基于活动轮廓模型病理显微图像分割若干关键技术应用研究.pptVIP

基于稀疏编码的细胞边缘提取 实验结果——字典的学习： 通过将训练集中的图像分成一定大小的patches，然后利用K-SVD算法，可以在训练集中学出一套关于细胞边缘的模版 * * 基于稀疏编码的细胞边缘提取 实验结果——细胞边缘提取： 利用上一个步骤中学到的字典，对一副测试图像进行稀疏表示，并找出边缘 * * 未来的工作 有效地利用细胞浆所提供的信息，能够进一步增加DNA定量化自动诊断方法的敏感性，并弥补其特异性不足的问题。因此，如何有效地提取细胞浆的位置、轮廓与特征参数，并为诊断提供依据是将来研究的重要与难点 对于稀疏编码进行更加深入的研究，或尝试融入小波特征，争取在计算机视觉和机器学习理论方面作出贡献 * * * * 刘子纬 zwliu.hust@ 2012-06-13 * * 大纲 自我介绍 课题研究的背景与意义 活动轮廓模型 基于多曲率边缘信息的细胞核识别 基于稀疏编码的细胞边缘检测 未来的工作 * * 自我介绍 基本情况介绍： 姓名：刘子纬 班级：电信提高0901 三年加权：90.00（提高班第一） 成果说明： 大创项目： 基于活动轮廓模型的病理显微图像分割若干关键技术研究 基于图像定量分析的乳腺ADH及DICS的病理鉴别（与同济合作） 学科竞赛： 全国大学生数学建模竞赛一等奖 美国大学生数学建模竞赛一等奖 论文： Learning Junction Template for Object Detection (ICPR在审，一作) * * 课题研究的背景与意义 自动化诊断比人工诊断更准确可靠 促进统计学习、模式识别的自身发展与完善 细胞形态与分布千差万别，有许多尚待深入的研究 * * 课题研究的背景与意义 图像分割指的是将数字图像细分为多个图像子区域的过程，使得图像更容易理解和分析。 图像分割算法举例：聚类法、直方图法、边缘检测、区域生长、水平集方法、分水岭方法 图像分割依据：图像局部特征的相似性和互斥性 研究对象： * * 活动轮廓模型 面临的挑战及解决方法： 一般方法提取的图像轮廓的精度不高—— 活动轮廓模型中能量泛函是在连续状态下实现的 一般方法的鲁棒性不强—— 活动轮廓模型约束目标轮廓，并融入先验信息 一般方法需要繁杂的预/后处理过程—— 活动轮廓模型使用光滑闭合曲线表示物体的轮廓 * * 活动轮廓模型 基本思想： 用显式参数化的形式表达曲线，通过极小化能量函数，使曲线逐渐变形，直到抵达分割区域的边界。 * * 活动轮廓模型 * * 数学模型： 其中, s表示弧长参数,活动轮廓在图像中的位置可通过参数向量X ( s) = [ x ( s) , y ( s) ]表示 内部能量：曲线演化自身的限制条件，同时保持曲线的可变性与光滑性 外部能量：图像信息对于曲线演化的限制条件，包括图像的灰度或灰度梯度 活动轮廓模型 * * 分类：依据能量项的定义不同 活动轮廓模型 Kass Snake方法的具体形式： 内部能量： 一阶微分X′( s)表达的是活动曲线长度的变化率. 二阶微分X″( s)表达活动曲线曲率的变化率. 外部能量： 采用标准偏差为σ的Gauss函数来进行卷积低通滤波 图像的灰度梯度 * * 活动轮廓模型 Kass Snake方法的实验结果： * * 活动轮廓模型 Kass Snake方法的缺点： 对初始位置敏感,必须使初始轮廓接近真实的边界 模型的非凸性将导致收敛到局部极值点,甚至发散 不能处理曲线的拓扑变化 解的最优性、计算的稳定性以及无法加入外部强约束 * * 活动轮廓模型 Level Set方法的具体形式： 其基本思想是将随时间演化的平面闭合曲线C(p , t)隐含地表达为同样随时间演化的三维连续函数曲面D(x , y , t)的一个具有相同函数值的同值曲线，通常是{ D = 0 }，称为零水平集，而D(x , y)称为水平集函数。 给定平面上的一条封闭曲线，以曲线为边界，把整个平面划分为两个区域：曲线的外部和内部区域 。用符号函数定义这条曲线： C(p , t) = { (x , y)|D(x , y , t) = 0 } * * 活动轮廓模型 Level Set方法的实验结果： * * 活动轮廓模型 Level Set方法的缺点： 只有速度函数光滑，水平集函数才能保持一个函数形式因此需要重新初始化； 分割结果产生边界泄漏现象； 函数复杂，计算费时，分割速度较慢。 对强边缘分割结果较好，但对弱边缘分割结果较差 * * 基于多曲率边缘信息的核识别 研