一、基于MEAN-SHIFT和SVM的血细胞图像分割（论文文献综述）
杨雪莹[1]（2020）在《基于深度学习的白细胞分类识别方法研究》文中研究表明随着计算机技术的快速发展,利用人工智能和图像处理技术辅助医疗诊断日益受到关注。在医疗临床检验中,白细胞的检验对许多疾病的诊断有着重要的价值。目前医院所采用的检测方法主要是血细胞分析仪与人工镜检,即先用血细胞分析仪进行初步筛查并判断有无数量上的异常,若有,则进行人工镜检。由于人工镜检效率低,分类速度慢,因此外周血白细胞图像自动分类识别技术具有较高的实用价值。论文基于深度学习的方法设计了一种外周血白细胞图像自动分类识别的方案。首先,利用高倍显微镜观察外周血细胞涂片并利用相机拍摄含有大量白细胞的血细胞图像。采用中值滤波和双边滤波对图像进行预处理,并分析了 RGB和HLS两种色彩空间和常见的阈值分割方法,然后利用改进的最大类间方差法对L分量图像进行初步分割,利用形态学方法处理初分割后的图像,得到完整的单个白细胞图像。其次,对得到的白细胞图像数据集进行整理分析,剔除染色错误或染色失败的图像。针对白细胞图像数量类间不平衡的问题,采用平移的方法对原始数量较少的白细胞类进行过采样。然后按照一定比例将白细胞图像分为训练集和测试集,并利用旋转、对比度增强等数据增强方法对两类数据进行扩增,建立本课题的数据集。最后,根据现有的深度神经网络架构思路,搭建白细胞的分类模型。该模型共包含六层卷积层、三层池化层和三层全连接层,利用制备的训练集、验证集进行训练验证,并通过测试集去评估网络模型的性能。然后,将实验结果可视化。测试结果表明,白细胞图像平均识别率为92.87%,满足既定目标。利用卷积神经网络的方法对白细胞进行分类识别,不仅避免了精准分割白细胞细胞核和细胞质的复杂性以及人工选择特征的个体化差异对最后分类结果造成的不良影响,而且取得了令人满意的准确率,实现了真正的端到端分类识别。
于腾[2]（2020）在《全自动血涂片细胞形态智能识别分析技术研究》文中研究指明在医院的临床常规化检验项目当中,血涂片的显微镜检查是其中很重要的一个,通常医生通过分析血涂片当中的白细胞所占比重来对人体的健康状况进行诊断。在当前条件下,大多数医院对血涂片的检查都是由专业医师通过显微镜目测来进行的,这对专业医师的素质有很高的要求,医师的主观判断会对鉴定结果产生一定的误差,而且由于人工镜检的工作量较大,在一定程度上浪费了有限的医疗资源。本课题通过研究血涂片图像中的白细胞自动识别分类算法以及相关技术,完成了一套血涂片智能识别分析系统,以此来对医院中常规的人工镜检技术进行优化提高,可以在一定程度上缓解医疗资源紧张的问题。本文的具体研究内容概括如下:首先,本文根据血涂片的图像采集和性能需求设计了一套自动化系统,提出了包括硬件部分、软件部分和算法部分的整套设计方案。其次,针对血涂片图像自动获取的需求,本文在已有的清晰度评价函数基础上进行了改进,提出了基于不同对焦位置的快速对焦方法,保证了对焦的速度。然后,针对血涂片图像中的白细胞分割,本文提出了基于色彩空间的细胞核阈值分割方法,基于坐标定位的改进Grabcut白细胞分割算法,相较于传统分割算法准确率提高8%以上,有效地解决了白细胞分割过程中分割不准确的问题。接着,针对白细胞的特征提取和特征选择,本文分别从形态学、纹理和灰度三个方面进行特征提取,然后使用Filter方法进行特征选择,采用Fisher判别思想对特征筛选,得到最终的特征集合。最后,针对血涂片中白细胞的分类问题,本文验证了五种白细胞多分类策略,其中四种是基于SVM的多分类策略,另一种是基于梯度提升决策树XGBoost的分类策略。五种分类方法针对不同类型的白细胞分类各有优缺点,经过实验对比本系统使用速度准确性兼具的XGBoost法作为分类算法。本文提出的全自动血涂片智能识别分析系统相较于传统的血涂片识别方法,识别速度较快,而且分割和分类精度较高,系统准确率达到91.12%,在实用的层面上有较大的提升,具有更广泛的使用前景。
孙凯,姚旭峰,马风玲,赵文硕,黄钢[3]（2020）在《基于机器学习的血细胞分类研究进展》文中进行了进一步梳理基于机器学习的血细胞分类方法已经引起了人们的广泛重视。本文探讨了近几年基于机器学习的血液细胞分类领域的相关研究成果与进展,对目前各种研究所用到的数据采集、图像预处理、图像分割、特征提取及分类器分类方法所用新技术做出详细的说明与分析。深度学习在机器学习基础上发展而成,因其端到端、高准确度等优势展现出强大发展前景。目前研究趋向于采取深度学习与人工特征提取结合、改进网络结构等新方法不断提高网络模型分类准确度及泛化性。然而,基于机器学习的血细胞分类技术投入临床使用仍存在一些问题与挑战。
刘响[4]（2018）在《基于均值漂移和GrowCut的彩色图像自动分割研究》文中提出图像分割是将图像划分成若干具有意义的子区域的技术。例如,一副航空照片可以划分为居民区、森林和湖泊等具体区域。近年来,追求智能化的彩色图像图像分割成为图像分割领域的新热点。由于彩色图像比灰度图像携带更多的信息,而现有的单一的图像分割方法不能满足图像分割的实际要求,因此需要在原有图像分割方法的基础上提出新的更加有效的彩色图像分割方法,或者将各有优势的图像分割方法进行相结合,运用在彩色图像分割领域。本文介绍了图像分割领域所涉及的相关理论、图像分割方法以及图像分割的评价标准等,重点研究了自适应均值漂移和GrowCut彩色图像自动分割算法。主要工作如下:（1）针对固定带宽的均值漂移算法在彩色图像分割过程中容易破坏目标区域完整性以及存在将样本同等看待的问题,提出了自适应带宽的均值漂移彩色图像预分割算法。传统的均值漂移彩色图像分割方法不能根据图像像素点颜色和空间分布等特征自适应选取带宽,本文在传统均值漂移图像分割研究的基础上,采用像素点近邻域的知识来自动计算图像分割的自适应带宽值,并且通过标准化的欧式距离来修正均值漂移算法欧式距离的不足。实验结果表明,该算法比传统的均值漂移算法在图像分割方面有更好的分割效果。（2）针对GrowCut算法图像分割需要用户交互种子标记的问题,本文提出了融合自适应均值漂移和显着性检测的自动生成种子模板方法。传统人工标记种子点带有主观性和不确定性会直接影响GrowCut算法的迭代速度和分割效果,难以实现快速准确的自动分割。本文通过自适应带宽均值漂移算法对彩色图像直接进行预分割,聚类合并图像的空间相似区域以增强图像表征特性,然后通过显着性边缘检测和形态学操作的方法自动标记种子区域,提高了种子点获取的效率。实验表明:该方法克服人工图像种子点标记的局限性,充分利用彩色图像的像素空间和颜色信息,提高了彩色图像的分割速度和准确性。（3）本文首先采用分析法从算法原理和分割性能角度对提出的方法进行评价,与传统的GrowCut、固定带宽均值漂移（FMS）、自适应带宽均值漂移（AMS）和均值漂移的归一化切割（MSNCut）等彩色图像分割方法进行分析对比;然后使用实验方法进行分割结果比较。实验表明:本文提出的方法充分考虑了彩色图像目标区域分割的完整性,能够实现对彩色图像的自动分割,分割效率较为满意,有效验证了提出的方法有效性和准确性。
徐莎[5]（2018）在《基于特征分析的细胞显微图像的分类识别》文中研究指明癌症已成为威胁人类健康的首位杀手,而且患者数量正在逐年增加。癌症的早期发现是提高疗效的关键。目前癌症诊断主要是基于组织切片的病理检查。随着计算机辅助诊断技术迅速发展,研究者提出了显微图像的定量分析技术辅助医生实现诊断。由于细胞显微图片存在的对比度差、染色不均和细胞粘连重叠等问题,精确细胞核分割仍存有一定问题。在分类识别阶段,由于细胞显微图像的多样性和复杂性,特征提取和筛选方法限制了分类准确率的提高。针对这些问题,本文研究并提出了一种基于双准则联合定位和改进数学形态学的自动分割算法以及基于最大相关性-最小多重共线性的特征选择算法。利用ApcMIN老鼠肠道组织的显微图像进行定量分析,验证本方法实现早期癌症诊断的可行性。本文的研究工作主要包括:（1）针对显微细胞图像中存在的分割难点,提出了一种基于双准则联合定位和改进形态学的细胞核自动分割算法。该算法首先采用顶帽-底帽变换增强图像的对比度。再通过小波分解和Mean-shift聚类两种准则同时定位细胞核所在的位置,获得初始分割结果。再通过投票机制,从中选出感兴趣区域。对感兴趣区域进行圆形度和面积的筛选,将其分为单个细胞核和粘连区域。最后使用改进的数学形态学方法分割粘连程度不同的各个粘连区域实现细胞核的精确分割。（2）针对细胞显微图像特征提取问题,研究多种类型的特征来定量描述细胞核的不同状态。不仅使用了传统算法中经常使用的形态特征和颜色特征,还从细胞核区域中提取了Gabor和高斯马尔科夫随机场这两种纹理特征。Gabor特征从时域和频域同时对目标区域进行分析。而高斯马尔科夫随机场特征是从图像中像素点本身的结构关系对目标区域进行描述。通过提取多种类型的特征实现了对细胞核结构的全面描述。（3）针对细胞显微图像的特征筛选问题,本文采用了基于最大相关性-最小多重共线性的特征选择算法对提取的初始特征进行筛选。通过该方法对特征进行选择,选出与类别相关度高的特征,并去除已选特征冗余度高的特征。将得到的最佳特征子集输入到支持向量机中进行分类识别。并将该算法与其它的特征选择算法进行比较。验证了特征提取算法的有效性,实现了最优特征子集的选取。利用提出的自动分割和分类算法对正常老鼠和ApcMIN老鼠的肠道组织切片显微图像进行定量分析验证本方法早期癌症诊断的有效性。实验结果表明,基于双准则联合定位和改进形态学的细胞核自动分割算法可以自动精准地分割细胞核。提取到的四种不同类型的特征可以从各个方面描述细胞核区域的特性。最大相关性-最小多重共线性方法在分类精度和运行时间方面都优于对比方法。本文的研究工作为显微细胞图像中细胞核的自动分割及细胞图像类型的自动识别提供了新的解决办法,为计算机辅助诊断早期癌症提供了新的理论和方法,是以具备一定的理论意义和临床应用价值。
张成梁,李蕾,董全成,葛荣雨[6]（2016）在《基于GA-SVM模型的机采籽棉杂质识别》文中提出针对中国机采棉加工过程中混级混轧、缺乏棉花参数检测的现状,提出使用遗传算法优化支持向量机参数的机采籽棉图像分割、杂质识别方法。在图像分割阶段,采用像素点邻域的色调、饱和度、亮度颜色特征与平均亮度、平均对比度、平滑度、三阶矩、一致性、熵等纹理特征构建特征向量,使用最优保留策略的遗传算法优化惩罚参数及核函数参数,建立图像分割SVM分类器;对杂质识别过程,在计算标记区域的颜色特征、纹理特征基础上,增加面积、周长、离心率、矩形度、形状因子等形状特征,使用遗传算法建立杂质识别SVM分类器。测试结果表明,该方法适用于边缘对比度低、纹理信息丰富的机采籽棉含杂图像分割,对杂质的有效识别率为92.6%。该研究为棉花加工设备的参数优化和国产采棉机的研制及优化提供重要参考依据。
赵胜男[7]（2016）在《Mean Shift图像分割算法的改进》文中提出图像分割（Image Segmentation）是图像处理研究领域的一个重要问题,是图像分析、特征提取、模式识别等的基础和关键步骤,其中图像的分割质量好坏很重要,而且从有效分割中提取的有利信息能使高层的图像理解成为可能。国内外的研究者在图像分割领域提出大量分割方法,但是这些方法都存在一定程度的不足和缺陷,而且很多方法都依赖先验知识。均值漂移（Mean Shift）算法是一种传统的统计迭代方法,原理简单、鲁棒性强,而且可以处理灰度图像、彩色图像、复杂图像及高分辨率的图像数据。但是,该算法需要对图像中的每个像素点进行迭代计算,因此分割所需要的时间较长。而且,迭代过程中的带宽（核窗宽）很难确定,一个带宽并不能适用于所有的图像。本文围绕Mean Shift算法的这两方面问题展开,在分割效率和分割效果上进行改善,更利于图像的实时分割,使算法更适合实际应用,主要研究内容如下:（1）提出一种快速均值漂移图像分割算法（Fast Mean Shift,FMS）,改善传统Mean Shift算法迭代次数多、分割效率低的问题。FMS算法选择少量像素点作为初始点进行迭代计算,而出现在高维球区域内的其他像素点则根据其与已有类中心的相似性进行归类,从而减少Mean Shift算法总的迭代次数,缩短分割时间。FMS算法采用加州大学伯克利分校图像数据库和互联网图像进行实验。（2）提出一种基于支持向量机（Support Vector Machine,SVM）和FMS的图像分割算法（FMS-SVM）,改善Mean Shift算法迭代时人为设定带宽影响前景分割的问题。FMS-SVM算法首先寻找图像中包含显着区域（即目标区域）的最小子图,接下来的操作都在子图上进行,减少参与分割的像素点个数,缩短分割时间。然后用FMS算法对子图预分割,并根据预分割结果选择正负样本进行SVM分类超平面训练,接着用得到的SVM分类超平面对子图像素点分类,得到子图分类结果。最终,将子图像素的分类标签还原到原图,得到原图的结果。FMS-SVM算法采用加州大学伯克利分校图像数据库进行实验。本文提出的FMS和FMS-SVM图像分割算法有效地改善传统Mean Shift方法分割效率低、迭代带宽难选取的缺陷,取得的研究成果对分割技术有一定的意义。
刘晶[8]（2016）在《自动化血细胞形态学分析及分类关键技术研究》文中研究说明自动化血细胞的形态学分析与识别,已经成为临床诊断、病理分析以及治疗的重要手段。它可以帮助血液学家诊断疾病,如白血病和血液癌症等。白细胞识别的传统方法是抽取人体血液,经染色制成血涂片,由医学专家在显微镜下对白细胞进行形态学分析和分类,依据分析和分类的结果判断疾病。这种传统的镜检方法效率比较低,对医学专家的要求比较高,识别结果依赖人的主观判断,在临床血液病诊断上,存在很大的局限性。开发一个自动化血细胞形态学分析和识别系统,利用计算机对白细胞进行自动化形态学分析和分类,在临床医学中具有广阔的应用前景。依靠图像处理和模式识别技术,对白细胞进行形态学分析及识别的研究比较多,但目前在市场上,尚没有自动化血细胞形态学分析与识别仪器应用于临床试验。这是由于目前存在的白细胞分割或识别算法存在很多的不足。诸如不能很好的解决复杂的白细胞粘连问题,白细胞分割和识别精度低或算法鲁棒性尚不能满意等。本文针对以上问题,提出了一种自动化血细胞形态学分析和识别的算法,旨在开发出一套血细胞自动化识别系统。本文对血细胞样本图像进行形态学分析及分类的处理,主要包括四个大的方面：细胞库的建立,白细胞的分割,特征提取,白细胞识别。因人体质、人年龄、疾病种类、光照、染色条件及采集硬件设备等的不同,细胞样本图像的质量也不尽相同。本文控制光强条件,疾病种类（正常外周血,M3患者,M5患者）,采集多于10人的血细胞图像建立细胞样本库。本文采用两种方法对白细胞进行分割,一种是控制光照强度范围基于颜色空间与数学运算的白细胞分割方法,另一种是不受光照强度影响基于Mean shift聚类和自适应阈值分割技术的白细胞分割方法,同时本文采用了一种改进的分水岭变换方法分割复杂的粘连白细胞。本文从形态、颜色及纹理等方面选取特征参数来表征白细胞,本着数量少,可靠,独立和可区分的特征提取原则将特征参数送入分类器对白细胞进行识别。白细胞分类是一个多分类问题。本文分析多种分类器算法如随机森林、K-近邻、BP神经网络等的性能优缺点,选择随机森林与K-近邻相结合的分类策略对白细胞进行识别,识别结果优于传统的算法。本文旨在提出一种自动化血细胞形态学分析及分类算法,本课题建立了自己的细胞样本库；通过实验表明,本文算法能解决复杂的白细胞粘连问题,适用于多种细胞样本库图像的分割且有较高的分割率；本文选择的特征能很好的表征不同类型白细胞；本文所选择的白细胞识别策略识别率高于传统的算法。
王卫星,苏培垠[9]（2012）在《基于颜色、梯度矢量流活动轮廓及支持向量机实现白细胞的提取和分类》文中研究指明提出了一种基于图像技术实现白细胞分类的方法。首先,利用彩色图像的信息转换、距离变换和梯度矢量流活动轮廓（GVF Snake）等方法从血液细胞图像中提取出白细胞;然后,利用细胞核在图像中具有较高颜色饱和度的特点,结合数学形态学和GVF Snake方法从白细胞中精确地提取出细胞核。最后,根据细胞的形态、颜色及纹理特征用支持向量机（SVM）对白细胞进行分类。实验结果表明:在上述图像分割的基础上,基于支持向量机分类器的方法对白细胞进行分类,分类准确度能够达到89.6%。与其他传统的分割和分类的方法相比,本文提出的方法具有一定的优越性。
李宽[10]（2012）在《细胞图像的分割、纹理提取及识别方法研究》文中进行了进一步梳理本文对细胞图像的分割、纹理提取及识别中的关键技术进行了深入研究，主要包括单细胞图像中细胞核与细胞质边缘的精确提取、细胞图像的纹理提取及细胞图像多特征融合分类。此外，本文还尝试改进极限学习机（Extreme LearningMachine，ELM）分类器处理细胞图像分类中常存在的不平衡数据问题。主要研究成果如下：1.本文提出一种基于射线梯度的GVF Snake主动轮廓模型，用以从单细胞图像中精确定位细胞核与细胞质的边缘。GVF Snake主动轮廓模型是种应用广泛的目标边缘跟踪算法。在细胞图像中，细胞质与背景间的界限相对模糊、细胞核与细胞质边缘附近常分散有干扰性的血细胞及炎症细胞、染色浓度不均匀，这些都容易将GVF Snake轮廓吸附到错误的位置。为解决这些问题，本文结合细胞图像中染色浓度的分布特点，提出了如下改进：（1）充分利用梯度的方向性信息，提出了基于射线梯度的边缘图计算思路，相比传统梯度边缘图，能有效提取模糊边缘；（2）提出了基于栈的灰度差补偿算法，结合正灰度差抑制，能有效克服由噪声、血细胞及炎症细胞等引起的虚假梯度的影响。Herlev宫颈细胞数据集上的实验验证了这种方法的有效性。2.本文提出一种基于Gabor系数分块统计的细胞图像纹理提取方法。纹理特征在细胞图像状态识别中发挥着重要作用。针对Gabor滤波后图像特征维数高、数据量大的问题，提出如下改进：将图像分成若干子块，计算各子块中特定尺度和方向Gabor系数的均值和方差，组成各块的特征矢量。按行列顺序将各块特征矢量拼接组成整幅图像的特征矢量。依据投票规则将多个两类分类器组合成多类分类器，并在两类分类器设计时自适应地挑选出最具分辨能力的最优特征子集。在Yale人脸数据库上进行实验并与其他方法进行比较，讨论了分块大小和最优特征子集维数对分类识别率的影响。HEp-2细胞染色型别分类实验验证了本方法的有效性。3.本文提出一种基于局部最大熵多值模式的细胞图像纹理提取方法。局部多值模式（Local Multiple Pattern，LMP）是对局部二值模式（Local Binary Pattern，LBP）的改进，是种高效的图像纹理特征提取方法。但局部多值模式需手工设定多个阈值，且其特征维数过高。为解决这两个问题，提出如下改进：首先，统计每幅图像的灰度差直方图，依据最大熵原理在此直方图基础上自动计算各阈值，以保留最多的不确定性及分类信息。然后，使用平面切分组合编码机制取代原有的编码机制，将特征维度控制在多项式范围内。在Outex与KTH-TIPS纹理数据集上与局部二值模式及局部多值模式进行了全方位比较，验证了本方法的有效性。HEp-2细胞染色型别分类实验也取得了满意的效果。4.本文提出一种基于后验概率的细胞图像多特征融合分类方法。在细胞图像分类中，需对不同方法提取的多种特征进行有效的融合。首先，使用每种特征训练一个后验概率分类器，将多个分类器的概率输出加权求和，构建集成分类器。其中，各分类器的权重根据其在训练集上的表现确定，在训练集上表现较好的分类器将获得较大的权重。而后，将集成分类器用作元分类器嵌入到AdaBoost.M1分类器集成框架中，提升分类效果。HEp-2细胞染色型别分类实验表明：该方法能有效融合多种图像特征，显着提升分类性能。5.本文提出两种改进ELM分类器处理不平衡数据分类问题的方法。对临床数据分类时，受限于各种条件，常出现样本集分布不平衡的情况。使用标准分类方法对不平衡数据处理时常无法取得满意的结果。不平衡数据的分类问题已得到广泛的研究关注，但尚无相关研究围绕ELM分类器展开。本文提出如下改进：首先，将代价敏感信息引入ELM，为不同类样本赋予不同的错分权重，使用遗传算法搜索最优权重集合，提出代价敏感ELM；然后，将代价敏感ELM嵌入代价敏感AdaBoost.M1分类器集成框架，提出代价敏感组合ELM。在19个医学相关不平衡数据集上的实验验证了所提出的两种方法的有效性。
二、基于MEAN-SHIFT和SVM的血细胞图像分割（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于MEAN-SHIFT和SVM的血细胞图像分割（论文提纲范文）
（1）基于深度学习的白细胞分类识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景和研究意义 |
| 1.2 国内外研究现状和发展趋势 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究目标和思路 |
| 1.4 论文结构安排 |
| 2 机器学习与深度学习方法理论 |
| 2.1 机器学习 |
| 2.2 深度学习 |
| 2.3 人工神经网络 |
| 2.4 卷积神经网络 |
| 2.5 本章小结 |
| 3 白细胞图像分割方法研究 |
| 3.1 外周血细胞图像预处理 |
| 3.1.1 图像滤波 |
| 3.1.2 色彩空间转换 |
| 3.2 基于细胞核的白细胞定位与分割 |
| 3.2.1 细胞核定位 |
| 3.2.2 白细胞图像分割方法 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 基于深度学习的白细胞分类识别方法 |
| 4.1 外周血细胞形态及图像分析 |
| 4.2 数据扩增和数据集的建立 |
| 4.3 深度学习框架及开发环境介绍 |
| 4.4 白细胞分类识别方法总体流程 |
| 4.5 白细胞分类模型的网络架构与训练方法 |
| 4.5.1 LCNet网络架构 |
| 4.5.2 打乱输入训练集顺序 |
| 4.5.3 学习率设置 |
| 4.5.4 Batch Normalization算法 |
| 4.5.5 dropout策略 |
| 4.6 实验结果与分析 |
| 4.6.1 实验评价指标 |
| 4.6.2 实验结果分析 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（2）全自动血涂片细胞形态智能识别分析技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究的价值及意义 |
| 1.3 国内外发展现状及发展态势 |
| 1.4 本课题研究内容及组织架构 |
| 第二章 血涂片白细胞识别的理论基础及设计方案 |
| 2.1 光学显微镜介绍 |
| 2.1.1 光学显微镜基本成像原理 |
| 2.1.2 光学显微镜介绍及相机选型 |
| 2.1.2.1 光学显微镜参数介绍 |
| 2.1.2.2 显微镜选型与相机选型 |
| 2.2 系统硬件结构的需求及设计 |
| 2.2.1 硬件总体结构设计 |
| 2.2.2 通信控制模块设计 |
| 2.3 系统软件架构的需求及设计 |
| 2.3.1 软件编程技术介绍 |
| 2.3.2 软件模块设计介绍 |
| 2.4 白细胞识别基本知识及样本说明 |
| 2.5 本章小结 |
| 第三章 血涂片图像的清晰度评价函数 |
| 3.1 清晰度评价算法的需求分析 |
| 3.2 点锐度清晰度评价函数 |
| 3.3 基于图像梯度的清晰度评价函数 |
| 3.3.1 能量梯度清晰度评价函数 |
| 3.3.2 Tenengrad清晰度评价函数 |
| 3.3.3 改进Sobel算子清晰度评价函数 |
| 3.3.4 Laplancian清晰度评价函数 |
| 3.4 基于熵函数的清晰度评价函数 |
| 3.5 基于频域的清晰度评价函数 |
| 3.6 清晰度评价函数的对比总结 |
| 3.7 本章小结 |
| 第四章 血涂片图像的分割算法 |
| 4.1 基于色彩空间的红细胞与细胞核阈值分割法 |
| 4.1.1 色彩空间介绍 |
| 4.1.2 血涂片图像颜色分解及二值化 |
| 4.1.3 细胞核去噪及核轮廓分割 |
| 4.2 基于坐标定位的改进Grabcut白细胞分割算法 |
| 4.2.1 Graph Cut介绍 |
| 4.2.2 分水岭算法预分割 |
| 4.2.3 基于坐标定位的GrabCut分割方法 |
| 4.2.3.1 GrabCut原理 |
| 4.2.3.2 基于坐标定位的GrabCut算法流程 |
| 4.3 分割结果分析 |
| 4.4 本章小结 |
| 第五章 图像的特征提取及选择 |
| 5.1 特征提取 |
| 5.1.1 形态学特征提取 |
| 5.1.2 纹理特征提取 |
| 5.1.3 颜色特征提取 |
| 5.2 特征选择 |
| 5.3 本章小结 |
| 第六章 血涂片白细胞分类识别 |
| 6.1 分类器概述 |
| 6.2 SVM分类器 |
| 6.2.0 SVM分类器原理 |
| 6.2.1 SVM分类器多分类策略 |
| 6.2.1.1 一对多法SVM |
| 6.2.1.2 一对一法SVM |
| 6.2.1.3 层次SVM |
| 6.3 XGBoost分类器 |
| 6.3.1 XGBoost分类器原理 |
| 6.3.2 XGBoost树节点分裂方法 |
| 6.4 分类结果及分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 课题总结 |
| 7.2 课题展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间取得的研究成果 |
（3）基于机器学习的血细胞分类研究进展（论文提纲范文）
| 前言 |
| 1 血细胞分类方法 |
| 1.1 图像获取及预处理 |
| 1.2 图像分割 |
| 1.3 图像特征提取 |
| 1.4 分类器分类 |
| 2 结语 |
（4）基于均值漂移和GrowCut的彩色图像自动分割研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像分割应用 |
| 1.2.2 图像分割方法 |
| 1.3 均值漂移算法的研究现状 |
| 1.4 GrowCut算法的研究现状 |
| 1.5 论文主要工作 |
| 1.6 本文的组织结构 |
| 第2章 彩色图像分割 |
| 2.1 图像分割数学含义 |
| 2.2 彩色图像分割概述 |
| 2.3 彩色图像分割方法 |
| 2.3.1 基于区域的分割技术 |
| 2.3.2 基于边缘的分割技术 |
| 2.3.3 基于图论的分割技术 |
| 2.3.4 基于人工智能的分割技术 |
| 2.4 图像分割算法评价 |
| 2.4.1 评价方案和要求 |
| 2.4.2 分割算法评价法则 |
| 2.5 本章小结 |
| 第3章 基于GrowCut算法的彩色图像分割 |
| 3.1 传统交互式图像分割 |
| 3.2 GrowCut算法简介 |
| 3.2.1 元胞自动机理论 |
| 3.2.2 GrowCut算法概述 |
| 3.3 GrowCut彩色图像分割 |
| 3.3.1 GrowCut种子模板 |
| 3.3.2 GrowCut迭代分割效果 |
| 3.3.3 GrowCut算法总结 |
| 3.4 本章小结 |
| 第4章 自适应带宽的均值漂移图像预分割算法 |
| 4.1 均值漂移算法原理 |
| 4.1.1 均值漂移向量 |
| 4.2 均值漂移图像分割算法 |
| 4.3 自适应带宽均值漂移彩色图像自动分割 |
| 4.3.1 自适应带宽值 |
| 4.3.2 距离度量方法 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 基于均值漂移和GrowCut算法的彩色图像分割 |
| 5.1 自适应均值漂移图像预分割 |
| 5.2 初始种子点定位算法 |
| 5.2.1 显着性检测 |
| 5.2.2 拟蒙特卡洛算法 |
| 5.2.3 初始种子模板 |
| 5.3 算法步骤描述 |
| 5.4 分割评价标准 |
| 5.5 实验结果与对比分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文 |
（5）基于特征分析的细胞显微图像的分类识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 显微细胞图像分割的国内外研究现状 |
| 1.2.2 显微细胞图像分类的国内外研究现状 |
| 1.3 本文主要工作和创新点 |
| 1.4 论文组织框架 |
| 2 相关方法及原理 |
| 2.1 细胞显微图像的分割方法 |
| 2.1.1 图像预处理 |
| 2.1.2 细胞核定位方法 |
| 2.1.3 数学形态学原理 |
| 2.2 细胞显微图像的分类方法 |
| 2.2.1 细胞核特征类型描述和提取 |
| 2.2.2 细胞显微图像特征选择算法 |
| 2.2.3 细胞显微图像分类识别算法 |
| 2.3 本章小结 |
| 3 基于双准则联合定位的细胞显微图像分割方法 |
| 3.1 老鼠肠道组织切片显微细胞图像的采集 |
| 3.2 细胞核的定位和细分割 |
| 3.2.1 图像预处理 |
| 3.2.2 小波分解和Mean-shift聚类的联合定位 |
| 3.2.3 基于改进的形态学方法的粘连细胞核分割 |
| 3.3 实验结果与分析 |
| 3.3.1 实验条件 |
| 3.3.2 算法的整体分类结果 |
| 3.3.3 不同分割算法的结果比较 |
| 3.4 本章小结 |
| 4 基于MRmMC的显微细胞图像自动分类识别 |
| 4.1 细胞核区域的特征提取 |
| 4.1.1 细胞核的形态特征 |
| 4.1.2 细胞核的颜色特征 |
| 4.1.3 细胞核的纹理特征 |
| 4.2 显微细胞图像的MRmMC算法 |
| 4.2.1 相关性和多重共线性 |
| 4.2.2 细胞的特征选择和分类 |
| 4.3 实验结果与分析 |
| 4.3.1 算法的整体分类结果 |
| 4.3.2 不同分类算法的结果比较 |
| 4.4 本章小结 |
| 5 总结和展望 |
| 5.1 论文总结 |
| 5.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A.作者在攻读学位期间发表的论文及专利结果 |
| B.作者在攻读学位期间参与的科研项目 |
（6）基于GA-SVM模型的机采籽棉杂质识别（论文提纲范文）
| 0 引言 |
| 1 支持向量机理论 |
| 1.1 SVM原理 |
| 1.2 SVM核函数 |
| 1.3 遗传算法优化SVM参数 |
| 2 基于邻域颜色、纹理特征的SVM图像分割 |
| 2.1 颜色空间选择 |
| 2.2 特征向量提取 |
| 2.3 SVM图像分割 |
| 3 基于颜色、纹理、形状特征的SVM杂质识别 |
| 3.1 形态学处理 |
| 3.2 SVM杂质识别 |
| 4 算法流程 |
| 5 试验与结果分析 |
| 5.1 试验材料与装置 |
| 5.2 实例分析 |
| 6 结论 |
（7）Mean Shift图像分割算法的改进（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像分割简介 |
| 1.2.2 图像分割研究现状 |
| 1.3 主要研究内容及结构安排 |
| 第二章 背景知识 |
| 2.1 均值漂移算法简介 |
| 2.1.1 均值漂移定义 |
| 2.1.2 均值漂移算法的发展 |
| 2.2 支持向量机简介 |
| 2.3 本章小结 |
| 第三章 快速均值漂移图像分割方法 |
| 3.1 快速均值漂移图像分割算法 |
| 3.1.1 算法原理 |
| 3.1.2 算法的具体实现 |
| 3.2 FMS算法的实验结果及分析 |
| 3.2.1 FMS算法的实验环境及实验数据 |
| 3.2.2 FMS算法的实验结果与分析 |
| 3.3 本章小结 |
| 第四章 基于SVM和FMS的图像分割方法 |
| 4.1 基于支持向量机的图像分割 |
| 4.2 基于SVM和FMS的图像分割算法 |
| 4.2.1 算法原理 |
| 4.2.2 算法的具体实现 |
| 4.3 FMS-SVM分割算法的实验结果及分析 |
| 4.3.1 FMS-SVM算法的实验环境及实验数据 |
| 4.3.2 FMS-SVM算法的实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（8）自动化血细胞形态学分析及分类关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外发展现状 |
| 1.3 课题研究的目的和内容 |
| 1.4 论文结构安排 |
| 第二章 课题准备 |
| 2.1 课题样本的选取与说明 |
| 2.1.1 课题的样本采集 |
| 2.1.2 样本说明 |
| 2.2 前期的工作准备 |
| 2.2.1 白细胞基础知识 |
| 2.2.2 白细胞形态学先验信息的获取 |
| 2.3 软件系统算法流程图 |
| 第三章 白细胞的分割 |
| 3.1 概述 |
| 3.2 算法基础 |
| 3.2.1 RG色度空间 |
| 3.2.2 CMYK颜色空间 |
| 3.2.3 Mean shift聚类算法 |
| 3.2.4 传统的分水岭分割 |
| 3.2.5 形态学操作 |
| 3.3 白细胞核的分割 |
| 3.3.1 白细胞核分割 |
| 3.3.2 白细胞核团的获取方法 |
| 3.4 白细胞的分割 |
| 3.4.1 基于颜色空间与数学运算的白细胞分割方法 |
| 3.4.2 基于Mean shift聚类和自适应阈值分割的白细胞分割方法 |
| 3.5 复杂粘连白细胞分割新方法 |
| 3.6 后处理 |
| 3.7 分割结果评估 |
| 3.8 本章小结 |
| 第四章 白细胞特征提取 |
| 4.1 细胞图像裁剪 |
| 4.2 形态学特征提取 |
| 4.3 纹理特征的提取 |
| 4.3.1 灰度共生矩阵 |
| 4.3.2 维小波变换 |
| 4.4 颜色特征的提取 |
| 第五章 分类器的设计 |
| 5.1 常用分类器介绍 |
| 5.1.1 人工神经网络 |
| 5.1.2 随机森林 |
| 5.1.3 K-近邻 |
| 5.1.4 支持向量机 |
| 5.2 分类策略的选择 |
| 5.2.1 分类性能比较 |
| 5.2.2 分类策略 |
| 5.3 本章小结 |
| 第六章 系统框架和软件界面的设计 |
| 6.1 系统组成 |
| 6.2 软件界面设计 |
| 6.3 实验结果与分析 |
| 第七章 总结与展望 |
| 7.1 课题总结 |
| 7.2 课题展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间研究成果 |
| 学位论文评阅及答辩情况表 |
（9）基于颜色、梯度矢量流活动轮廓及支持向量机实现白细胞的提取和分类（论文提纲范文）
| 1 引 言 |
| 2 细胞图像的分割及白细胞提取 |
| 2.1 图像的预处理 |
| 2.2 彩色血细胞图像的分割 |
| 2.3 白细胞的精确提取 |
| 2.3.1 GVF Snake模型图像分割原理 |
| 2.3.2 精确的白细胞提取流程 |
| 2.4 白细胞中细胞核的提取 |
| 3 白细胞的特征提取及白细胞分类 |
| 3.1 SVM分类的基本原理 |
| 3.1.1 线性可分情况 |
| 3.1.2 线性不可分情况 |
| 3.2 SVM对白细胞分类的流程 |
| 3.3 血液中白细胞特征提取 |
| 3.3.1 形态特征 |
| 3.3.2 颜色特征 |
| 3.3.3 纹理特征 |
| 3.4 针对白细胞的SVM分类器设计 |
| 4 实验结果和分析 |
| 5 结 论 |
（10）细胞图像的分割、纹理提取及识别方法研究（论文提纲范文）
| 表目录 |
| 图目录 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景与社会意义 |
| 1.2 细胞图像获取及处理流程 |
| 1.3 研究现状 |
| 1.3.1 细胞图像分割方法研究现状 |
| 1.3.2 细胞图像纹理特征提取方法研究现状 |
| 1.3.3 细胞图像分类方法研究现状 |
| 1.4 课题来源与研究目标 |
| 1.5 本文的研究内容与组织安排 |
| 第二章 基于射线梯度GVF Snake模型的宫颈细胞图像分割 |
| 2.1 引言 |
| 2.2 宫颈细胞图像预处理 |
| 2.2.1 图像灰度化 |
| 2.2.2 边缘保持去噪 |
| 2.3 初始轮廓提取 |
| 2.3.1 细胞核、细胞质和背景粗分割 |
| 2.3.2 灰度加权中心标定 |
| 2.4 射线梯度GVF Snake主动轮廓模型 |
| 2.4.1 GVF Snake主动轮廓模型 |
| 2.4.2 基于射线梯度的边缘图计算 |
| 2.4.3 基于栈的灰度差补偿算法 |
| 2.5 实验与结果 |
| 2.5.1 细胞核分割实验 |
| 2.5.2 细胞质分割实验 |
| 2.6 本章小结 |
| 第三章 基于Gabor系数分块统计的细胞图像纹理提取 |
| 3.1 引言 |
| 3.2 Gabor变换简介 |
| 3.3 Gabor系数分块统计 |
| 3.3.1 块特征矢量计算 |
| 3.3.2 图像特征矢量计算 |
| 3.4 最优特征选择及分类器设计 |
| 3.4.1 自适应特征选择 |
| 3.4.2 利用投票机制构建多类分类器 |
| 3.5 实验与结果 |
| 3.5.1 人脸识别实验 |
| 3.5.2 HEp-2细胞染色型别分类实验 |
| 3.6 本章小结 |
| 第四章 基于局部最大熵多值模式的细胞图像纹理提取 |
| 4.1 引言 |
| 4.2 局部二值模式与局部多值模式 |
| 4.3 局部最大熵多值模式 |
| 4.3.1 基于最大熵原理的自适应阈值求解 |
| 4.3.2 平面切分组合编码 |
| 4.3.3 多分辨率分析 |
| 4.4 实验与结果 |
| 4.4.1 公共纹理数据集实验 |
| 4.4.2 HEp-2细胞染色型别分类实验 |
| 4.5 本章小结 |
| 第五章 基于后验概率的细胞图像多特征融合分类 |
| 5.1 引言 |
| 5.2 背景介绍 |
| 5.2.1 图像纹理提取 |
| 5.2.2 后验概率分类器 |
| 5.3 后验概率加权融合 |
| 5.4 AdaBoost.M1分类器集成框架 |
| 5.5 实验与结果 |
| 5.6 本章小结 |
| 第六章 改进ELM分类器解决医学数据的不平衡分类问题 |
| 6.1 引言 |
| 6.2 背景介绍 |
| 6.2.1 代价敏感分类 |
| 6.2.2 不平衡数据分类评价标准 |
| 6.3 代价敏感ELM（CS-ELM） |
| 6.4 代价敏感组合ELM（ELM-AdaCx） |
| 6.5 实验与结果 |
| 6.5.1 实验环境及参数设定 |
| 6.5.2 不平衡两类问题分类性能测试 |
| 6.5.3 使用ELM对预处理后的不平衡数据进行分类测试 |
| 6.5.4 不平衡多类问题分类性能测试 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 对本文工作的总结 |
| 7.2 对未来工作的展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、基于MEAN-SHIFT和SVM的血细胞图像分割（论文参考文献）
- [1]基于深度学习的白细胞分类识别方法研究[D]. 杨雪莹. 西安科技大学, 2020(01)
- [2]全自动血涂片细胞形态智能识别分析技术研究[D]. 于腾. 电子科技大学, 2020(07)
- [3]基于机器学习的血细胞分类研究进展[J]. 孙凯,姚旭峰,马风玲,赵文硕,黄钢. 中国医学物理学杂志, 2020(01)
- [4]基于均值漂移和GrowCut的彩色图像自动分割研究[D]. 刘响. 江苏大学, 2018(03)
- [5]基于特征分析的细胞显微图像的分类识别[D]. 徐莎. 重庆大学, 2018(04)
- [6]基于GA-SVM模型的机采籽棉杂质识别[J]. 张成梁,李蕾,董全成,葛荣雨. 农业工程学报, 2016(24)
- [7]Mean Shift图像分割算法的改进[D]. 赵胜男. 山西大学, 2016(06)
- [8]自动化血细胞形态学分析及分类关键技术研究[D]. 刘晶. 山东大学, 2016(02)
- [9]基于颜色、梯度矢量流活动轮廓及支持向量机实现白细胞的提取和分类[J]. 王卫星,苏培垠. 光学精密工程, 2012(12)
- [10]细胞图像的分割、纹理提取及识别方法研究[D]. 李宽. 国防科学技术大学, 2012(11)