论文摘要
尿沉渣检查是临床检查中心检验操作规程中的一项基本要求,根据尿液有形成分的形状、纹理等特征来识别尿液中的红细胞、白细胞、管型、上皮细胞、结晶等各种生理或病理成分,从而为医务人员对泌尿系统疾病做出正确的诊断提供帮助。常规体格检查或化学实验中不能发现的异常变化,常可通过尿沉渣有形成分的定性以及定量分析而确定。由此可见,尿沉渣的镜检具有非常重要的临床意义。为了提高结果的客观性,减少人为因素对结果的影响,提高尿沉渣检查的标准化,降低工作人员的劳动强度,研制全自动的尿沉渣分析仪具有重要的意义。论文研究了尿液有形成分的检测方法,利用数字图像处理技术和模式识别对尿沉渣图像的分割和有形成分的分类进行了深入研究。从图像特征出发,将多种处理算法有机的结合,通过计算和反复实验,提出了一套完整有效的对尿液有形成分进行分析和分类的处理方案。论文的主要任务是在全自动尿沉渣分析仪硬件系统的基础上,设计并实现其控制操作和管理软件,设计并实现对尿沉渣图像的自动识别算法。为了实现对尿液有形成分的准确分析,关键是对图像进行有效的分割。图像的质量是图像分割的基础,论文提出了基于主分量分析的自动聚焦算法,有效提高了获取的图像的质量。另外,分割前对图像的预处理可以有效降低分割的难度,提高分割的准确性。论文提出了基于局部均值拉伸的图像增强和光照不均匀消除及阴影抑制算法;然后采用细胞神经网络对图像进行分割,并结合形态学操作和基于对测点的区域二次分割方法,得到最终的有形成分分割结果;再提取有形成分区域的多项形状、统计和纹理参数,对各个区域进行描述;最后利用多BP神经网络组合得到的分级分类器对区域进行分类,从而得到识别的最终结果。论文工作主要有六个部分:第一部分对系统的硬件、软件系统和控制流程进行介绍。第二部分为对尿沉渣图像的预处理算法。论文提出了基于局部均值拉伸的图像增强算法,通过拉伸图像中各个点与其某邻域内灰度均值的差异达到增强图像对比度的目的;同时可以通过对邻域内均值的变换,消除图像中光照的不均匀和阴影。第三部分为系统中的自动聚焦算法。论文提出了基于主分量分析(Principal component analysis,PCA)的自动聚焦算法,算法通过对同一视野的对幅图像分别计算多个清晰度评价指标,然后通过PCA算法对这些指标进行融合,得到最终的清晰度评价。第四部分为尿沉渣图像的分割算法,论文利用细胞神经网络,设计合适的模板对图像进行分割;然后结合形态学操作,实现对图像的初步分割;最后论文提出了基于对侧点的区域二次分割算法,通过对区域边缘形状的分析,确定二次分割的位置,从而实现分离粘连细胞、消除区域毛刺的目的。第五部分为图像区域特征的提取算法,通过对图像特征及其分布曲线的分析,确定若干形状参数、统计参数和纹理参数作为对区域的描述,为分类作好准备。第六部分为有形成分的分类,介绍了BP神经网络和支持向量机的基础知识,通过对测试结果的初步分析,提出了分级的分类器组合方法,然后在每级中采用多个BP网络进行投票以提高分类的准确度,从而最终实现全自动的尿沉渣检查。
论文目录
摘要Abstract目录图目录表目录第1章 绪论1.1 课题的研究背景1.2 尿沉渣分析仪的研究现状1.2.1 流式细胞术尿沉渣分析仪1.2.2 影像式尿沉渣分析仪1.3 尿沉渣图像的特点1.4 尿沉渣图像分析算法研究现状1.4.1 图像预处理1.4.2 图像分割1.4.2.1 基于灰度特征的阈值分割方法1.4.2.2 基于边缘提取的阈值分割方法1.4.2.3 基于边缘检测和边缘连接的分割方法1.4.2.4 基于区域的分割方法1.4.2.5 其他方法1.4.3 特征提取1.4.4 目标的分类识别1.5 课题的提出和目标1.6 论文结构第2章 全自动尿沉渣分析系统的总体设计与实现2.1 系统的硬件组成2.2 系统的软件组成2.3 系统控制流程和资源调度2.4 本章小结第3章 尿沉渣图像预处理算法研究3.1 常用的图像增强方法3.1.1 直接灰度变换3.1.2 直方图处理3.1.2.1 直方图均衡3.1.2.2 直方图规定化3.1.3 图像间的运算3.1.4 空域平滑滤波器3.1.4.1 均值滤波器3.1.4.2 中值滤波器3.1.5 空间锐化滤波器3.1.5.1 梯度算子3.1.5.2 拉普拉斯运算3.1.6 变换域的增强算法3.2 图像光照不均匀的消除3.3 基于局部灰度均值拉伸的图像预处理算法3.4 实验结果与分析3.5 本章小结第4章 基于主分量分析的自动聚焦算法研究4.1 简介4.2 PCA算法4.2.1 协方差矩阵的非负定性4.2.2 交换不变性4.3 图像清晰度评价函数4.4 实验结果与分析4.5 本章小结第5章 尿沉渣图像分割算法研究5.1 样本初筛、稀释判断以及有形成分位置确定算法5.1.1 Canny算子图像分割5.1.2 样本初筛算法5.1.3 样本稀释的判断算法5.1.4 有形成分位置的判断算法5.2 细胞神经网络算法5.3 基于形态学操作的区域后处理5.3.1 形态学处理5.3.2 边缘跟踪5.3.3 对侧点的提出5.4 实验结果与分析5.4.1 样本初筛5.4.2 基于CNN的尿沉渣图像分割5.4.3 基于形态学操作的区域后处理5.4.4 低倍镜图像的分割5.5 本章小结第6章 尿沉渣图像特征提取方法的研究6.1 特征提取算法6.1.1 形态特征6.1.2 统计特征6.1.3 纹理特征6.1.3.1 灰度共生矩阵6.1.3.2 局部差分序列6.2 尿沉渣有形成分特征提取实验和分析6.3 本章小结第7章 基于多分类器融合的尿沉渣有形成分分类算法7.1 人工神经网络7.1.1 神经元模型7.1.2 BP学习算法7.1.3 基于多BP神经网络融合的尿液有形成分分类7.2 支持向量机7.2.1 机器学习基础7.2.2 统计学习理论7.2.2.1 VC（Vapnik-Chervonenkis）维7.2.2.2 学习机器推广性的界7.2.2.3 结构风险最小化7.2.3 支持向量机7.2.3.1 线性可分情况7.2.3.2 线性不可分情况7.2.3.3 支持向量机7.2.3.4 核函数7.2.4 多分类的支持向量机7.2.4.1 1-v-r分类器7.2.4.2 1-v-1分类器7.3 多分类器融合7.4 实验结果与分析7.4.1 高倍镜样本的初筛7.4.2 基于支持向量机的分类结果7.4.3 基于多BP神经网络融合的尿液有形成分分类7.4.4 低倍镜下有形成分的分类识别7.5 本章小结第8章 总结与展望参考文献攻读学位期间的学术成果发表的论文参与的科研项目致谢
相关论文文献
标签：尿沉渣论文; 自动聚焦论文; 主分量分析论文; 图像增强论文; 细胞神经网络论文; 区域二次分割论文; 多分类器融合论文;
