基于机器学习的白带菌类光学图像识别算法研究

摘要

阴道疾病是女性的高发病之一，其中白带常规检查是最常见的检查项目之一，而阴道清洁度是其中最重要的一个指标，阴道清洁度主要是通过判断白带中菌类的种类以及数量来得出的。目前国内外大多数医院，还是依靠人工镜检的方式，通过观察显微镜视野中的有形成分的种类以及大致数量，然后根据经验得出清洁度指标。传统方法缺乏一个定量的标准，存在检测效率低下、准确度不高等缺点。鉴于此，本文提出了一种白带显微图像菌类的自动识别算法，能精确快速得出白带显微图像中霉菌等细菌的数量及类型。该算法主要采用主成分分析、Haart特征、方向梯度直方图以及机器学习等方法来准确识别白带显微图像中的霉菌、杆菌等细菌。 本研究主要内容如下： 首先，介绍了传统人工白带常规检查的缺点和不足以及对白带显微图像进行智能识别研究的学术意义和社会意义，进一步描述了国内外对医学显微图像自动识别的研究现状。 其次，介绍了用于获取白带显微图像的仪器及其参数，紧接着，讲述了如何对获取的白带显微镜检图像进行预处理，从而精确地获得待检测区域，该步骤包括灰度化，图像平滑，形态学处理，图像分割。然后对获得的待检测区域通过圆形度和面积等几何特征识别出球菌和杆菌。 最后，结合图像的Gabor特征、LBP特征、Haar特征和Hog特征，利用决策树、Adaboost和SVM三种机器学习方法来训练霉菌的分类模型，由于某些特征的维度较高，利用PCA算法先降低维度再训练。通过不同分类器对应不同的图像特征进行训练，利用交叉验证法得出每种分类器训练不同特征得到的分类模型的平均性能，并以准确率，灵敏度和特异度为指标，对训练结果进行了分析。在此基础上，本文提出了一种综合多种特征并对分类器识别结果进行投票的算法。经过相关理论分析后，对700幅白带显微镜检图像采用改进后的算法进行了测试，统计得到霉菌的识别率高达96.7%，误检率和漏检率均控制在4%以下，杆菌和球菌的则识别率接近百分之百，满足临床指标要求。

目录

声明

第一章 绪 论

1.1 应用背景及研究意义

1.2 国内外研究现状

1.3 论文主要研究内容

第二章 白带显微图像的获取及预处理

2.1 白带显微图像的采集

2.2 白带显微图像中菌类形态特征及临床意义

2.3 白带显微图像的锐化

2.3.1 梯度计算

2.3.2 锐化算子

2.4 白带显微图像的平滑

2.4.1 均值滤波法

2.4.2 中值滤波法

2.4.3 阈值邻域平均法

2.5 白带显微图像的形态学运算

2.5.1 腐蚀及其应用

2.5.2 膨胀及其应用

2.5.3 开运算和闭运算

2.5.4 顶帽运算和底帽运算

2.6 白带显微图像的分割

2.6.1 基于阈值的分割方法

2.6.2 基于边缘的分割方法

2.6.3 基于区域的分割方法

2.6.4 杆菌以及球菌的识别步骤

2.7 整理训练集

2.8 本章小结

第三章 霉菌图像的特征提取

3.1 霉菌图像的Haar特征

3.1.1 Haar特征个数

3.1.2 积分图

3.1.3 提取霉菌图像的Haar特征

3.2 霉菌图像的方向梯度直方图特征

3.2.1 图像方向梯度计算

3.2.2 构建梯度方向直方图

3.2.3 归一化梯度直方图

3.2.4 提取霉菌图像的HOG特征

3.3.1 LBP原理

3.3.2 LBP的改进

3.3.3 双线性插值

3.3.4 提取霉菌样本图像的LBP特征

3.4 霉菌图像的Gabor特征

3.4.1 傅里叶变换

3.4.2 Gabor核

3.4.3 提取霉菌图像的Gabor特征

3.5 主成分分析

3.5.1 最大方差理论

3.5.2 最小二乘法

3.5.3 主成分信息占比

3.5.4 PCA实现

3.6 本章小结

第四章 基于机器学习的霉菌识别算法

4.1.1 评价方法

4.1.2 评价指标

4.2 基于决策树的霉菌识别算法

4.2.1 信息增益

4.2.2 C4.5决策树生成算法

4.2.3 决策树的剪枝

4.2.4 决策树模型的训练

4.3 基于支持向量机的霉菌识别算法

4.3.1 线性分类器

4.3.2 非线性支持向量机

4.3.3 松弛变量

4.3.4 样本偏斜

4.3.5 SVM模型训练

4.4.1 Adaboost介绍

4.4.2 AdaBoost算法过程

4.4.3 Adaboost模型训练

4.5 本章小结

第五章 改进的霉菌机器学习识别算法及结果分析

5.1 改进的霉菌机器学习识别算法

5.2 训练改进后的算法及结果分析

5.3 测试菌类识别算法

5.4 识别结果及分析

5.5 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

缩略词

攻读硕士学位期间取得的研究成果