斑马鱼视网膜细胞图像分析研究

论文摘要

斑马鱼视网膜细胞的计数与分类是检查细胞变异的重要依据,具有重要的生物学意义。先前的视网膜细胞的计数和分类以人工操作为主,由于工作量太大,因此,必须研究自动的方法来帮助研究人员完成这两项工作。本文在细胞图像分割、细胞计数、特征提取与选择、细胞分类这四个方面进行了研究。在细胞图像的分割方面,本文采用了基于梯度流跟踪的分割方法。它包括以下三个步骤:梯度向量扩散、梯度流跟踪和自适应阈值分割。通过梯度向量扩散与梯度流跟踪,细胞图像被分割成很多个仅包含一个细胞和周围背景的小区域;然后使用自适应阈值法成功地从每一个小区域的背景中提取独立的细胞。该方法很好地解决了其他算法在粘连细胞图像分割过程中经常发生的较严重的过分割或欠分割问题。在细胞图像分割的基础上,本文参照八邻域边界跟踪技术和图像标号算法,采用了基于边界跟踪的计数算法实现了细胞计数。最后,本文研究了斑马鱼视网膜七类细胞的特征及分类规则,提取了细胞的彩色光密度特征和形态特征,并对特征的选择和分类器的设计进行了讨论和研究。选用最小距离分类器对斑马鱼视网膜细胞进行分类。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 本文的项目背景与意义
• 1.2 生物医学图像处理与分析技术的发展
• 1.3 论文的主要工作
• 1.4 论文结构
• 2 斑马鱼视网膜细胞图像预处理
• 2.1 图像灰度化及直方图计算
• 2.1.1 图像灰度化
• 2.1.2 直方图计算
• 2.2 图像平滑
• 2.2.1 邻域平均法
• 2.2.2 实验结果
• 2.3 本章小节
• 3 斑马鱼视网膜细胞图像的分割
• 3.1 图像分割概述
• 3.1.1 图像分割定义
• 3.1.2 图像分割研究现状
• 3.1.3 图像分割方法
• 3.2 斑马鱼视网膜细胞图像分割的问题分析
• 3.3 基于梯度流跟踪的分割方法
• 3.3.1 梯度向量扩散
• 3.3.2 梯度流跟踪
• 3.3.3 自适应阈值分割
• 3.3.4 斑马鱼视网膜细胞图像分割方法总结
• 3.4 实验结果与分析
• 3.5 本章小节
• 4 斑马鱼视网膜细胞的自动计数
• 4.1 细胞计数方法研究
• 4.2 斑马鱼视网膜细胞的自动计数
• 4.2.1 图像标号算法
• 4.2.2 基于边界跟踪的计数算法
• 4.3 实验结果与分析
• 4.4 本章小节
• 5 斑马鱼视网膜细胞的特征提取与选择
• 5.1 七类斑马鱼视网膜细胞分析
• 5.2 斑马鱼视网膜细胞的特征提取
• 5.2.1 形态特征
• 5.2.2 彩色光密度特征
• 5.3 斑马鱼视网膜细胞的特征选择
• 5.3.1 特征选择
• 5.3.2 实验结果与分析
• 5.4 本章小节
• 6 斑马鱼视网膜细胞的分类
• 6.1 分类器设计方法
• 6.2 斑马鱼视网膜细胞的分类
• 6.2.1 最小距离监督分类算法
• 6.2.2 斑马鱼视网膜细胞的逐级分类
• 6.3 实验结果与分析
• 6.4 本章小节
• 7 总结与展望
• 7.1 论文总结
• 7.2 工作展望
• 致谢
• 参考文献