基于角膜图像特征的死亡时间估计方法研究

摘要

死亡时间估计是法医学的一个重要研究领域，角膜的视觉特征变化是一种重要的死后变化，其在法医实践中也有广泛采用的基础。合适角膜图像特征有助于确定客观的量化指标，同时建立特征指标同死亡时间关系的模型，提高推断的准确性和精确度。
　　首先由于采集数据为眼部图像，包含了其他区域的信息，因此需要提取准确的兴趣域以排除无关信息的干扰。眼部图像的像素分布特点可以确定通过像素聚类的方法，实现提取兴趣域的目标。为了改进传统的K-means聚类方法无法自适应确定聚类目标数和聚类结果受到初始类质心影响的局限，采用层次聚类确定聚类目标数，利用Canopy聚类确定聚类的初始质心，从而提高了聚类结果的稳定性。随后利用形态学处理修补图像中的断缺部分与空洞。基于以上结果，继续采用Greedy算法计算Snake主动轮廓线模型，精化提取兴趣域，最终得到比较准确的角膜兴趣域。
　　其次依据法医学实践的专家知识，提取透明度与纹理特征作为图像特征。对于透明度的特征提取问题，通过眼部结构验证了角膜图像符合暗通道先验，随后结合通道衰减的先验，推导了角膜透明度估计的数学模型。对于纹理特征提取问题，利用Tamura纹理特征进行描述。针对纹理中存在的兴趣域和非兴趣域混合的干扰，改进了粗糙度和方向度的算法，根据改进后算法提取角膜图像的纹理特征。
　　最后针对提取的透明度特征和纹理特征的分类能力进行了一系列测试。实验首先证明了透明度模型的可行性，随后说明了采用一维透明度表达的弊端，然后在高维特征空间对透明度特征进行表达，在SVM和KNN分类器上验证了高维透明度特征出色的分类能力。随后为了减少数据的存储和消除冗余信息，经过比较，实验采用KPCA分别降维至不同维度的低维空间，同时检测降维之后数据的分类能力，确定了分类效果最佳的低维空间。最后将低维透明度特征同纹理特征结合用于样本分类，同时检测了它们对于识别率和绝对误差两项指标影响，并且同目前相关方法进行了比较。
　　实验结果证明提取的图像特征确定的死亡时间估计方案较之前的方法有很大的提升，在较高时间精度要求下，平均分类正确率可达到85％。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1研究背景及意义

1.2课题的来源

1.3课题的研究现状和研究趋势

1.4论文的研究内容

1.5论文组织结构

2 角膜图像的预处理

2.1角膜图像数据集

2.2基于图像分割的区域聚类

2.3形态学图像处理

2.4兴趣域的分割精化

2.5本章小结

3 角膜图像的特征提取

3.1透明度特征的估计

3.2纹理特征的估计

3.3本章小结

4 基于分类方法的死亡时间估计

4.1实验环境

4.2实验方法

4.3实验结果与分析

4.4本章小结

5 总结与展望

5.1全文总结

5.2研究展望

致谢

参考文献