论文部分内容阅读
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)l取代δ(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。