CN106067026B - 一种中药材显微图像的特征提取与识别检索方法 - Google Patents
一种中药材显微图像的特征提取与识别检索方法 Download PDFInfo
- Publication number
- CN106067026B CN106067026B CN201610368665.7A CN201610368665A CN106067026B CN 106067026 B CN106067026 B CN 106067026B CN 201610368665 A CN201610368665 A CN 201610368665A CN 106067026 B CN106067026 B CN 106067026B
- Authority
- CN
- China
- Prior art keywords
- image
- pcnn
- traditional chinese
- chinese medicine
- coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明公开了一种中药材显微图像的特征提取与识别检索方法,通过引入PCNN赋时矩阵信息处理方法,结合PCNN与图像傅里叶变换和小数幂指数滤波相,提取变换域中图像特征信息,以马氏距离结合Pearson积矩相关法的综合相似性度量为依据,提出中药材显微图像信息快速存储、识别检索算法,构建全息中药材显微组织图像、花粉图像特征提取与识别检索系统,进一步提高中药材质量评价的客观性、准确性、可重复性和智能化程度,为中药材检测与分析的现代化提供一种新的途径。
Description
技术领域
本发明属于生物医学信息处理领域,尤其涉及一种中药材显微图像的特征提取与识别检索方法。
背景技术
脉冲耦合神经网络(PCNN)是根据猫、猴等哺乳动物大脑视觉皮层上同步脉冲发放现象提出的,有着良好的生物学背景,该模型具有动态变阈值、非线性调制耦合、同步脉冲发放、动态脉冲发放及时空总和等特性,使得PCNN在信号处理应用,特别是在图像处理应用中显示了巨大的优越性。但传统PCNN模型还存在以下理论不足及技术缺点:
(1)该模型在非线性调制耦合和阈值指数衰变方面,其阈值衰减是反复变化的,这种阈值变化不能很好地符合人眼对亮度响应的非线性指数要求,并且通过这种阈值规律处理后的图像(或其他信号)中大量信息蕴含在神经元的激活周期(频率)或者激活相位中,而输出的图像却并不包含全部的可用信息;
(2)PCNN模型中大量漏电积分器和一些反馈连接的存在,虽然提高了模型仿生学的逼近程度及生物处理信息的真实性,但这不仅增加了模型的复杂性,同时也加大了对信号处理时间的开销;
(3)传统PCNN模型参数过多,对参数的(自动)设定及优化会增加许多困难;
(4)由于中药材显微图像的复杂性与特殊性,传统PCNN模型不适宜处理显微组织类图像。
发明内容
本发明的目的在于提供一种中药材显微图像的特征提取与识别检索方法,旨在提高中药材质量评价的客观性、准确性、可重复性和智能化程度。
本发明是这样实现的,一种中药材显微图像的特征提取与识别检索方法包括:
步骤一、采集原始图像,对原始图像进行预处理,分割出目标区域的轮廓,进行图像去噪,将神经网络PCNN与图像对应,将中心神经元与图像的像素点对应,中心神经元的邻域与邻域像素点对应,神经元的输入为像素点的灰度值;
步骤二、建立从空间图像处理信息到时间信息的PCNN赋时矩阵,将赋时矩阵视为不变直方图矢量重心,经PCNN迭代处理中药材显微图像并提取直方图矢量不变特征;
步骤三、把PCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割,提取中药材二值图像目标,建立引入交叉熵分割判据的PCNN中药材显微图像分割算法;
步骤四、以最大互信息优化多值图像分割并进行图像去噪,建立相邻分割图像互信息熵差最小分类判据,选取中药显微图像建立基于最小互信息熵差的PCNN自动多值目标分割算法,得到完善的多值目标图像;
步骤五、利用PCNN模型处理中药材显微图像,提取各二维图像的一维时间序列信号特征并存储特征信息,对该一维时间序列信号进行熵变换,形成熵序列信号,并作为PCNN处理的另一图像特征,并结合中药材显微图像体视学要求的图像目标特征,提取中药材显微图像空域特征;
步骤六、将PCNN模型与图像傅里叶变换小数幂指数滤波相结合,提取图像变换域特征信息;
步骤七、分析PCNN迭代图像处理图像的形状、颜色、纹理及原图像目标形状、结构分布的归一化转动惯量混合特征,引入马氏距离结合Pearson积矩相关法的综合相似性度量方法,提取中药材显微图像PCNN的特征信息;
步骤八、提取同一图像的步骤二、步骤五、步骤六、步骤七所述的特征信息,建立中药材显微图像特征信息库,搭建中药材显微图像的主辅特征识别与检索的智能专家系统。
进一步,所述的图像去噪的具体方法为:
步骤一、将含噪图像f(x,y)进行二维平稳小波变换,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数;
步骤二、对第一层的低频系数利用PCNN进行区域分割;
步骤三、将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;
步骤四、采用脉冲耦合神经网络对噪声图像进行处理,得到熵序列En,将En作为边缘检测算子;
步骤五、进行阈值寻优,得到最优去噪阈值k;
步骤六、根据求得的边缘检测算子En和最优去噪阈值k,采用改进的各向异性扩散模型对图像进行去噪。
进一步,所述神经网络PCNN内置检测优化模块,该检测优化模块用于:
将采集到的图像建立图像的显著模型,所述建立图像的显著性模型包括:
利用预定过分割算法对所述图像进行过分割,和模板参数提取,对整个输入图像,以8*8个像素为单元,计算每个单元的平均灰度值和每个单元的最大灰度值,得到至少一个区域,同一个所述区域中各个像素点的颜色值相同;
确定每个所述区域的颜色值和质心;
根据各个区域所对应的颜色值以及各个区域的质心,建立所述显著性模型。
其中,Si1为区域Ri中任一像素点的显著性值,w(Rj)为区域Rj中的像素点的个数,DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值,DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值,N为对所述图像进行过分割后得到的区域的总个数,DS(Ri,Rj)为:DS(Ri,Rj)=exp(-(Center(Ri)-Center(Rj))2/σs 2);Center(Ri)为所述区域Ri的质心,Center(Rj)为所述区域Rj的质心,当所述图像中各个像素点的坐标均归一化到[0,1]时;
进一步,所述神经网络PCNN利用下列公式运行PCNN模型:
Fij[n]=Sij
Lij[n]=VL∑WijklYkl[n-1]
Uij[n]=Fij[n](1+βLij[n])
Iij[n]=N-n
式中:Uij[n]为内部活动项,Yij[n]为PCNN脉冲输出,Iij[n]为索引值;
当n=1时,Lij[1]=0,则Uij[1]=Fij[1]=Sij,θij[1]=LT(N-1)=Sij_max,对应的反馈输入中值为Sij_max的神经元将自然点火;神经元点火后,输出Yij[1]=1,θij[2]变为Vθ,点火神经元的索引值标记为Iij=N-1。
进一步,所述中药材显微图像的特征提取具体包括:
第一步、图像信号的采集、上传及分辨率调整:采集图像信号并将其实时所采集的图像信号通过图像信号传输装置上传,调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为一定值,得到图像f0(x,y);
第二步、图像特征提取:通过对所得到的图像f0(x,y)进行分析处理,得出图像的特征P,其分析处理过程如下:
二维小波变换:调用二维小波变换模块对图像f0(x,y)进行二维小波变换,得到:
其中,f0 0(m,n)为f0(x,y)变换后的低频分量,f0 1(m,n)为f0(x,y)变换后的水平高频分量,f0 2(m,n)为f0(x,y)变换后的垂直高频分量,f0 3(m,n)为f0(x,y)变换后的对角线高频分量,φ(-x,-y)为尺度函数,为相应的小波;x和m均为图像的横向坐标,y和n均为图像的纵向坐标;
调用对数变换模块,将经二维小波变换后的低频分量变换到对数空间,得到:I(x,y)=log f0 0(m,n);
调用均值方差归一化处理模块,对调用加权平均计算模块中所得到的加权平均结果R(x,y)进行灰度值线性拉伸,得到:R′(x,y)=G×R(x,y)+offset,其中,R′(x,y)为图像小波系数的变换输出值,R″(x,y)为均值方差归一化后用来显示的灰度值,G为增益系数,offset为R′(x,y)的偏移量,rmin为修正后图像小波系数中的最小值,rmax为修正后图像小波系数中的最大值;
调用二维小波反变换模块,将所得到的小波域中的三种高频分量和与调用均值方差归一化处理模块中所得到的用来显示的灰度值R″(x,y)作二维小波反变换,得到分辨率为M×H的图像f1(x,y),其中M和H均为自然数;
对L个图像信号进行采集、处理,调用定点独立分量分析模块,对L个经过所得到的图像信号进行特征提取,得出L个图像的特征P,其中,L为自然数;
步骤三、处理结果同步输出:第二步中进行图像特征提取过程中,对第二步中的图像信号处理过程及图像特征提取结果进行同步显示;
调用定点独立分量分析模块,对所得到的图像信号进行特征提取的步骤如下:
将L个经过处理后的图像分别按行展开后再进行组合,形成一个L行、M×N列的矩阵X=(x1,x2,x3,Λ,xL)T;
对矩阵X进行均值化,使得E(X)=0;
对矩阵X进行白化处理,使得E(XTX)=I;
初始化独立分量的个数,使得n=1,其中,n为独立分量的个数;
初始化wn,随机选取wn=wn/||wn||;
根据公式wn=E{Xg(wn TX)}-E{g′(wn TX)},求取wn;
判断得到的wn+1是否收敛,如果wn+1不收敛,返回求取wn;
取n=n+1,在n<M的情况下,逐一提取出所有的独立分量;
将各个独立分量构成矩阵S=(s1,s2,Λ,sP)T,根据公式P=FS-1计算出L个图像的特征P。
进一步,所述图像采集方法包括步骤:
对各图像采集设备采集的图像进行目标识别;
根据目标识别的结果,确定采集到目标的图像采集设备,将所述图像采集设备作为当前图像采集设备;
关闭除当前图像采集设备外的其它图像采集设备;
确定所述目标在图像中的位置以及所述目标的运动方向;
将所述位置和预设阈值进行比较,确定所述目标所在的图像区域,其中所述图像区域包括第一区域、第三区域以及位于所述第一区域和第三区域之间的第二区域;
若所述目标在第一区域或第三区域,根据第一区域或第三区域在图像上的方位,开启所述当前图像采集设备相应方向的图像采集设备;
若所述目标在第二区域,根据所述目标的运动方向开启所述当前图像采集设备相应方向的图像采集设备,并关闭所述当前图像采集设备;
确定所述目标在图像中的位置以及所述目标的运动方向的步骤包括:
对所述当前图像采集设备采集的当前图像以及当前图像的下一个图像进行边缘提取,获取当前图像的第一目标边缘信息和所述当前图像的下一个图像的第二目标边缘信息;
将所述第二目标边缘信息与所述第一目标边缘信息相减,得到黑点和白点;
根据黑点和白点的痕迹确定所述目标的运动方向以及所述目标在图像中的位置;
所述预设阈值包括第一阈值和第二阈值,其中所述第一阈值小于所述第二阈值;
将所述位置和预设阈值进行比较,确定所述目标所在的图像区域的步骤包括:
若所述位置小于所述第一阈值,确定所述目标位于第一区域;
若所述位置大于等于所述第一阈值、小于等于所述第二阈值,确定所述目标位于第二区域;
若所述位置大于所述第二阈值,确定所述目标位于第三区域。
进一步,所述平稳小波变换邻域系数萎缩的图像去噪方法包括:
先利用Canny边缘检测算子提取含噪图像的边缘特征,使边缘图像的像素点和含噪图像的像素点一一对应,将含噪图像中边缘像素点的值设零;寻找图像梯度的局部极大值,梯度用高斯滤波器的导数来计算,使用两个阈值分别检测强边缘和弱边缘;
再将得到的去掉边缘信息的含噪图像进行二维离散平稳小波变换,对小波系数采用基于邻域的方法进行系数萎缩。
本发明引入PCNN赋时矩阵信息处理方法,结合PCNN与图像傅里叶变换和小数幂指数滤波相,提取变换域中图像特征信息,以马氏距离结合Pearson积矩相关法的综合相似性度量为依据,提出中药材显微图像信息快速存储、识别检索算法,构建全息中药材显微组织图像、花粉图像特征提取与识别检索系统,进一步提高中药材质量评价的客观性、准确性、可重复性和智能化程度,为中药材检测与分析的现代化提供一种新的途径。本发明的方法设计合理、实现方便且投入成本低,操作简便;能够实现图像的动态范围压缩、保证图像的色感一致性,在考虑到图像均衡阴影部分的同时保留了图像的高频信息,变换后的图像不仅降低了光线的干扰,还恢复了图像高频细节信息;不仅考虑了信号的二阶统计特性,还考虑了高阶统计特性,在提高对光照变化鲁棒性方面,明显优于SSR、MSR以及直方图均衡、Log等传统图像处理方法;图像处理速度快,实用性强,能够应用于人脸识别,实现人脸识别在视频监控、人机交互、身份认证等方面的应用,能够很好地满足实际应用的需求。本发明首先判断哪个图像采集设备采集到目标,只开启拍摄到目标的图像采集设备,将其余的图像采集设备关闭。然后对拍摄到目标的图像采集设备采集的图像进行分析,自动对目标进行跟踪,实时掌握目标的位置信息,根据目标的位置信息开启相应的图像采集设备,从而避免了侦测系统采集一些无效的图像数据,有效节省了侦测系统的电源电量,减少了侦测系统要处理与拼接的图像数据,提高了图像数据的传输速率。本发明的平稳小波变换邻域系数萎缩的图像去噪方法充分考虑了平稳小波系数的邻域性质,对处理后的小波系数进行平稳小波反变换得到平滑去噪图像,最后将边缘图像嵌入平滑图像中得到去噪后的图像。
附图说明
图1是本发明实施例提供的中药材显微图像的特征提取与识别检索方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
请参阅图1:
中药材显微图像获取预处理及建库:
(1)拟根据药典收载分布在甘肃省不同地域的当归、党参、甘草、大黄、黄芪、百合、麻黄、柴胡、板蓝根、茴香、红花、天麻、贝母等几百种药用植物为研究的原始对象,在不同药材生长季节从生长地采集道地药材样本(或药材花粉样本),同时用高分辨率数码相机获取中药形态图像。
(2)在经过多名中药栽培和鉴定专家初步识别与鉴定的基础上取样、粉末化前处理、切片制作等处理,最后通过扫描电镜(或光学显微镜)分别获取标本的5-10个视野显微图像、花粉显微图像的原始图像。
(3)对显微图像获取过程中由于光线亮暗不均匀等因素,造成图像曝光不足或曝光过度的图像引入图像直方图修正或灰度非线性变换等算法实现图像增强;对环境条件、CCD相机及其他传感器件影响,导致获取图像产生的噪声干扰,分别运用中值滤波、维纳滤波等方法达到图像滤波目的。
(4)使用大型关系数据库管理系统Oracle构建中药材显微图像信息库。
一种中药材显微图像的特征提取与识别检索方法,包括:
S101、采集原始图像,对原始图像进行预处理,分割出目标区域的轮廓,进行图像去噪,将神经网络PCNN与图像对应,将中心神经元与图像的像素点对应,中心神经元的邻域与邻域像素点对应,神经元的输入为像素点的灰度值;
S102、建立从空间图像处理信息到时间信息的PCNN赋时矩阵,将赋时矩阵视为不变直方图矢量重心,经PCNN迭代处理中药材显微图像并提取直方图矢量不变特征;
S103、把PCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割,提取中药材二值图像目标,建立引入交叉熵分割判据的PCNN中药材显微图像分割算法;
S104、以最大互信息优化多值图像分割并进行图像去噪,建立相邻分割图像互信息熵差最小分类判据,选取中药显微图像建立基于最小互信息熵差的PCNN自动多值目标分割算法,得到完善的多值目标图像;
S105、利用PCNN模型处理中药材显微图像,提取各二维图像的一维时间序列信号特征并存储特征信息,对该一维时间序列信号进行熵变换,形成熵序列信号,并作为PCNN处理的另一图像特征,并结合中药材显微图像体视学要求的图像目标特征,提取中药材显微图像空域特征;
S106、将PCNN模型与图像傅里叶变换小数幂指数滤波相结合,提取图像变换域特征信息;
S107、分析PCNN迭代图像处理图像的形状、颜色、纹理及原图像目标形状、结构分布的归一化转动惯量混合特征,引入马氏距离结合Pearson积矩相关法的综合相似性度量方法,提取中药材显微图像PCNN的特征信息;
S108、提取同一图像的步骤S102、步骤S105、步骤S106、步骤S107所述的特征信息,建立中药材显微图像特征信息库,搭建中药材显微图像的主辅特征识别与检索的智能专家系统。
进一步,所述中药材显微图像的特征提取具体包括:
第一步、图像信号的采集、上传及分辨率调整:采集图像信号并将其实时所采集的图像信号通过图像信号传输装置上传,调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为一定值,得到图像f0(x,y);
第二步、图像特征提取:通过对所得到的图像f0(x,y)进行分析处理,得出图像的特征P,其分析处理过程如下:
二维小波变换:调用二维小波变换模块对图像f0(x,y)进行二维小波变换,得到:
其中,f0 0(m,n)为f0(x,y)变换后的低频分量,f0 1(m,n)为f0(x,y)变换后的水平高频分量,f0 2(m,n)为f0(x,y)变换后的垂直高频分量,f0 3(m,n)为f0(x,y)变换后的对角线高频分量,φ(-x,-y)为尺度函数,为相应的小波;x和m均为图像的横向坐标,y和n均为图像的纵向坐标;
调用对数变换模块,将经二维小波变换后的低频分量变换到对数空间,得到:I(x,y)=log f0 0(m,n);
调用均值方差归一化处理模块,对调用加权平均计算模块中所得到的加权平均结果R(x,y)进行灰度值线性拉伸,得到:R′(x,y)=G×R(x,y)+offset,其中,R′(x,y)为图像小波系数的变换输出值,R″(x,y)为均值方差归一化后用来显示的灰度值,G为增益系数,offset为R′(x,y)的偏移量,rmin为修正后图像小波系数中的最小值,rmax为修正后图像小波系数中的最大值;
调用二维小波反变换模块,将所得到的小波域中的三种高频分量和与调用均值方差归一化处理模块中所得到的用来显示的灰度值R″(x,y)作二维小波反变换,得到分辨率为M×H的图像f1(x,y),其中M和H均为自然数;
对L个图像信号进行采集、处理,调用定点独立分量分析模块,对L个经过所得到的图像信号进行特征提取,得出L个图像的特征P,其中,L为自然数;
第三步、处理结果同步输出:第二步中进行图像特征提取过程中,图像信号处理过程及图像特征提取结果进行同步显示;
调用定点独立分量分析模块,对所得到的图像信号进行特征提取的步骤如下:
将L个经过处理后的图像分别按行展开后再进行组合,形成一个L行、M×N列的矩阵X=(x1,x2,x3,Λ,xL)T;
对矩阵X进行均值化,使得E(X)=0;
对矩阵X进行白化处理,使得E(XTX)=I;
初始化独立分量的个数,使得n=1,其中,n为独立分量的个数;
初始化wn,随机选取wn=wn/||wn||;
根据公式wn=E{Xg(wn TX)}-E{g′(wn TX)},求取wn;
根据公式迭代出wn+1;
判断得到的wn+1是否收敛,如果wn+1不收敛,返回求取wn;
取n=n+1,在n<M的情况下,逐一提取出所有的独立分量;
将各个独立分量构成矩阵S=(s1,s2,Λ,sP)T,根据公式P=FS-1计算出L个图像的特征P。
进一步,所述图像采集方法包括步骤:
对各图像采集设备采集的图像进行目标识别;
根据目标识别的结果,确定采集到目标的图像采集设备,将所述图像采集设备作为当前图像采集设备;
关闭除当前图像采集设备外的其它图像采集设备;
确定所述目标在图像中的位置以及所述目标的运动方向;
将所述位置和预设阈值进行比较,确定所述目标所在的图像区域,其中所述图像区域包括第一区域、第三区域以及位于所述第一区域和第三区域之间的第二区域;
若所述目标在第一区域或第三区域,根据第一区域或第三区域在图像上的方位,开启所述当前图像采集设备相应方向的图像采集设备;
若所述目标在第二区域,根据所述目标的运动方向开启所述当前图像采集设备相应方向的图像采集设备,并关闭所述当前图像采集设备;
确定所述目标在图像中的位置以及所述目标的运动方向的步骤包括:
对所述当前图像采集设备采集的当前图像以及当前图像的下一个图像进行边缘提取,获取当前图像的第一目标边缘信息和所述当前图像的下一个图像的第二目标边缘信息;
将所述第二目标边缘信息与所述第一目标边缘信息相减,得到黑点和白点;
根据黑点和白点的痕迹确定所述目标的运动方向以及所述目标在图像中的位置;
所述预设阈值包括第一阈值和第二阈值,其中所述第一阈值小于所述第二阈值;
将所述位置和预设阈值进行比较,确定所述目标所在的图像区域的步骤包括:
若所述位置小于所述第一阈值,确定所述目标位于第一区域;
若所述位置大于等于所述第一阈值、小于等于所述第二阈值,确定所述目标位于第二区域;
若所述位置大于所述第二阈值,确定所述目标位于第三区域。
进一步,所述的图像去噪的具体方法为:
步骤一、将含噪图像f(x,y)进行二维平稳小波变换,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数;
步骤二、对第一层的低频系数利用PCNN进行区域分割;
步骤三、将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;
步骤四、采用脉冲耦合神经网络对噪声图像进行处理,得到熵序列En,将En作为边缘检测算子;
步骤五、进行阈值寻优,得到最优去噪阈值k;
步骤六、根据求得的边缘检测算子En和最优去噪阈值k,采用改进的各向异性扩散模型对图像进行去噪。
进一步,所述神经网络PCNN内置检测优化模块,该检测优化模块用于:
将采集到的图像建立图像的显著模型,所述建立图像的显著性模型包括:
利用预定过分割算法对所述图像进行过分割,和模板参数提取,对整个输入图像,以8*8个像素为单元,计算每个单元的平均灰度值和每个单元的最大灰度值,得到至少一个区域,同一个所述区域中各个像素点的颜色值相同;
确定每个所述区域的颜色值和质心;
根据各个区域所对应的颜色值以及各个区域的质心,建立所述显著性模型。
其中,Si1为区域Ri中任一像素点的显著性值,w(Rj)为区域Rj中的像素点的个数,DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值,DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值,N为对所述图像进行过分割后得到的区域的总个数,DS(Ri,Rj)为:DS(Ri,Rj)=exp(-(Center(Ri)-Center(Rj))2/σs 2);Center(Ri)为所述区域Ri的质心,Center(Rj)为所述区域Rj的质心,当所述图像中各个像素点的坐标均归一化到[0,1]时;σs 2=0.4。
进一步,所述神经网络PCNN利用下列公式运行PCNN模型:
Fij[n]=Sij
Lij[n]=VLΣwijklYkl[n-1]
Uij[n]=Fij[n](1+βLij[n])
Iij[n]=N-n
式中:Uij[n]为内部活动项,Yij[n]为PCNN脉冲输出,Iij[n]为索引值;
当n=1时,Lij[1]=0,则Uij[1]=Fij[1]=Sij,θij[1]=LT(N-1)=Sij_max,对应的反馈输入中值为Sij_max的神经元将自然点火;神经元点火后,输出Yij[1]=1,θij[2]变为Vθ,点火神经元的索引值标记为Iij=N-1。
进一步,所述平稳小波变换邻域系数萎缩的图像去噪方法包括:
先利用Canny边缘检测算子提取含噪图像的边缘特征,使边缘图像的像素点和含噪图像的像素点一一对应,将含噪图像中边缘像素点的值设零;寻找图像梯度的局部极大值,梯度用高斯滤波器的导数来计算,使用两个阈值分别检测强边缘和弱边缘;
再将得到的去掉边缘信息的含噪图像进行二维离散平稳小波变换,对小波系数采用基于邻域的方法进行系数萎缩。
本发明引入PCNN赋时矩阵信息处理方法,结合PCNN与图像傅里叶变换和小数幂指数滤波相,提取变换域中图像特征信息,以马氏距离结合Pearson积矩相关法的综合相似性度量为依据,提出中药材显微图像信息快速存储、识别检索算法,构建全息中药材显微组织图像、花粉图像特征提取与识别检索系统,进一步提高中药材质量评价的客观性、准确性、可重复性和智能化程度,为中药材检测与分析的现代化提供一种新的途径。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (2)
1.一种中药材显微图像的特征提取与识别检索方法,其特征在于,所述的中药材显微图像的特征提取与识别检索方法包括:
步骤一、采集原始图像,对原始图像进行预处理,分割出目标区域的轮廓,进行图像去噪,将神经网络PCNN与图像对应,将中心神经元与图像的像素点对应,中心神经元的邻域与邻域像素点对应,神经元的输入为像素点的灰度值;
步骤二、建立从空间图像处理信息到时间信息的PCNN赋时矩阵,将赋时矩阵视为不变直方图矢量重心,经PCNN迭代处理中药材显微图像并提取直方图矢量不变特征;
步骤三、把PCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割,提取中药材二值图像目标,建立引入交叉熵分割判据的PCNN中药材显微图像分割算法;
步骤四、以最大互信息优化多值图像分割并进行图像去噪,建立相邻分割图像互信息熵差最小分类判据,选取中药显微图像建立基于最小互信息熵差的PCNN自动多值目标分割算法,得到完善的多值目标图像;
步骤五、利用PCNN模型处理中药材显微图像,提取各二维图像的一维时间序列信号特征并存储特征信息,对该一维时间序列信号进行熵变换,形成熵序列信号,并作为PCNN处理的另一图像特征,并结合中药材显微图像体视学要求的图像目标特征,提取中药材显微图像空域特征;
步骤六、将PCNN模型与图像傅里叶变换小数幂指数滤波相结合,提取图像变换域特征信息;
步骤七、分析PCNN迭代图像处理图像的形状、颜色、纹理及原图像目标形状、结构分布的归一化转动惯量混合特征,引入马氏距离结合Pearson积矩相关法的综合相似性度量方法,提取中药材显微图像PCNN的特征信息;
步骤八、提取同一图像的步骤二、步骤五、步骤六、步骤七所述的特征信息,建立中药材显微图像特征信息库,搭建中药材显微图像的主辅特征识别与检索的智能专家系统;
所述神经网络PCNN内置检测优化模块,该检测优化模块用于:
将采集到的图像建立图像的显著模型,所述建立图像的显著性模型包括:
利用预定过分割算法对所述图像进行过分割和模板参数提取,对整个输入图像,以8*8个像素为单元,计算每个单元的平均灰度值和每个单元的最大灰度值,得到至少一个区域,同一个所述区域中各个像素点的颜色值相同;
确定每个所述区域的颜色值和质心;
根据各个区域所对应的颜色值以及各个区域的质心,建立所述显著性模型;
其中,Si1为区域Ri中任一像素点的显著性值,w(Rj)为区域Rj中的像素点的个数,DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值,DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值,N为对所述图像进行过分割后得到的区域的总个数,DS(Ri,Rj)为:DS(Ri,Rj)=exp(-(Center(Ri)-Center(Rj))2/σs 2);Center(Ri)为所述区域Ri的质心,Center(Rj)为所述区域Rj的质心,当所述图像中各个像素点的坐标均归一化到[0,1]时;
所述神经网络PCNN利用下列公式运行PCNN模型:
Fij[n]=Sij
Lij[n]=VLΣwijklYkl[n-1]
Uij[n]=Fij[n](1+βLij[n])
Iij[n]=N-n
式中:Uij[n]为内部活动项,Yij[n]为PCNN脉冲输出,Iij[n]为索引值;
当n=1时,Lij[1]=0,则Uij[1]=Fij[1]=Sij,θij[1]=LT(N-1)=Sij_max,对应的反馈输入中值为Sij_max的神经元将自然点火;神经元点火后,输出Yij[1]=1,θij[2]变为Vθ,点火神经元的索引值标记为Iij=N-1;
所述的图像去噪的具体方法为:
步骤一、将含噪图像f(x,y)进行平稳小波变换邻域系数萎缩的图像去噪,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数;
步骤二、对第一层的低频系数利用PCNN进行区域分割;
步骤三、将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;
步骤四、采用脉冲耦合神经网络对噪声图像进行处理,得到熵序列En,将En作为边缘检测算子;
步骤五、进行阈值寻优,得到最优去噪阈值k;
步骤六、根据求得的边缘检测算子En和最优去噪阈值k,采用改进的各向异性扩散模型对图像进行去噪;
所述中药材显微图像的特征提取具体包括:
第一步、图像信号的采集、上传及分辨率调整:采集图像信号并将其实时所采集的图像信号通过图像信号传输装置上传,调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为一定值,得到图像f0(x,y);
第二步、图像特征提取:通过对所得到的图像f0(x,y)进行分析处理,得出图像的特征P,其分析处理过程如下:
二维小波变换:调用二维小波变换模块对图像f0(x,y)进行二维小波变换,得到:
其中,f0 0(m,n)为f0(x,y)变换后的低频分量,f0 1(m,n)为f0(x,y)变换后的水平高频分量,f0 2(m,n)为f0(x,y)变换后的垂直高频分量,f0 3(m,n)为f0(x,y)变换后的对角线高频分量,为f0(x,y)变换后的垂直高频分量,φ(-x,-y)为尺度函数,为相应的小波;x和m均为图像的横向坐标,y和n均为图像的纵向坐标;
调用对数变换模块,将经二维小波变换后的低频分量变换到对数空间,得到:I(x,y)=log f0 0(m,n);
调用均值方差归一化处理模块,对调用加权平均计算模块中所得到的加权平均结果R(x,y)进行灰度值线性拉伸,得到:R′(x,y)=G×R(x,y)+offset,其中,R′(x,y)为图像小波系数的变换输出值,R″(x,y)为均值方差归一化后用来显示的灰度值,G为增益系数,offset为R′(x,y)的偏移量,rmin为修正后图像小波系数中的最小值,rmax为修正后图像小波系数中的最大值;
调用二维小波反变换模块,将所得到的小波域中的三种高频分量和与调用均值方差归一化处理模块中所得到的用来显示的灰度值R″(x,y)作二维小波反变换,得到分辨率为M×H的图像f1(x,y),其中M和H均为自然数;
对L个图像信号进行采集、处理,调用定点独立分量分析模块,对L个经过所得到的图像信号进行特征提取,得出L个图像的特征P,其中,L为自然数;
第三步、处理结果同步输出:第二步进行图像特征提取过程中,对第二步的图像信号处理过程及图像特征提取结果进行同步显示;
调用定点独立分量分析模块,对所得到的图像信号进行特征提取的步骤如下:
将L个经过处理后的图像分别按行展开后再进行组合,形成一个L行、M×N列的矩阵X=(x1,x2,x3,Λ,xL)T;
对矩阵X进行均值化,使得E(X)=0;
对矩阵X进行白化处理,使得E(XTX)=I;
初始化独立分量的个数,使得n=1,其中,n为独立分量的个数;
初始化wn,随机选取wn=wn/||wn||;
根据公式wn=E{Xg(wn TX)}-E{g′(wn TX)}wn,求取wn;
判断得到的wn+1是否收敛,如果wn+1不收敛,返回求取wn;
取n=n+1,在n<M的情况下,逐一提取出所有的独立分量;
将各个独立分量构成矩阵S=(s1,s2,Λ,sP)T,根据公式P=FS-1计算出L个图像的特征P。
2.如权利要求1所述的中药材显微图像的特征提取与识别检索方法,其特征在于,所述平稳小波变换邻域系数萎缩的图像去噪方法包括:
先利用Canny边缘检测算子提取含噪图像的边缘特征,使边缘图像的像素点和含噪图像的像素点一一对应,将含噪图像中边缘像素点的值设零;寻找图像梯度的局部极大值,梯度用高斯滤波器的导数来计算,使用两个阈值分别检测强边缘和弱边缘;
再将得到的去掉边缘信息的含噪图像进行二维离散平稳小波变换,对小波系数采用基于邻域的方法进行系数萎缩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610368665.7A CN106067026B (zh) | 2016-05-30 | 2016-05-30 | 一种中药材显微图像的特征提取与识别检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610368665.7A CN106067026B (zh) | 2016-05-30 | 2016-05-30 | 一种中药材显微图像的特征提取与识别检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106067026A CN106067026A (zh) | 2016-11-02 |
CN106067026B true CN106067026B (zh) | 2020-01-31 |
Family
ID=57420897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610368665.7A Expired - Fee Related CN106067026B (zh) | 2016-05-30 | 2016-05-30 | 一种中药材显微图像的特征提取与识别检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106067026B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6602743B2 (ja) | 2016-12-08 | 2019-11-06 | 株式会社ソニー・インタラクティブエンタテインメント | 情報処理装置および情報処理方法 |
CN106580399A (zh) * | 2016-12-21 | 2017-04-26 | 侯信明 | 一种外科用钳式镊 |
CN106934774B (zh) * | 2017-03-07 | 2019-11-29 | 李强 | 一种利用超声波治疗肛瘘的控制系统 |
CN107172513A (zh) * | 2017-05-16 | 2017-09-15 | 贝尔顺(中国)科技股份有限公司 | 一种骨传导耳道控制系统及控制方法 |
CN107085838B (zh) * | 2017-06-02 | 2021-02-26 | 新疆大学 | 全息图噪声的去除方法及装置 |
CN107596224A (zh) * | 2017-10-14 | 2018-01-19 | 续生堂科技发展(吉林)有限公司 | 一种弓体康健药物及制备方法 |
CN108564099A (zh) * | 2017-12-11 | 2018-09-21 | 徐飞 | 基于标识纤维随机分布的图像识别区分药用植物的方法 |
CN108090910B (zh) * | 2018-01-04 | 2021-04-20 | 中国计量大学 | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
CN108230272B (zh) * | 2018-01-04 | 2022-04-15 | 京东方科技集团股份有限公司 | 一种图像增强方法和装置 |
CN108229579A (zh) * | 2018-01-26 | 2018-06-29 | 南京信息工程大学 | 基于鲁棒旋转不变纹理特征的花粉图像分类识别方法 |
CN109223124A (zh) * | 2018-08-21 | 2019-01-18 | 哈尔滨市第医院 | 一种基于计算机骨科穿刺双引导控制系统 |
CN109949270A (zh) * | 2019-01-28 | 2019-06-28 | 西北工业大学 | 基于区域卷积网络的多光谱和全色图像融合空间质量评价方法 |
CN110211363B (zh) * | 2019-04-12 | 2020-07-10 | 台州市浩峰电器有限公司 | 智能化家用电器开关平台 |
CN110147843A (zh) * | 2019-05-22 | 2019-08-20 | 哈尔滨工程大学 | 基于度量学习的语音时序数据相似性度量方法 |
CN111445490B (zh) * | 2020-02-21 | 2023-10-20 | 于兴虎 | 一种显微操作系统目标前景提取方法及系统 |
CN111488889B (zh) * | 2020-04-14 | 2023-11-07 | 郑州轻工业大学 | 一种用于图像边缘提取的智能图像处理仪 |
CN116862456B (zh) * | 2023-09-04 | 2023-12-19 | 山东一方制药有限公司 | 一种基于图像处理的中药生产监视控制系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667286A (zh) * | 2009-09-29 | 2010-03-10 | 天津大学 | 基于pcnn区域分割的图像去噪方法 |
-
2016
- 2016-05-30 CN CN201610368665.7A patent/CN106067026B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN106067026A (zh) | 2016-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106067026B (zh) | 一种中药材显微图像的特征提取与识别检索方法 | |
Shoieb et al. | Computer-aided model for skin diagnosis using deep learning | |
Zanjani et al. | Stain normalization of histopathology images using generative adversarial networks | |
Akhtar et al. | Automated plant disease analysis (APDA): performance comparison of machine learning techniques | |
Kulkarni et al. | Plant disease detection using image processing and machine learning | |
Setiawan et al. | Mammogram classification using law's texture energy measure and neural networks | |
Al Bashish et al. | Detection and classification of leaf diseases using K-means-based segmentation and | |
CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
Gaikwad et al. | Wheat disease detection using image processing | |
Shirazi et al. | Efficient leukocyte segmentation and recognition in peripheral blood image | |
Siraj et al. | Digital image classification for malaysian blooming flower | |
Sunardi et al. | Identity analysis of egg based on digital and thermal imaging: Image processing and counting object concept | |
Rahamathunnisa et al. | Vegetable disease detection using k-means clustering and svm | |
CN109190571B (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 | |
CN108596176B (zh) | 一种对提取的硅藻区域进行硅藻类型识别方法及装置 | |
Dewangan | Importance & applications of digital image processing | |
Turi et al. | Classification of Ethiopian coffee beans using imaging techniques | |
Siraj et al. | Flower image classification modeling using neural network | |
CN113077452B (zh) | 基于dnn网络和斑点检测算法的苹果树病虫害检测方法 | |
Anandgaonkar et al. | Brain tumor detection and identification from T1 post contrast MR images using cluster based segmentation | |
Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
CN109949279A (zh) | 一种基于皮肤图像的年龄分析系统 | |
Yang et al. | Intelligent collection of rice disease images based on convolutional neural network and feature matching | |
Bai et al. | A convolutional neural network combined with color deconvolution for mitosis detection | |
Singh | Pattern recognition and image processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200131 Termination date: 20200530 |
|
CF01 | Termination of patent right due to non-payment of annual fee |