病理图像分析和识别算法研究.doc

FILENAME simple_format PAGE - PAGE 5 - 病理图像分析及识别算法研究 武汉理工大学信息工程学院，武汉（430063） E-mail: 625wys@163.com 摘 要: 本文医学图像作为研究对象，针对任何一类特征都不能很好地表达医学图像的缺点以及进一步提高医学图像的识别率，本文采用基于直方图的颜色特征、基于小波包和分形相结合的纹理特征和基于不变矩的形状特征等；采用改进后的主元分析法进行特征级数据融合，最后采用多数投票法进行决策级数据融合，得到最终识别结果。 关键词：图像识别，特征提取，神经网络，主元分析法，多数投票法 中图分类号：TP391 1 引言 本文主要以肿瘤细胞显微图像为研究对象，研究肿瘤细胞特征提取和识别算法，其目的主要有：一、使其成为病理专家诊断过程中的辅助手段，减轻工作负担；二、作为医学院学生学习研究肿瘤细胞的特点及锻炼诊断技能的有效途径。本文主要完成了病理图像的特征提取和分析，达到了识别癌细胞的目的。 2 病理图像的预处理 图像的预处理[3]是图像进行分析和处理之前的重要一步，主要起到降低噪声干扰，增强图像的作用，对信息微弱的图像进行增强，对失真的图像进行几何矫正等。本文采用的细胞显微图像有的是经过HE染色处理过的彩色图像，而计算机图像处理中需要的往往是灰度图像和二值图像。二值图像也可由灰度图像经过阈值化处理得到。采用中值滤波法对图像进行滤波，中值滤波对干扰脉冲和点状噪声有良好的抑制作用，而且对图像边缘能有很好的保持非线性图像增强技术。也讨论了图像锐化[1]处理和基于边缘检测的分割算法[3]以及Canny算子在肿瘤细胞显微图像中的应用。 3 病理图像的特征提取 由于物理特征和结构特征容易被人们的感觉器官所接受，便于人们直观地识别对象。但是利用计算机自动识别系统，它抽象和处理数学特征的能力要比人强的多。因此提取一些数学参量作为病理图像的识别特征参量。 3.1 病理图像灰度统计量特征提取 一般很难直接将图像的直方图作为特征，需要通过一些统计量来反映图像的直方图。常用：均值、方差、歪斜度、峰态、能量、 熵等6个统计量来反映图像的直方图特征[4]。 3.2 病理图像形状特征提取 由于不变矩概念清晰，识别率稳定，对具有旋转和缩放变化的目标有良好的不变性及抗干扰性，能有效地反映图像的本质特征。本文采用基于不变矩[3]的形状特征提取，共提取了7维不变矩[3]特征向量。 3.3 基于病理的纹理特征提取 本文采取小波包和分形相结合的方法提取纹理特征[3]，首先利用小波包分解，进行特征提取。把两次提取的特征值共同作为图像的纹理特征值。 （1）首先对纹理图像进行小波包分解，采用‘db3’和‘shannon’熵标准，第一级小波包分解后，可以得到4幅子图像。第二级可以得到16幅子图像。（2）求每个子图像的能量。纹理特征主要集中在中，高频段部分，所以最低频段的两幅子图的能量可以不考虑。求其余18个图像各自的平均能量，，是小波包分解后子图像的尺寸，表示子图像的行值和列值，是小波包分解的系数。（3）对于18幅图像中，依次排序，得到3个平均能量最低的3幅图像，求这3幅图像的分形维数。（4) 特征向量：把得到的15幅图像的平均能量，以及能量最低的3幅图像的分形维数一起构成一个18维的特征向量。 表3.1 两幅图像的纹理特征 正常细胞 异常细胞 基于小波包与分形结合的纹理特征提取 3.5800， 3.2215，0.8015 89.0617，67.0945，6.2892 2.5708，5.9148，1.0069 1.7350，2.2523，0.8477 5.3333，1.6118，1.0583 1.2778，1.2862，0.7762 3.3232，3.4763，0.6197， 70.5205，53.7977，5.5988 1.8081，6.5077，0.6341 1.6419，1.3383，0.5728 7.3939， 1.8269 ， 0.8769 1.1262，1.0977 ，0.6984 如表3.1示为一个正常细胞与一个异常细胞所提取的纹理特征。通过实验证明,小波包和分形相结合提取纹理特征的方法,在纹理分类中取得良好的效果。 4 基于神经网络的决策级融合的医学图像识别 4.1 基于主元分析法的多特征融合 前面提取的三种特征各有其优缺点:图像颜色特征提取方便，但缺乏空间分布信息；图像纹理特征反映的只是图像的一种局部结构化特征等等。图像特征向量的维数太高，数据量庞大，而且特征之间存在着大量的信息冗余。通过主元分析[2]（PCA），既消除特征间的冗余信息，降低了特征空间