细胞图象的特征抽取及基于反向传播神经网络的自动识别研究

当前数字图像处理在生物医学工程方面已经得到了广泛应用，数字图像的自动识别也就成为研究的热点问题。本课题在前端对数字图像进行必要预处理的基础上提取了包括纹理特征、矩特征在内的27维特征，并提出了一种快速准确的矩特征算法。 课题在分析比较传统统计模式识别和人工神经网络模式识别的优劣基础上，构造了使用带反向传播算法的前馈神经网络对体液细胞进行自动识别和训练的方法。课题通过Matlab仿真实验，验证了三种不同的网络参数优化方法：GDM，RPROP，Levenberg-Marquardt。对每种参数优化方法选择不同的网络结构、误差性能函数、训练时间进行训练寻找出了最优组合结构网络。 课题建立了通用识别训练模块，该模块具有很强的适应性，具体表现为模型高度集成化，其被封装为一个VC++的一个类，其输入维数、隐含层神经元数目、输出层神经元数目都设计为参数控制，用户使用时只要在工程中添加类文件，设置上述4个参数就可以完成模式识别。 课题创建工作者线程和用户界面线程以随时控制训练过程。在训练过程中，可以随时人工干预训练过程，可以停止训练或改变训练参数，以获得最优训练结果。训练结果自动保存在指定的文件中，在进行模式识别时，将调用已保存的网络模型进行识别。对于不能识别的模式，人工识别后作为细胞样本进行训练，扩大样本的覆盖范围。 论文研究内容均已在Visual C++6.0平台上实现，通过对实际细胞图像的识别验证了研究的应用价值。