数字图像处理60390.pptVIP

引言 国内外近年来对于生物特征技术(Biometrics)的研究投入了较多的力量，特别在美国、欧洲等地，这些研究都集中在身份鉴别这一单一的应用上。将生物特征技术应用于诊断人类疾病则是一个完全崭新的应用领域，它将使生物特征技术具有更为广阔的应用前景。“基于Biometrics的掌纹诊病系统”就属于这一研究领域，它根据掌纹诊病的专家知识，采用生物特征识别技术，利用手掌部位出现的病理特征来达到自动诊断人类疾病的目的。 整个“基于Biometrics的掌纹诊病系统”的研究主要集中在两个方面:一是利用图象处理与模式识别技术对掌纹图象进行分析和特征提取，即系统的低层处理部分;二是根据掌纹诊病的专家知识，建立诊病的智能专家系统，即系统的高层处理部分。本文介绍的内容是我们对构建掌纹诊病专家系统所进行的一些探索性工作。 遇到的困难 很多比较成功的医学专家系统都是建立在西医医学理论的基础之上的，它们往往采用严格的符号知识处理方法。这种方法的成功之处主要在于西医医学有着比较严格的理论指导，很适合计算机内部的形式化知识表示。这种符号知识处理方法在一定条件下确实可以部分地模拟人类的思维过程，但却并不适合如掌纹诊病专家知识的处理等特定应用环境下。 掌纹诊病的专家知识实际上是一种经验和规律的总结，它所依据的理论是棋糊的、不完全的，背景信息是不清楚的。可以肯定地说，任何一名掌纹诊病医师的知识都是不完备的，如果采用符号知识处理方法，将会很容易地造成专家知识中信息的丢失，大大降低系统的准确性。 解决途径 基于这种考虑，我们可以使用神经网络的知识处理方法来改善符号知识处理中所遇到的问题。从神经元网络的非线性结构来看，它反映了人脑功能的许多基本特性，但并不是人脑神经系统的真实写照，而是对其作某种简化、抽象和模拟。专家对知识的学习和积累过程可以看作是人脑的训练过程，因此我们可以考虑利用神经网络的学习和记忆功能来取代知识工程师的部分工作，从病例样本中学习，完成掌纹诊病专家知识的自动获取和自动更新。 掌纹诊病系统构建的基本思想 人体是一个最完善、最高级的自控系统，各个组成部分相互联系、相互制约。在正常情况下，由许多调节系统自行调节、自我平衡来维持人体的正常生理活动，保持着信息的识别和处理机制。而当人体某些调节系统发出故障或出现病理变化时，人体就必然在其响应部位发出异常信息。手掌则是人体信息相对集中的部位，各种正常和异常的信息，都可以从手掌上显示。掌纹的变化同人体与宇宙的物质交换有关，不适量的交换导致体内环境失调，进而在手上留下痕迹。这也是掌纹医学研究的根本出发点。根据掌纹诊病的研究成果，人体内脏器官的病变可以在手掌的某些区域内以特定的异常特征显现。这些异常的特征主要归结为掌纹和掌色两个方面。异常的掌纹包括米字纹、十字纹、三角纹、岛纹、并字纹、矩形纹、星型纹、链状纹等特征:异常的掌色包括手掌某区域出现白斑、红斑、掌色发黄等特征。图1给出了具有临床意义的异常掌纹示意. 异常纹线 为了更好地区分这些特征，我们可以将这些特征进行定位，也就是将手掌划分成不同的区域，对于出现不同特征的纹线进行编号，唯一确定不同的特征。图2给出了对手掌的分区和纹线的编号情况。 根据手掌上出现的掌纹病理特征进行掌纹诊病的过程可以简单地抽象为下面的式子:f(RxC)→P(x1)xP(x2)x…xP(xn)其中尺表示手掌分区以及纹线编号的集合，C表示所有异常的病理特征的集合，f是一个特征的估价函数，0≤ f(r) ≤1引表示病理特征r出现的强弱程度，xl，…，xn示n种待诊断的疾病， 0≤ P(r) ≤1对应第i种疾病发生的统计概率。为了更适合神经网络的处理，我们将上面的式子表示为输入和输出之间的对应关系。了认)作为神经网络输入层的病症神经元矛对应的活性值，对应一组掌纹病理特征的不同疾病发生的统计概率P(x1)xP(x2)x…xP(xn)作为神经网络输出层各诊断神经元的活性值。 系统实现 按照上面介绍的利用神经网络构建掌纹诊病专家系统的方法，我们给出如图所示的神经网络结构。 我们选定神经网络中的反向误差传播学习算法，并针对该学习算法收敛速度慢等缺点，使用了学习率因子自调整的改进算法。下面是改进的反向误差传播算法实现的主要步骤: l)对神经网络作必要的初始化，给定误差ε0，初始化权值向量W及学习率因子η0。 2)计算神经网络的实际输出和期望输出之间的误差，若误差小于ε则结束，否则执行下一步。 3)求每个部件的误差 梯度及下降方向 4)调整学习率因子，对每个部件取定搜索方向，对学习率因子变量η求解 将求得的解η代入权值调整公式 转步骤2重复执行。 结论 通过在几百种单一病例和混合病例的样本集上的学习训练，系统可以对75%以上的新的掌纹病例正确地给出8种疾病