(3)分别构造支持向量机(SVM)分类器、K-近邻(KNN)分类器、人工神经网络(ANN)分类器，利用模糊积分将构造好的三个单分类器进行融合后对宫颈细胞图像进行模式识别，为了优化识别结果，提出捕食模型来优化模糊测度，从而使分类器性能达到最优。
　　最后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数值仿真实验。实验结果表明，本文提出的方法能够很好的完成宫颈细胞图像模式识别，具有很好的实用价值。

目录

摘要

第1章 绪论

1．1 课题来源

1．2 课题背景与社会意义

1．3 实验标准数据集

1．4 论文的研究内容与组织结构

第2章 宫颈细胞图像病理学基础知识

2．1 宫颈细胞的基础知识

2．1．1 宫颈细胞结构

2．1．2 宫颈病变的分类

2．1．3 宫颈细胞学检验技术与规程

2．1．4 宫颈细胞图像识别研究现状综述

2．1．5 宫颈细胞图像分割研究现状

2．1．6 宫颈细胞图像特征提取分类研究现状

2．1．7 宫颈细胞图像分类研究现状

第3章 基于改进CV模型的单个宫颈细胞图像分割

3．1 引言

3．2 单个宫颈细胞图像的预处理

3．2．1 图像灰度化

3．2．2 基于三维块匹配(BM3D)方法去噪

3．3 单个宫颈细胞图像初始轮廓提取

3．3．1 基于Otsu算法的分割

3．3．2 自适应双阈值分割算法

3．4 基于改进的活动轮廓模型的单个宫颈细胞图像分割

3．4．1 引言

3．4．2 背景理论

3．4．3 传统的CV模型

3．4．4 基于改进CV模型的单个宫颈细胞图像分割

3．4．5 数值仿真实验与结果分析

3．5 本章小结

第4章 宫颈细胞图像特征提取方法研究

4．1 引言

4．2 宫颈细胞的形态特征

4．3 宫颈细胞色度特征

4．4 宫颈细胞的光密度特征

4．5 宫颈细胞的纹理特征

4．6 宫颈细胞的特征选择

4．6．1 特征选择方法

4．6．2 遗传算法

4．7 本章小结

第5章 基于单个分类器的宫颈细胞分类

5．1 基于支持向量机(SVM)的宫颈细胞分类算法

5．1．1 支持向量机(SVM)的基本原理

5．1．2 基于SVM分类器的设计

5．2 基于KNN的宫颈细胞分类算法

5．2．1 KNN算法的基本原理

5．2．2 基于KNN分类器的设计

5．3 基于BP人工神经网络(ANN)的宫颈细胞分类算法

5．3．1 ANN-BP算法的基本原理

5．3．2 基于ANN-BP分类器的设计

5．4 实验与结果分析

5．5 本章小结

第6章 基于模糊积分多分类器融合的宫颈细胞分类识别

6．1 模糊测度与模糊积分

6．1．1 模糊测度

6．1．2 模糊积分

6．2 基于模糊积分的多分类器融合模型

6．2．1 融合系统中的不确定性分析

6．3 模糊测度的确定

6．3．1 启发式定义模糊测度方法

6．3．2 优化方法

6．3．3 随机搜索方法

6．4 捕食模型优化模糊测度算法研究

6．4．1 捕食与被捕食系统微分方程模型与差分方程模型

6．5 基于捕食模型优化模糊测度

6．5．1 捕食与被捕食算法优化模糊测度模型建立

6．6 数值仿真实验与结果分析

6．7 本章小结

第7章 结论与展望

参考文献

在学期间取得的科研成果

致谢

声明