基于小波变换与野草算法的细胞图像特征提取与识别-论文.pdf

《基于小波变换与野草算法的细胞图像特征提取与识别-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第33卷第2期广西师范大学学报：自然科学版V01．33NO．22015年6月JournalofGuangxiNormalUniversity：NaturalScienceEditionJun．2015基于4、波变换与野草算法的细胞图像特征提取与识别陈锦，罗晓曙(广西师范大学电子工程学院，广西桂林541004)摘要：本文在细胞图像小波多尺度分解的基础上，提出在小波域中进行细胞图像特征提取的方法。针对基于小波变换提取的细胞图像特征向量维数过大、冗余等问题，提出一种基于小波变换与野草优化算法相结合的细胞图像特征的提取方法，最后利用BP

2、神经网络作为分类器进行细胞图像识别。计算机实验仿真结果表明，与现有的未进行特征优化的细胞图像特征提取识别方法相比，本文细胞图像特征提取、分析、识别方法所需时间更短，识别正确率更高，实时性、鲁棒性能更好。关键词：小波多尺度分解；野草优化算法；特征向量；BP神经网络；细胞图像识别中图分类号：TP391．4文献标志码：A文章编号：1001—6600(2015)02—0022—070引言小波变换已在机器视觉领域中得到了广泛的应用l_1。]。小波变换作为一种有效的图像处理工具，已经有许多图像分析方面的应用，如基于内容的图像检索、癌细胞的识

3、别、生物特征的提取与识别和细胞图像特征的提取与识别]。小波变换具有多尺度、多分辨率的优良特性，克服了在空间域中单一尺度的图像处理方法的缺点_7]。在小波域中，我们只需要对图像的小波系数进行处理，即可实现对图像的多尺度多分辨率下的特征提取。现有的细胞图像识别方法，对图像小波变换后的系数提取的特征直接构成特征向量，未对特征向量进行优化选择，高维特征向量直接影响了分类器的性能_】]。针对以上缺点，本文提出一种基于小波变换与野草优化算法的细胞图像特征的提取方法，并结合BP神经网络分类器进行最终的细胞分类识别。该方法适当减少特征向量的维数

4、，也降低了分类器的复杂性，提高了运算速度与识别的正确率。该细胞识别系统主要包括图像采集、图像预处理、二维小波变换、特征向量提取、特征向量优化选择和BP神经网络分类器，具体系统结构图如图1。1基于小波变换的细胞图像特征提取1．1细胞图像小波分解原理鉴于小波变换(wavelettransform，wT)适合分析非平稳信号的特点，小波变换已经在数字图像处理(digitalimageprocessing)领域中得到了广泛应用。一维信号f(x)的小波变换为：r+∞(w厂)(。，b)=(f，(n，b))一lf()Ifl己．)(z)dx，(1

5、)一。_l／zf二鱼]。(2)“／其中，n为尺度因子，b为平移因子，()为母小波。收稿日期：2015—01—06基金项目：国家自然科学基金资助项目(21327007)通信联系人：罗晓曙(1972一)，男，湖北应城人，广西师范大学教授，博士。E-mail：lxs@mailbox．gxnu．edu．crl24广西师范大学学报：自然科学版第33卷草具有入侵性强、自适应性强的特性，野草算法具有与之对应的鲁棒性和适应性性能。算法具体步骤如下：①编码。设N为提取的特征值总数，为所要选取的特征值个数，每个选取的特征值编号取值为1至N之间的整数

6、。②种群初始化。随机产生个1至N之间的不同整数作为初始种群，再根据各类特征向量平均距离公式计算适应度函数值_1。各类特征向量平均距离公式计算方法为：，一骞_Inicz-mi)T(z一)-4-(mi-m)T(mi-m)]，(6)其中，C为类别数，为第i类样本个数，P为相应类别所占的概率，为第i类样本的均值向量，m为所有样本总平均向量。③生长繁殖。生长繁殖是根据个体的自适应性，计算个体产生的种子数量，计算公式为Il：f—Need(厂)一——(s⋯一si)+5。(7)．‘厂max一，rainNeed(f)为适应度值为厂的个体产生的种子

7、数量，_厂为个体的适应度值，，为种群的最大适应度值，厂为种群的最小适应度值，s为最大种子数，s⋯为最小种子数。种子繁殖示意图如图3。④空间扩散。空间扩散采用随机位变异的方法。设个体为X=(z，z“，z．-，z)，随机选择z作为变异位，再从特征编码空间[1，N]中随机选择元素z(X)，构成新的个体X一(z，，⋯，，⋯，z)，将产生的新的个体与父代叠加作为新的种。⑤竞争性排除。经过数代繁殖后，种群中个体数达到上限“，在算法迭代过程中，只有自适应度最好的前⋯个个体存活，其余被淘汰。图3种子繁殖示意图Fig．3Seedbreeding3

8、实验仿真本文基于小波变换与野草算法的细胞图像特征提取完整系统结构图，如图4所示。首先，对细胞图像进行二维小波变换，再提取细胞图像的特征，最后采用1wO算法进行特征优化选择。为了验证本文算法的可行性与有效性，设计了针对6种细胞图像(每种包含40幅样本图像，前3O幅