【摘要】：隨著計算機技術的發(fā)展及交叉學科在各領域的廣泛應用,基于機器視覺的顯微圖像自動識別技術也在醫(yī)學領域中得到迅猛發(fā)展,不僅為臨床診斷提供了一個可靠高效的工具,同時也為醫(yī)學科研和教學帶來了方便。寄生蟲卵檢測是醫(yī)學中重要檢測項目之一,傳統(tǒng)寄生蟲卵檢測大多采用人工鏡檢方式,不僅效率低,工作強度大,而且受操作人員主觀影響較大,無法保存完整的病例資料,不利于臨床動態(tài)觀察。基于機器視覺的自動檢測不僅效率高,無污染,而且適應現代醫(yī)療信息化發(fā)展的需求,因此本文在前人對寄生蟲卵、細胞顯微圖像識別研究的基礎上,著重研究了基于機器視覺的寄生蟲卵顯微圖像采集到識別的過程。具體研究內容如下:1.著重介紹了基于機器視覺的寄生蟲卵顯微圖像自動識別系統(tǒng)的硬件結構設計,包括蟲卵標本的自動采集裝置、顯微鏡的自動拍攝裝置、照明系統(tǒng)、CCD相機、圖像采集卡等。2.針對寄生蟲卵顯微圖像高噪聲的特點,研究圖像預處理及分割方法,并提出了一種改進的二維最大熵閾值遺傳算法結合形態(tài)學分割圖像的優(yōu)化算法,能準確快速的實現寄生蟲卵顯微圖像的除噪分割。3.詳細介紹了寄生蟲卵顯微圖像的幾種常見特征類型,并研究提取各類特征的方法,找到一組最佳的特征組合作為寄生蟲卵顯微圖像的輸入量來表征各類典型寄生蟲卵顯微圖像的特點。4.研究幾種智能識別算法,如BP(Back Propagation)神經網絡,SVM(Support Vector Machine),針對提取的寄生蟲卵顯微圖像特征,分別設計了基于BP神經網絡的分類器和基于SVM分類器,并且統(tǒng)計了各自識別的精確度,然后將這兩種分類器的識別率作對比,從中選出高精度高效率的分類器。通過本文的研究和試驗,證明基于機器視覺的寄生蟲卵顯微圖像自動識別技術是可行的、有效的,在醫(yī)學上具有一定的實用價值。
[Abstract]:With the development of computer technology and the wide application of interdiscipline in various fields, the automatic recognition technology of microscopic image based on machine vision has been developed rapidly in the field of medicine, which not only provides a reliable and efficient tool for clinical diagnosis. At the same time, it also brings convenience to medical research and teaching. The detection of parasite eggs is one of the most important items in medicine. The traditional examination of parasite eggs is mostly by artificial microscope, which is not only low efficiency and high working intensity, but also can not preserve the complete case data due to the subjective influence of the operators. It is unfavorable to clinical dynamic observation. The automatic detection based on machine vision is not only efficient and pollution-free, but also adapt to the needs of modern medical information development. Therefore, this paper is based on the research of microscopic image recognition of parasite eggs and cells. The process of parasite egg microscopic image acquisition and recognition based on machine vision is studied. The specific research contents are as follows: 1. This paper mainly introduces the hardware structure design of the parasite egg microscopic image recognition system based on machine vision, including the automatic collection device of egg specimen, the automatic shooting device of microscope, the illumination system, the CCD camera, the image acquisition card and so on. In view of the high noise characteristics of parasite egg microscopic image, the image preprocessing and segmentation methods are studied, and an improved two-dimensional maximum entropy threshold genetic algorithm combined with morphological image segmentation optimization algorithm is proposed. Can accurately and quickly realize the parasite egg microscopic image denoising segmentation. 3. In this paper, several common characteristic types of parasite egg microscopic image are introduced in detail, and the methods of extracting all kinds of characteristics are studied. To find out a group of best feature combinations as the input amount of parasite egg microscopic image to characterize the characteristics of various typical parasite egg microscopic images. 4. This paper studies several intelligent recognition algorithms, such as BP (Back Propagation) neural network, SVM (Support Vector Machine), which designs classifiers based on BP neural network and SVM classifier, respectively, according to the features of extracted parasite egg microscopic images. The recognition accuracy of the two classifiers is analyzed, and the recognition rates of the two classifiers are compared to select the high precision and high efficiency classifiers. Through the research and experiment in this paper, it is proved that the automatic recognition technology of parasite egg microscopic image based on machine vision is feasible and effective, and has certain practical value in medicine.
【學位授予單位】：河南科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關期刊論文 前10條

1 蘇靜;楊武俊;;基于BP神經網絡圖像分割算法研究[J];工業(yè)控制計算機;2015年12期

2 史文中;趙元凌;王群明;;多偏移遙感圖像的BP神經網絡亞像元定位[J];紅外與毫米波學報;2014年05期

3 王迪;;基于線性判別分析的寄生蟲卵識別[J];現代計算機(專業(yè)版);2014年13期

4 李林偉;王紅旗;姜磊;;基于支持向量機的表面肌電信號動作模式識別[J];科學技術與工程;2014年07期

5 劉娜;姜燕;;智能優(yōu)化算法在圖像分割中的性能分析[J];計算機與數字工程;2013年05期

6 胡曉泊;張鵬;安稷;張丹丹;于君君;林杰;;基于計算機視覺的醫(yī)學圖像自動識別技術研究[J];微計算機信息;2012年10期

7 李峰;孫啟艷;;基于圖像邊界特征的人體寄生蟲蟲卵形狀分類算法研究[J];計算機科學;2012年05期

8 周長英;;基于改進的模糊BP神經網絡圖像分割算法[J];計算機仿真;2011年04期

9 郭凱;;遺傳算法的3種改進方法和分析[J];電子測試;2011年03期

10 許宗敬;胡平;;顯微圖像紋理特征提取方法綜述[J];微計算機應用;2009年06期

相關博士學位論文 前1條

1 梁光明;體液細胞圖像有形成分智能識別關鍵技術研究[D];國防科學技術大學;2008年

相關碩士學位論文 前10條

1 漆鵬杰;基于機器視覺的顯微細胞圖像有形成分自動識別研究[D];蘇州大學;2015年

2 陳琴;基于機器視覺的糞便白細胞自動檢測動態(tài)庫設計與實現[D];山東大學;2015年

3 劉國陽;基于機器視覺的微小零件尺寸測量技術研究[D];哈爾濱工業(yè)大學;2014年

4 高源;血吸蟲卵圖像識別算法設計與實現[D];南京航空航天大學;2014年

5 彭馳;基于BP神經網絡的南方紅土物源識別研究[D];浙江師范大學;2013年

6 李寧;基于流統(tǒng)計特性的應用協(xié)議識別技術研究[D];南京郵電大學;2013年

7 宋陽;全自動點膠機控制器上位機控制系統(tǒng)研制與設計[D];合肥工業(yè)大學;2013年

8 張聰;醫(yī)學生物細胞分割與提取的研究與實現[D];長春理工大學;2013年

9 胡文靜;基于機器視覺的人眼生物信息獲取技術的研發(fā)與仿真[D];哈爾濱理工大學;2010年

10 馮進功;基于數學形態(tài)學的醫(yī)學圖像處理研究[D];黑龍江大學;2009年

，

本文編號：2423678