法律状态公告日
法律状态信息
法律状态
2020-01-31
授权
授权
2016-11-30
实质审查的生效 IPC(主分类):G06K9/46 申请日:20160530
实质审查的生效
2016-11-02
公开
公开
技术领域
本发明属于生物医学信息处理领域,尤其涉及一种中药材显微图像的特征提取与识别检索方法。
背景技术
脉冲耦合神经网络(PCNN)是根据猫、猴等哺乳动物大脑视觉皮层上同步脉冲发放现象提出的,有着良好的生物学背景,该模型具有动态变阈值、非线性调制耦合、同步脉冲发放、动态脉冲发放及时空总和等特性,使得PCNN在信号处理应用,特别是在图像处理应用中显示了巨大的优越性。但传统PCNN模型还存在以下理论不足及技术缺点:
(1)该模型在非线性调制耦合和阈值指数衰变方面,其阈值衰减是反复变化的,这种阈值变化不能很好地符合人眼对亮度响应的非线性指数要求,并且通过这种阈值规律处理后的图像(或其他信号)中大量信息蕴含在神经元的激活周期(频率)或者激活相位中,而输出的图像却并不包含全部的可用信息;
(2)PCNN模型中大量漏电积分器和一些反馈连接的存在,虽然提高了模型仿生学的逼近程度及生物处理信息的真实性,但这不仅增加了模型的复杂性,同时也加大了对信号处理时间的开销;
(3)传统PCNN模型参数过多,对参数的(自动)设定及优化会增加许多困难;
(4)由于中药材显微图像的复杂性与特殊性,传统PCNN模型不适宜处理显微组织类图像。
发明内容
本发明的目的在于提供一种中药材显微图像的特征提取与识别检索方法,旨在提高中药材质量评价的客观性、准确性、可重复性和智能化程度。
本发明是这样实现的,一种中药材显微图像的特征提取与识别检索方法包括:
步骤一、采集原始图像,对原始图像进行预处理,分割出目标区域的轮廓,进行图像去噪,将神经网络PCNN与图像对应,将中心神经元与图像的像素点对应,中心神经元的邻域与邻域像素点对应,神经元的输入为像素点的灰度值;
步骤二、建立从空间图像处理信息到时间信息的PCNN赋时矩阵,将赋时矩阵视为不变直方图矢量重心,经PCNN迭代处理中药材显微图像并提取直方图矢量不变特征;
步骤三、把PCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割,提取中药材二值图像目标,建立引入交叉熵分割判据的PCNN中药材显微图像分割算法;
步骤四、以最大互信息优化多值图像分割并进行图像去噪,建立相邻分割图像互信息熵差最小分类判据,选取中药显微图像建立基于最小互信息熵差的PCNN自动多值目标分割算法,得到完善的多值目标图像;
步骤五、利用PCNN模型处理中药材显微图像,提取各二维图像的一维时间序列信号特征并存储特征信息,对该一维时间序列信号进行熵变换,形成熵序列信号,并作为PCNN处理的另一图像特征,并结合中药材显微图像体视学要求的图像目标特征,提取中药材显微图像空域特征;
步骤六、将PCNN模型与图像傅里叶变换小数幂指数滤波相结合,提取图像变换域特征信息;
步骤七、分析PCNN迭代图像处理图像的形状、颜色、纹理及原图像目标形状、结构分布的归一化转动惯量混合特征,引入马氏距离结合Pearson积矩相关法的综合相似性度量方法,提取中药材显微图像PCNN的特征信息;
步骤八、提取同一图像的步骤二、步骤五、步骤六、步骤七所述的特征信息,建立中药材显微图像特征信息库,搭建中药材显微图像的主辅特征识别与检索的智能专家系统。
进一步,所述的图像去噪的具体方法为:
步骤一、将含噪图像f(x,y)进行二维平稳小波变换,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数;
步骤二、对第一层的低频系数利用PCNN进行区域分割;
步骤三、将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;
步骤四、采用脉冲耦合神经网络对噪声图像进行处理,得到熵序列En,将En作为边缘检测算子;
步骤五、进行阈值寻优,得到最优去噪阈值k;
步骤六、根据求得的边缘检测算子En和最优去噪阈值k,采用改进的各向异性扩散模型对图像进行去噪。
进一步,所述神经网络PCNN内置检测优化模块,该检测优化模块用于:
将采集到的图像建立图像的显著模型,所述建立图像的显著性模型包括:
利用预定过分割算法对所述图像进行过分割,和模板参数提取,对整个输入图像,以8*8个像素为单元,计算每个单元的平均灰度值和每个单元的最大灰度值,得到至少一个区域,同一个所述区域中各个像素点的颜色值相同;
确定每个所述区域的颜色值和质心;
根据各个区域所对应的颜色值以及各个区域的质心,建立所述显著性模型。
进一步,所述的所述显著性模型为:
其中,Si1为区域Ri中任一像素点的显著性值,w(Rj)为区域Rj中的像素点的个数,DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值,DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值,N为对所述图像进行过分割后得到的区域的总个数,DS(Ri,Rj)为:
进一步,所述神经网络PCNN利用下列公式运行PCNN模型:
Fij[n]=Sij
Lij[n]=VLΣwijklYkl[n-1]
Uij[n]=Fij[n](1+βLij[n])
Iij[n]=N-n
式中:Uij[n]为内部活动项,Yij[n]为PCNN脉冲输出,Iij[n]为索引值;
当n=1时,Lij[1]=0,则Uij[1]=Fij[1]=Sij,θij[1]=LT(N-1)=Sij_max,对应的反馈输入中值为Sij_max的神经元将自然点火;神经元点火后,输出Yij[1]=1,θij[2]变为Vθ,点火神经元的索引值标记为Iij=N-1。
进一步,所述中药材显微图像的特征提取具体包括:
步骤一、图像信号的采集、上传及分辨率调整:采集图像信号并将其实时所采集的图像信号通过图像信号传输装置上传,调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为一定值,得到图像f0(x,y);
步骤二、图像特征提取:通过对所得到的图像f0(x,y)进行分析处理,得出图像的特征P,其分析处理过程如下:
二维小波变换:调用二维小波变换模块对图像f0(x,y)进行二维小波变换,得到:
其中,为f0(x,y)变换后的低频分量,为f0(x,y)变换后的水平高频分量,为f0(x,y)变换后的垂直高频分量,为f0(x,y)变换后的对角线高频分量,
调用对数变换模块,将经二维小波变换后的低频分量变换到对数空间,得到:I(x,y)=log f00(m,n);
调用卷积计算模块,并使用k种不同的高斯滤波系数Fk(x,y)与对数空间中的低频小波系数I(x,y)进行卷积计算,得到:
调用加权平均计算模块,对卷积计算所得结果gk(x,y)与对数空间中的低频小波系数I(x,y)的偏差进行加权平均计算,得到:
调用均值方差归一化处理模块,对步骤204中所得到的加权平均结果R(x,y)进行灰度值线性拉伸,得到:R′(x,y)=G×R(x,y)+offset,
调用二维小波反变换模块,将所得到的小波域中的三种高频分量和与步骤205中所得到的用来显示的灰度值R″(x,y)作二维小波反变换,得到分辨率为M×H的图像f1(x,y),其中M和H均为自然数;
对L个图像信号进行采集、处理,调用定点独立分量分析模块,对L个经过所得到的图像信号进行特征提取,得出L个图像的特征P,其中,L为自然数;
步骤三、处理结果同步输出:步骤二中进行图像特征提取过程中,对步骤二中的图像信号处理过程及图像特征提取结果进行同步显示;
调用定点独立分量分析模块,对所得到的图像信号进行特征提取的步骤如下:
将L个经过处理后的图像分别按行展开后再进行组合,形成一个L行、M×N列的矩阵X=(x1,x2,x3,Λ,xL)T;
对矩阵X进行均值化,使得E(X)=0;
对矩阵X进行白化处理,使得E(XTX)=I;
初始化独立分量的个数,使得n=1,其中,n为独立分量的个数;
初始化wn,随机选取wn=wn/||wn||;
根据公式wn=E{Xg(wnTX)}-E{g′(wnTX)}wn,求取wn;
根据公式
根据公式
判断得到的wn+1是否收敛,如果wn+1不收敛,返回求取wn;
取n=n+1,在n<M的情况下,逐一提取出所有的独立分量;
将各个独立分量构成矩阵S=(s1,s2,Λ,sP)T,根据公式P=FS-1计算出L个图像的特征P。
进一步,所述图像采集方法包括步骤:
对各图像采集设备采集的图像进行目标识别;
根据目标识别的结果,确定采集到目标的图像采集设备,将所述图像采集设备作为当前图像采集设备;
关闭除当前图像采集设备外的其它图像采集设备;
确定所述目标在图像中的位置以及所述目标的运动方向;
将所述位置和预设阈值进行比较,确定所述目标所在的图像区域,其中所述图像区域包括第一区域、第三区域以及位于所述第一区域和第三区域之间的第二区域;
若所述目标在第一区域或第三区域,根据第一区域或第三区域在图像上的方位,开启所述当前图像采集设备相应方向的图像采集设备;
若所述目标在第二区域,根据所述目标的运动方向开启所述当前图像采集设备相应方向的图像采集设备,并关闭所述当前图像采集设备;
确定所述目标在图像中的位置以及所述目标的运动方向的步骤包括:
对所述当前图像采集设备采集的当前图像以及当前图像的下一个图像进行边缘提取,获取当前图像的第一目标边缘信息和所述当前图像的下一个图像的第二目标边缘信息;
将所述第二目标边缘信息与所述第一目标边缘信息相减,得到黑点和白点;
根据黑点和白点的痕迹确定所述目标的运动方向以及所述目标在图像中的位置;
所述预设阈值包括第一阈值和第二阈值,其中所述第一阈值小于所述第二阈值;
将所述位置和预设阈值进行比较,确定所述目标所在的图像区域的步骤包括:
若所述位置小于所述第一阈值,确定所述目标位于第一区域;
若所述位置大于等于所述第一阈值、小于等于所述第二阈值,确定所述目标位于第二区域;
若所述位置大于所述第二阈值,确定所述目标位于第三区域。
进一步,所述平稳小波变换邻域系数萎缩的图像去噪方法包括:
先利用Canny边缘检测算子提取含噪图像的边缘特征,使边缘图像的像素点和含噪图像的像素点一一对应,将含噪图像中边缘像素点的值设零;寻找图像梯度的局部极大值,梯度用高斯滤波器的导数来计算,使用两个阈值分别检测强边缘和弱边缘;
再将得到的去掉边缘信息的含噪图像进行二维离散平稳小波变换,对小波系数采用基于邻域的方法进行系数萎缩。
本发明引入PCNN赋时矩阵信息处理方法,结合PCNN与图像傅里叶变换和小数幂指数滤波相,提取变换域中图像特征信息,以马氏距离结合Pearson积矩相关法的综合相似性度量为依据,提出中药材显微图像信息快速存储、识别检索算法,构建全息中药材显微组织图像、花粉图像特征提取与识别检索系统,进一步提高中药材质量评价的客观性、准确性、可重复性和智能化程度,为中药材检测与分析的现代化提供一种新的途径。本发明的方法设计合理、实现方便且投入成本低,操作简便;能够实现图像的动态范围压缩、保证图像的色感一致性,在考虑到图像均衡阴影部分的同时保留了图像的高频信息,变换后的图像不仅降低了光线的干扰,还恢复了图像高频细节信息;不仅考虑了信号的二阶统计特性,还考虑了高阶统计特性,在提高对光照变化鲁棒性方面,明显优于SSR、MSR以及直方图均衡、Log等传统图像处理方法;图像处理速度快,实用性强,能够应用于人脸识别,实现人脸识别在视频监控、人机交互、身份认证等方面的应用,能够很好地满足实际应用的需求。本发明首先判断哪个图像采集设备采集到目标,只开启拍摄到目标的图像采集设备,将其余的图像采集设备关闭。然后对拍摄到目标的图像采集设备采集的图像进行分析,自动对目标进行跟踪,实时掌握目标的位置信息,根据目标的位置信息开启相应的图像采集设备,从而避免了侦测系统采集一些无效的图像数据,有效节省了侦测系统的电源电量,减少了侦测系统要处理与拼接的图像数据,提高了图像数据的传输速率。本发明的平稳小波变换邻域系数萎缩的图像去噪方法充分考虑了平稳小波系数的邻域性质,对处理后的小波系数进行平稳小波反变换得到平滑去噪图像,最后将边缘图像嵌入平滑图像中得到去噪后的图像。
附图说明
图1是本发明实施例提供的中药材显微图像的特征提取与识别检索方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
请参阅图1:
中药材显微图像获取预处理及建库:
(1)拟根据药典收载分布在甘肃省不同地域的当归、党参、甘草、大黄、黄芪、百合、麻黄、柴胡、板蓝根、茴香、红花、天麻、贝母等几百种药用植物为研究的原始对象,在不同药材生长季节从生长地采集道地药材样本(或药材花粉样本),同时用高分辨率数码相机获取中药形态图像。
(2)在经过多名中药栽培和鉴定专家初步识别与鉴定的基础上取样、粉末化前处理、切片制作等处理,最后通过扫描电镜(或光学显微镜)分别获取标本的5-10个视野显微图像、花粉显微图像的原始图像。
(3)对显微图像获取过程中由于光线亮暗不均匀等因素,造成图像曝光不足或曝光过度的图像引入图像直方图修正或灰度非线性变换等算法实现图像增强;对环境条件、CCD相机及其他传感器件影响,导致获取图像产生的噪声干扰,分别运用中值滤波、维纳滤波等方法达到图像滤波目的。
(4)使用大型关系数据库管理系统Oracle构建中药材显微图像信息库。
一种中药材显微图像的特征提取与识别检索方法,包括:
S101、采集原始图像,对原始图像进行预处理,分割出目标区域的轮廓,进行图像去噪,将神经网络PCNN与图像对应,将中心神经元与图像的像素点对应,中心神经元的邻域与邻域像素点对应,神经元的输入为像素点的灰度值;
S102、建立从空间图像处理信息到时间信息的PCNN赋时矩阵,将赋时矩阵视为不变直方图矢量重心,经PCNN迭代处理中药材显微图像并提取直方图矢量不变特征;
S103、把PCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割,提取中药材二值图像目标,建立引入交叉熵分割判据的PCNN中药材显微图像分割算法;
S104、以最大互信息优化多值图像分割并进行图像去噪,建立相邻分割图像互信息熵差最小分类判据,选取中药显微图像建立基于最小互信息熵差的PCNN自动多值目标分割算法,得到完善的多值目标图像;
S105、利用PCNN模型处理中药材显微图像,提取各二维图像的一维时间序列信号特征并存储特征信息,对该一维时间序列信号进行熵变换,形成熵序列信号,并作为PCNN处理的另一图像特征,并结合中药材显微图像体视学要求的图像目标特征,提取中药材显微图像空域特征;
S106、将PCNN模型与图像傅里叶变换小数幂指数滤波相结合,提取图像变换域特征信息;
S107、分析PCNN迭代图像处理图像的形状、颜色、纹理及原图像目标形状、结构分布的归一化转动惯量混合特征,引入马氏距离结合Pearson积矩相关法的综合相似性度量方法,提取中药材显微图像PCNN的特征信息;
S108、提取同一图像的步骤S102、步骤S105、步骤S106、步骤S107所述的特征信息,建立中药材显微图像特征信息库,搭建中药材显微图像的主辅特征识别与检索的智能专家系统。
进一步,所述中药材显微图像的特征提取具体包括:
步骤一、图像信号的采集、上传及分辨率调整:采集图像信号并将其实时所采集的图像信号通过图像信号传输装置上传,调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为一定值,得到图像f0(x,y);
步骤二、图像特征提取:通过对所得到的图像f0(x,y)进行分析处理,得出图像的特征P,其分析处理过程如下:
二维小波变换:调用二维小波变换模块对图像f0(x,y)进行二维小波变换,得到:
其中,为f0(x,y)变换后的低频分量,为f0(x,y)变换后的水平高频分量,为f0(x,y)变换后的垂直高频分量,为f0(x,y)变换后的对角线高频分量,
调用对数变换模块,将经二维小波变换后的低频分量变换到对数空间,得到:I(x,y)=log f00(m,n);
调用卷积计算模块,并使用k种不同的高斯滤波系数Fk(x,y)与对数空间中的低频小波系数I(x,y)进行卷积计算,得到:
调用加权平均计算模块,对卷积计算所得结果gk(x,y)与对数空间中的低频小波系数I(x,y)的偏差进行加权平均计算,得到:
调用均值方差归一化处理模块,对步骤204中所得到的加权平均结果R(x,y)进行灰度值线性拉伸,得到:R′(x,y)=G×R(x,y)+offset,
调用二维小波反变换模块,将所得到的小波域中的三种高频分量和与步骤205中所得到的用来显示的灰度值R″(x,y)作二维小波反变换,得到分辨率为M×H的图像f1(x,y),其中M和H均为自然数;
对L个图像信号进行采集、处理,调用定点独立分量分析模块,对L个经过所得到的图像信号进行特征提取,得出L个图像的特征P,其中,L为自然数;
步骤三、处理结果同步输出:步骤二中进行图像特征提取过程中,对步骤二中的图像信号处理过程及图像特征提取结果进行同步显示;
调用定点独立分量分析模块,对所得到的图像信号进行特征提取的步骤如下:
将L个经过处理后的图像分别按行展开后再进行组合,形成一个L行、M×N列的矩阵X=(x1,x2,x3,Λ,xL)T;
对矩阵X进行均值化,使得E(X)=0;
对矩阵X进行白化处理,使得E(XTX)=I;
初始化独立分量的个数,使得n=1,其中,n为独立分量的个数;
初始化wn,随机选取wn=wn/||wn||;
根据公式wn=E{Xg(wnTX)}-E{g′(wnTX)}wn,求取wn;
根据公式
根据公式
判断得到的wn+1是否收敛,如果wn+1不收敛,返回求取wn;
取n=n+1,在n<M的情况下,逐一提取出所有的独立分量;
将各个独立分量构成矩阵S=(s1,s2,Λ,sP)T,根据公式P=FS-1计算出L个图像的特征P。
进一步,所述图像采集方法包括步骤:
对各图像采集设备采集的图像进行目标识别;
根据目标识别的结果,确定采集到目标的图像采集设备,将所述图像采集设备作为当前图像采集设备;
关闭除当前图像采集设备外的其它图像采集设备;
确定所述目标在图像中的位置以及所述目标的运动方向;
将所述位置和预设阈值进行比较,确定所述目标所在的图像区域,其中所述图像区域包括第一区域、第三区域以及位于所述第一区域和第三区域之间的第二区域;
若所述目标在第一区域或第三区域,根据第一区域或第三区域在图像上的方位,开启所述当前图像采集设备相应方向的图像采集设备;
若所述目标在第二区域,根据所述目标的运动方向开启所述当前图像采集设备相应方向的图像采集设备,并关闭所述当前图像采集设备;
确定所述目标在图像中的位置以及所述目标的运动方向的步骤包括:
对所述当前图像采集设备采集的当前图像以及当前图像的下一个图像进行边缘提取,获取当前图像的第一目标边缘信息和所述当前图像的下一个图像的第二目标边缘信息;
将所述第二目标边缘信息与所述第一目标边缘信息相减,得到黑点和白点;
根据黑点和白点的痕迹确定所述目标的运动方向以及所述目标在图像中的位置;
所述预设阈值包括第一阈值和第二阈值,其中所述第一阈值小于所述第二阈值;
将所述位置和预设阈值进行比较,确定所述目标所在的图像区域的步骤包括:
若所述位置小于所述第一阈值,确定所述目标位于第一区域;
若所述位置大于等于所述第一阈值、小于等于所述第二阈值,确定所述目标位于第二区域;
若所述位置大于所述第二阈值,确定所述目标位于第三区域。
进一步,所述的图像去噪的具体方法为:
步骤一、将含噪图像f(x,y)进行二维平稳小波变换,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数;
步骤二、对第一层的低频系数利用PCNN进行区域分割;
步骤三、将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;
步骤四、采用脉冲耦合神经网络对噪声图像进行处理,得到熵序列En,将En作为边缘检测算子;
步骤五、进行阈值寻优,得到最优去噪阈值k;
步骤六、根据求得的边缘检测算子En和最优去噪阈值k,采用改进的各向异性扩散模型对图像进行去噪。
进一步,所述神经网络PCNN内置检测优化模块,该检测优化模块用于:
将采集到的图像建立图像的显著模型,所述建立图像的显著性模型包括:
利用预定过分割算法对所述图像进行过分割,和模板参数提取,对整个输入图像,以8*8个像素为单元,计算每个单元的平均灰度值和每个单元的最大灰度值,得到至少一个区域,同一个所述区域中各个像素点的颜色值相同;
确定每个所述区域的颜色值和质心;
根据各个区域所对应的颜色值以及各个区域的质心,建立所述显著性模型。
进一步,所述的所述显著性模型为:
其中,Si1为区域Ri中任一像素点的显著性值,w(Rj)为区域Rj中的像素点的个数,DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值,DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值,N为对所述图像进行过分割后得到的区域的总个数,DS(Ri,Rj)为:
进一步,所述神经网络PCNN利用下列公式运行PCNN模型:
Fij[n]=Sij
Lij[n]=VLΣwijklYkl[n-1]
Uij[n]=Fij[n](1+βLij[n])
Iij[n]=N-n
式中:Uij[n]为内部活动项,Yij[n]为PCNN脉冲输出,Iij[n]为索引值;
当n=1时,Lij[1]=0,则Uij[1]=Fij[1]=Sij,θij[1]=LT(N-1)=Sij_max,对应的反馈输入中值为Sij_max的神经元将自然点火;神经元点火后,输出Yij[1]=1,θij[2]变为Vθ,点火神经元的索引值标记为Iij=N-1。
进一步,所述平稳小波变换邻域系数萎缩的图像去噪方法包括:
先利用Canny边缘检测算子提取含噪图像的边缘特征,使边缘图像的像素点和含噪图像的像素点一一对应,将含噪图像中边缘像素点的值设零;寻找图像梯度的局部极大值,梯度用高斯滤波器的导数来计算,使用两个阈值分别检测强边缘和弱边缘;
再将得到的去掉边缘信息的含噪图像进行二维离散平稳小波变换,对小波系数采用基于邻域的方法进行系数萎缩。
本发明引入PCNN赋时矩阵信息处理方法,结合PCNN与图像傅里叶变换和小数幂指数滤波相,提取变换域中图像特征信息,以马氏距离结合Pearson积矩相关法的综合相似性度量为依据,提出中药材显微图像信息快速存储、识别检索算法,构建全息中药材显微组织图像、花粉图像特征提取与识别检索系统,进一步提高中药材质量评价的客观性、准确性、可重复性和智能化程度,为中药材检测与分析的现代化提供一种新的途径。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
机译: 特征提取方法,对象分类方法,对象识别方法,特征提取装置,对象分类装置,对象识别装置,特征提取/对象分类/对象识别程序以及记录该程序的记录介质
机译: 特征提取方法,对象分类方法,对象识别方法,特征提取设备,对象分类设备,对象识别设备,特征提取/对象分类/对象识别程序和记录
机译: 特征提取方法,对象分类方法,对象识别方法,特征提取设备,对象分类设备,对象识别设备,特征提取/对象分类/对象识别程序和记录