【摘要】：圖像識別主要包括圖像預(yù)處理、特征提取、分類識別等內(nèi)容。深入挖掘圖像中的特征信息,提高特征提取的可靠度,是圖像識別的關(guān)鍵環(huán)節(jié)。圖像識別可分為靜態(tài)目標(biāo)識別與運(yùn)動目標(biāo)識別。靜態(tài)目標(biāo)識別可以通過單幀圖像分析來完成,而動態(tài)目標(biāo)識別通常需要依據(jù)視頻或者圖像序列的時間、空間連續(xù)變化規(guī)律來實(shí)現(xiàn)。無論是靜態(tài)目標(biāo)識別還是動態(tài)目標(biāo)識別,都要結(jié)合圖像自身的特點(diǎn)及識別目標(biāo)的相關(guān)知識,才能設(shè)計(jì)出具有更高識別率及更好實(shí)時性的圖像識別系統(tǒng)。宮頸細(xì)胞及火災(zāi)煙霧識別是當(dāng)今學(xué)術(shù)界關(guān)注的兩類熱點(diǎn)問題。以靜態(tài)的宮頸細(xì)胞及動態(tài)的火災(zāi)煙霧作為研究對象,在深入分析細(xì)胞及火災(zāi)煙霧圖像特征的基礎(chǔ)上,設(shè)計(jì)了具有良好性能的宮頸細(xì)胞篩查系統(tǒng)及火災(zāi)煙霧探測系統(tǒng)。主要工作如下:首先,對于較復(fù)雜的靜態(tài)目標(biāo),圖像分割耗時長、難度大。為了解決這一問題,對HE染色的宮頸細(xì)胞特性進(jìn)行深入地分析,對比不同區(qū)塊圖像的特征,發(fā)現(xiàn)不同種類的塊圖像的紋理、顏色等特性呈現(xiàn)出較大差異,提出了用分塊處理代替圖像分割的思想,在此基礎(chǔ)上,設(shè)計(jì)了一種基于塊圖像特性分析的宮頸細(xì)胞篩查系統(tǒng)。利用背景區(qū)塊與非背景區(qū)塊圖像的特征差異,去除背景區(qū)塊,減少后續(xù)處理量;隨后,將非背景塊分為正常塊、異常塊,對兩種塊圖像的特征進(jìn)行深入分析,并通過特征選擇,提取出11個特征,通過T檢驗(yàn)(p0.001)驗(yàn)證了所選特征具有較大區(qū)分度;根據(jù)所選特征設(shè)計(jì)支持向量機(jī)結(jié)構(gòu)及參數(shù),實(shí)現(xiàn)正常、異常塊圖像的分類識別。通過對比實(shí)驗(yàn)證明,本文所設(shè)計(jì)的基于塊圖像特征的宮頸細(xì)胞識別系統(tǒng),相較于基于分割的識別系統(tǒng),在保證準(zhǔn)確率的基礎(chǔ)上,提高了系統(tǒng)的實(shí)時性,為臨床應(yīng)用提供了更多可能性。其次,常規(guī)的圖像識別系統(tǒng),通常需要人工選擇識別對象的特征,使得系統(tǒng)具有較強(qiáng)的局限性,一般只對某種特定環(huán)境下的特定對象有很好效果。就宮頸細(xì)胞而言,已有的識別系統(tǒng),通常只對某一種染色下的宮頸細(xì)胞效果較好,而對于不同染色下的宮頸細(xì)胞,需要設(shè)計(jì)不同的識別系統(tǒng)。針對這一問題,利用卷積神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)能力及支持向量機(jī)的分類優(yōu)勢,對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),用支持向量機(jī)代替?zhèn)鹘y(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的輸出層,構(gòu)建了一個基于支持向量機(jī)的卷積神經(jīng)網(wǎng)絡(luò)。針對不同染色的宮頸細(xì)胞這一研究對象,設(shè)計(jì)網(wǎng)絡(luò)的相關(guān)參數(shù),實(shí)現(xiàn)正常、異常細(xì)胞的分類識別。通過對比實(shí)驗(yàn)證明,本文提出的識別系統(tǒng)比常規(guī)的卷積神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)準(zhǔn)確率更高。最后,僅采用靜態(tài)特征模型不能描述目標(biāo)的動態(tài)特性,且很難解決動態(tài)目標(biāo)場景復(fù)雜、快速移動等問題。因此,對于運(yùn)動目標(biāo)的識別,需要結(jié)合靜態(tài)、動態(tài)特性,綜合分析。以火災(zāi)煙霧為研究對象,為了實(shí)現(xiàn)極早期火災(zāi)探測,利用煙霧特殊的湍流特性,對可疑運(yùn)動區(qū)域輪廓的光流矢量特性進(jìn)行提取,代替?zhèn)鹘y(tǒng)的對于整個可疑區(qū)域光流矢量的計(jì)算。在此基礎(chǔ)上,提出了一套“動-靜-動”的識別方案:先利用改進(jìn)的幀間差分法檢測出運(yùn)動目標(biāo),排除靜態(tài)物體的干擾;隨后,通過檢測運(yùn)動區(qū)域的顏色模型及紋理特征,排除部分運(yùn)動干擾;采用基于高斯金字塔的Lucas-Kanade光流法,分析運(yùn)動區(qū)域輪廓的光流矢量,排除非煙干擾,確定煙霧區(qū)域。通過對比實(shí)驗(yàn)證明,本文提出的煙霧識別方案不僅保證了準(zhǔn)確率,也提高了實(shí)時性。
[Abstract]:Image recognition mainly includes image preprocessing, feature extraction, classification and recognition. Deep mining of image feature information to improve the reliability of feature extraction is the key link of image recognition. Image recognition can be divided into static object recognition and moving object recognition. In order to design an image recognition system with higher recognition rate and better real-time performance, both static and dynamic object recognition should be combined with the characteristics of the image itself and the relevant knowledge of the target recognition. Cell and fire smoke identification are two hot topics in academia nowadays. Taking static cervical cells and dynamic fire smoke as research objects, a cervical cell screening system with good performance and a fire smoke detection system are designed on the basis of in-depth analysis of cell and fire smoke image characteristics. In order to solve this problem, the characteristics of cervical cells stained with HE are analyzed in depth, and the features of different blocks are compared. It is found that the textures and colors of different kinds of blocks are quite different, and a block processing is proposed to replace the image. Based on the idea of image segmentation, a cervical cell screening system based on the analysis of the characteristics of the block image is designed. Eleven features are extracted by feature selection, and the T-test (p0.001) verifies that the selected features have a large degree of discrimination; support vector machine structure and parameters are designed according to the selected features to achieve normal and abnormal block image classification and recognition. Compared with segmentation-based recognition system, it improves the real-time performance of the system and provides more possibilities for clinical application on the basis of ensuring the accuracy. Secondly, the conventional image recognition system usually needs to select the features of the recognition objects manually, which makes the system have strong limitations, generally only for specific pairs in a specific environment. As far as cervical cells are concerned, the existing recognition systems are usually better for one kind of stained cervical cells, but for different stained cervical cells, different recognition systems need to be designed. A convolution neural network based on support vector machine is constructed by improving the product neural network and replacing the output layer of the traditional convolution neural network with support vector machine.The relevant parameters of the network are designed for different stained cervical cells to realize the classification and recognition of normal and abnormal cells. The proposed recognition system is more accurate than conventional convolution neural network and support vector machine. Finally, the static feature model alone can not describe the dynamic characteristics of the target, and it is difficult to solve the dynamic target scene complex, fast moving and other problems. Therefore, for moving target recognition, it is necessary to combine static and dynamic characteristics, comprehensive analysis. In order to detect fire haze in the very early stage, the optical flow vector characteristics of suspicious moving region contour are extracted by using the special turbulence characteristics of smoke, instead of the traditional calculation of optical flow vector for the whole suspicious region. The frame difference method based on Gauss pyramid is used to detect moving objects and eliminate the interference of static objects. Then, some motion disturbances are eliminated by detecting the color model and texture features of moving regions. The Lucas-Kanade optical flow method based on Gauss pyramid is used to analyze the optical flow vector of moving region contour, eliminate non-smoke disturbance and determine the smoke region. Experiments show that the smoke recognition scheme proposed in this paper not only guarantees accuracy, but also improves real-time performance.
【學(xué)位授予單位】：天津大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 范永法,鄭長宏;用于表面裂紋自動檢測的圖像識別算法[J];機(jī)械設(shè)計(jì)與制造;2002年04期

2 王海珍;廉佐政;滕艷平;;基于小生境技術(shù)的火災(zāi)圖像識別算法[J];計(jì)算機(jī)工程與科學(xué);2010年11期

3 霍云;宗光華;孫明磊;張杰;畢樹生;;基于對稱特征相似性的圖像識別算法研究[J];光學(xué)技術(shù);2009年02期

4 王瀟茵;胡昌振;;基于直覺模糊——神經(jīng)網(wǎng)絡(luò)的色情圖像識別算法[J];信息網(wǎng)絡(luò)安全;2009年07期

5 王宏;莫裕孟;尹莉軍;向時平;;野外復(fù)雜背景下輕武器射擊目標(biāo)的圖像識別算法[J];火力與指揮控制;2009年07期

6 楊立玲;胡躍明;王婷;戚其豐;;基于小波結(jié)構(gòu)矩的圖像識別算法[J];半導(dǎo)體技術(shù);2009年11期

7 蔡政;丁宣浩;陳麗霞;劉憶寧;;敏感圖像識別算法研究[J];企業(yè)科技與發(fā)展;2012年05期

8 程詠梅,潘泉,張洪才,王剛;計(jì)算機(jī)智能圖像識別算法研究[J];計(jì)算機(jī)應(yīng)用;2004年02期

9 張锏;;基于區(qū)域的圖像識別算法研究[J];電腦知識與技術(shù);2010年29期

10 趙穎;孫群;葛廣英;;美國白蛾幼蟲網(wǎng)幕圖像識別算法[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2013年09期

相關(guān)會議論文 前10條

1 張冬娟;唐萬有;;基于投影特征的燙印圖像識別算法的研究[A];2013中國食品包裝學(xué)術(shù)會議論文摘要集[C];2013年

2 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

3 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

4 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

5 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

6 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

7 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

9 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

10 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

相關(guān)重要報(bào)紙文章 前10條

1 美國明尼蘇達(dá)大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報(bào);2003年

4 中國科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報(bào);2007年

6 本報(bào)記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡(luò)[N];科技日報(bào);2011年

7 健康時報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國際先進(jìn)水平[N];中國電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 趙萌;圖像識別算法在細(xì)胞篩查及火災(zāi)探測中的研究[D];天津大學(xué);2016年

2 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

3 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

4 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

5 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

6 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

7 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

8 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

9 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

10 李艷晴;風(fēng)速時間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 王銀立;輸電線路導(dǎo)線斷股及絕緣子自爆的圖像識別算法研究[D];電子科技大學(xué);2014年

2 胡偉;一種新型的太陽能硅片數(shù)片機(jī)[D];中國計(jì)量學(xué)院;2015年

3 孫吉祥;果蠅求偶行為的圖像識別算法研究[D];南京農(nóng)業(yè)大學(xué);2014年

4 盧始亮;手掌靜脈圖像識別算法的設(shè)計(jì)與移植[D];浙江工業(yè)大學(xué);2015年

5 韓修禮;面向移動設(shè)備的圖像識別算法研究[D];北京交通大學(xué);2016年

6 王靜;基于ICA和ELM的圖像識別算法研究[D];中國海洋大學(xué);2015年

7 傅天駒;基于深度學(xué)習(xí)的林火圖像識別算法及實(shí)現(xiàn)[D];北京林業(yè)大學(xué);2016年

8 胡惠賢;基于異構(gòu)平臺的視頻圖像識別算法研究與實(shí)現(xiàn)[D];華南理工大學(xué);2016年

9 陳文一;動車組異常圖像識別算法及應(yīng)用研究[D];華中科技大學(xué);2015年

10 程嘉暉;基于深度卷積神經(jīng)網(wǎng)絡(luò)的飛行器圖像識別算法研究[D];浙江大學(xué);2017年

，

本文編號：2220565