论文部分内容阅读
宫颈癌日益威胁着广大女性的健康,因而宫颈癌的早期筛查预防就显得非常必要,计算机辅助自动化诊断可以有效减少人工对宫颈细胞图像的判读的误差,并降低人工成本,使宫颈癌筛查技术可以快速推广,具有很好的社会价值和经济效益。本文对宫颈细胞图像分类识别方法的关键技术进行了研究,包括宫颈细胞图像去噪,增强,特征提取和分类识别。主要研究内容为:(1)采用基于块组的非局部自相似先验学习图像去噪(patch group based nonlocal self-similarity prior learning for image denoising,PGPD)方法用于宫颈细胞图像去噪处理。仿真实验表明本文所采用的去噪方法对宫颈细胞图像去噪的同时能够较好地保护宫颈细胞图像的结构信息,且在噪声增加时峰值信噪比(peak signal to noise ratio,PSNR)与结构相似性指数(structural similarity index,SSIM)降低的程度较小,因而具有较好的鲁棒性。(2)采用基于自适应S型函数的B直方图均衡方法对宫颈细胞图像进行增强处理,使得图像特征突出,有利于特征提取。(3)在PCANet的基础上构造联合特征PCANet将网络中间层提取的特征与最后一层输出的特征联合起来作为最终的特征输出,联合特征PCANet可以减少图像特征在逐层提取过程中的丢失,因而使最后提取的特征能更好地表征图像之间的差异。得到提取的特征后再利用SVM进行分类识别。仿真实验表明本文方法对宫颈细胞图像二分类识别准确率为95.71%,三分类识别准确率为85.40%,具有一定应用价值。(4)基于MATLAB GUI设计了宫颈细胞图像分类识别系统,包含训练和检测两个模块,实现联合特征PCANet网络和分类器的训练以及宫颈细胞图像的检测,功能实现完整,操作简洁,具有较好的应用价值。