基于聯(lián)合特征PCANet的宮頸細(xì)胞圖像分類識別方法研究.pdf

1、宮頸癌日益威脅著廣大女性的健康，因而宮頸癌的早期篩查預(yù)防就顯得非常必要，計(jì)算機(jī)輔助自動(dòng)化診斷可以有效減少人工對宮頸細(xì)胞圖像的判讀的誤差，并降低人工成本，使宮頸癌篩查技術(shù)可以快速推廣，具有很好的社會價(jià)值和經(jīng)濟(jì)效益。
　　本文對宮頸細(xì)胞圖像分類識別方法的關(guān)鍵技術(shù)進(jìn)行了研究，包括宮頸細(xì)胞圖像去噪，增強(qiáng)，特征提取和分類識別。主要研究內(nèi)容為:
　　(1)采用基于塊組的非局部自相似先驗(yàn)學(xué)習(xí)圖像去噪（patch group basedno

2、nlocal self-similarity prior learning for image denoising, PGPD）方法用于宮頸細(xì)胞圖像去噪處理。仿真實(shí)驗(yàn)表明本文所采用的去噪方法對宮頸細(xì)胞圖像去噪的同時(shí)能夠較好地保護(hù)宮頸細(xì)胞圖像的結(jié)構(gòu)信息，且在噪聲增加時(shí)峰值信噪比(peaksignal to noise ratio，PSNR)與結(jié)構(gòu)相似性指數(shù)（structural similarity index，SSIM）降低的程度較小，

3、因而具有較好的魯棒性。
　　(2)采用基于自適應(yīng)S型函數(shù)的B直方圖均衡方法對宮頸細(xì)胞圖像進(jìn)行增強(qiáng)處理，使得圖像特征突出，有利于特征提取。
　　(3)在PCANet的基礎(chǔ)上構(gòu)造聯(lián)合特征PCANet將網(wǎng)絡(luò)中間層提取的特征與最后一層輸出的特征聯(lián)合起來作為最終的特征輸出，聯(lián)合特征PCANet可以減少圖像特征在逐層提取過程中的丟失，因而使最后提取的特征能更好地表征圖像之間的差異。得到提取的特征后再利用SVM進(jìn)行分類識別。仿真實(shí)驗(yàn)表明本