尿沉渣有形成分自動分類系統(tǒng)研究.pdf

1、為了能夠對尿沉渣有形成分進行準確的數(shù)據(jù)分析，關鍵是要對該種圖像進行正確分割。本文采用分水嶺變換對尿沉渣圖像進行分割，但此算法容易造成圖像的過分割，導致圖像的輪廓線掩埋在雜亂的分水嶺線中。對分割后的尿沉渣圖像，利用形態(tài)特征參數(shù)對尿沉渣有形成分進行描述。采用輪廓跟蹤、徑向基神經(jīng)網(wǎng)絡和支持向量機等方法對尿沉渣有形成分分類識別，提出以輪廓跟蹤方法計算得出的特征參數(shù)值作為支持向量機的輸入訓練樣本，再經(jīng)過反復訓練和測試得到多個分類器，將被測圖像輸入

2、到多分類器中進行分類，解決了尿沉渣有形成分的多分類問題。綜上所述，作者認為本文的創(chuàng)造性工作如下。 (1)本文在理論和實驗研究的基礎上，指出了利用分水嶺算法對尿沉渣圖像進行分割存在的過分割現(xiàn)象，為解決這一問題，作者提出了首先采用形態(tài)處理算法對尿沉渣圖像進行預處理，以消除圖像中的大部分噪聲和無關雜質，再采用先標記圖像后用分水嶺分割圖像的方法，并對分割后的圖像通過區(qū)域合并處理得到最終的分割結果，此種方法在很大程度上解決了分水嶺算法的過

3、分割現(xiàn)象； (2)盡管上述方法能在很大程度上解決過分割問題，但過分割現(xiàn)象還在某種程度上存在。作者根據(jù)過分割后小區(qū)域間像素點的灰度值比較接近的特點，提出了將水平集方法和分水嶺算法相融合的尿沉渣圖像分割方法。 (3)使用輪廓跟蹤方法對大量的尿沉渣圖像進行特征參數(shù)計算，得出了不同有形成分的參數(shù)值范圍，根據(jù)這些參數(shù)值的不同，設計出了基于特征參數(shù)的尿沉渣有形成分的分類方法； (4)使用RBFNN對分割后的圖像進行分類，但存

4、在分類精度低的缺點，為解決這一問題，作者引入了SVM分類方法。 全文共由七章組成，各章的主要內容如下。 第一章從尿沉渣分析儀的研究背景和國內外發(fā)展現(xiàn)狀等方面做了簡要敘述，闡明了本課題主要研究意義和目的，指出了本文的研究內容和論文的組織結構。 第二章簡要介紹了尿沉渣涂片的制備過程和圖像的獲取過程，說明了尿沉渣圖像各種有形成分的特點，描述了它們在顯微鏡下的形態(tài)特征，給出了部分典型圖片。 第三章介紹了分水嶺(W

5、atershed)算法的基本原理和實現(xiàn)過程。本文在前人研究的基礎上對分水嶺算法的處理過程做了改進，即在分水嶺算法之前，引入了形態(tài)學變換和標記提取的方法作為分水嶺算法的輸入圖像，在分水嶺算法分割之后，對過分割區(qū)域進行合并，以去除或減小過分割區(qū)域。 第四章提出了一種將水平集方法和分水嶺算法相融合的尿沉渣圖像分割方法。 第五章在完成尿沉渣圖像分割以后，要進一步提取圖像的特征，以便更好的對尿沉渣有形成分進行分類。 第六章