应用于疾病诊断的图像分析方法

《应用于疾病诊断的图像分析方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

鬓…豹 分类号密级博士学位论文应用于疾病诊断的图像分析方法作者姓名旦业鱿尽旦熙皿…丛鱼妙勃学科专业计算机应用技术学院系、所信息科学与工程学院指导教师拿阴仁骥…二教授……论文答辩。期如鱼坛一些一丁。、·答辩委员会主席中南大学年月 CentralSouthUniversityResearchonImagesAnalysisMethodsforDiseaseDiagnosisADissertationSubmitedFortheAwardofDoetorateDegreeinComPuterAPPlicationTeehnologySchooloflnformationSeienceandEngineeringByShakerKazemAliSuPervisor:ProfessorZouBeijiDecember,王 原创性声明本人声明,所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知,除了论文中特别加以标注和致谢的地方外,论文中不包含其他人己经发表或撰写过的研究成果,也不包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。作者签名宝、、。`日期鲤二生年兰月三日学位论文版权使用授权书本人了解中南大学有关保留、使用学位论文的规定,即学校有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文,允许学位论文被查阅和借阅学校可以公布学位论文的全部或部分内容,可以采用复印、缩印或其它手段保存学位论文。同时授权中国科学技术信息研究所将本学位论文收录到《中国学位论文全文数据库》,并通过网络向社会公众提供信息服务。作者签名遍少、币签啤嚼日期二年二月二日签 OriginalStatement1deelarethatthedissertation1submited15myownresearehworkandaceesstoresearchresultsundertheguidaneeofmyAdVisor.Asfarasl灿,,,场七研理儡、,。`,,,习生三一,,尸,片出,,“,,,蠕、、、和'鱼生口匕二立华 CSUPllDDissertationAbstraCtAbst怕,,,,,,以记,,,一一,,,卿,,,,,,歹 CSUPhDDissertationAbstraet倒住,,,一,一。`。,伽·刃,〕,。一,知,。,,如·,弓,,,一 CSUPhDDissertationAbstraCt摘要本论文重点讨论用图像分析法来进行疾病诊断。我们运用于演算法中的图像处理技术则集中在三种图像的分类和细分这三种图像分别为纹理图像,遥感图像,医学图像。这些图像处理技术分别用作小波变换,图像增强,模糊逻辑或者神经网络,特征抽取。对线路检测进行霍夫转换,运用类似于欧几里德距离的数学方法本论文的目的是为了疾病诊断创造新的算法。但首先我们需要知道在算法中,进行分类和细分的最好的图像处理方法,这使得我们运用多种图像处理方法,其中包括医学图像,以此来确定我们所运用的方法是进行诊断最恰当的方法。第一个算法有两部分第一部分是讲对纹理的认识,而第二部分是讲遥感图像。所以在第一部分我们尝试着混用微波和神经网络来寻找适当的方法认识纹理,通过微波,这些纹理会分解成下一等级的图像,这些图像可以分析和提取纹理,通过这些特征我们的神经网络可以用来认识纹理的类型。在这篇论文中运用了五种不同类型的纹理,每种都附有五张图片。在第二部分我们通过参考两个遥感图像分析其纹理。通过运用微波转换和神经网络,我们分别做了分析和分类。我们运用母函数分析了有水,森林和土地的两张图像。该图像是灰度的,尺寸是。该图像的处理出来是把每张图像分成尺寸为犯的块。每块都在微波母函数中进行计算,经过分析几个母函数,我们发现,是最适合的。这些结果是用来进行特征提取平均,标准偏差,差异,然后将输出作为神经网络的输入。最后从中得到结果会得出一个新的纹理类型森林,土地和水。为了分辨不同类型的纹理,我们需要通过如微波转换的分析方法来分析纹理类型。分析的目的是为了找到能够识别纹理的一些特征。这些转换对于提取特征很重要。一般来说,转换过程通过所给信号的旋转和创门的基本功能来体现。这些。。函数一般都是正相交的,这使得转换得以恢复,这意味着原来范围内的原函数在没有信息丢失的情况下就能得到提取。我们运用这种方法得出的结果更精确。傅立叶变换是回旋变换的一种,该变换通常把信号从时间领域转换到频率领域。由于快速傅立叶变换演算法应用在很广的领域里。这种转换运用快速算法将二维领域拓展。所以,此转换用来进行图像处理。傅立叶变换的下一个形式发展成一个有效转换叫小波变换。正如快速傅立仆卜转换一样,离散小波变换很快速,是在数据矢量上的直线操作,该矢量的长度是二者的综合,可以转换成长度相等但数量上不同的矢量。如快一若 CSUPhDDissertationAbstraet速傅立叶转换一样,小波变换是不可避免的,事实上是正交转换一逆转换。小波变换在多分辨率技术中,特别是在最后十年的图像处理中,发挥着很重要的作用。在离散小波转换的第一步中,信号同步地以样品频率四分之一的截止频率来穿过低压和高压,以此来进行过滤。从高低过滤器中输出是指第一层的大概值和精确值分别的系数。根据乃奎斯特法则,输出信号的频带宽度可以是原频带宽度的一半,并可由两个下降抽样来实现。这个同样的程序可以在第一层的大概系数和精确系数上反复使用,并可得到第二层次的系数。这种分解过程的每一步中,通过过滤频率分解可以增长一倍,通过下降抽样,时间分解变为原来的一半。通过使用小波转换,我们得到了一些图像特征,通过运用人工神经网络,我们认识了纹理。人工神经网络通过统计法,把真正的工作系统简化了,它是一个信息处理的典范,是受生物神经系统所启发的,诸如大脑,程序信息。人工神经网络的主要目的是是模拟人脑。网络的高度连接神经计算要素有对输入刺激物有回应,还会学着适应环境。通过网络把一系列输入一输出样品通过,校正重量,来把样品重量调节成正确的价值训练,以此来使网络给予的答案和期望结果之间的误差降至最低。在我们所做的工作中,我们运用了拉凡格一马夸特氏演算法,从而得出了精确地结果。拉凡格马夸特氏演算法是把演算法用来训练多层次前向网络,是通过使建立在非直线优化技术之上,使平方和的误差减少到最小。拉凡格一马夸特氏演算法是对拉凡格的实践。“是在最小平方方法上对某个难题的解决方法”马夸特“非线性参数的最小平方估计”拉凡格一马夸特演算法被认为是介于最速下降法和高斯牛顿演算法之间的折中方法。比起其他两种方法,拉凡格一马夸特演算法拥有更好的收敛性,因其在神经网络的离线训练中是最好的选择而闻名。原因是因为,神经网络最小化问题经常处于不理想状态,拉凡格一马夸特演算法在参数空间里最小限度地影响标准,并忽略琐碎的方向问题。该论文中用到了五个系列的纹理。每个系列附有五幅图片,都是作为理想状态下的纹理,并有图片尺寸,像素和灰度。第一组用来描述土地纹理,称作块一,块二,块三,块四,块五,第二组用来描述森林的纹理树一,树二树三,树四,树五,第三组是用来描述草地的,被称作框架一,框架二,框架三,框架四,框架五,第四组是用来描述羊毛的幅随意挑选的纹理被用来做试验纹理。通过使用离散小波转换至第三层,这些纹理将分解成更小的条纹来进行分析。使用到许多小波母函数如,,,,,等等。使用它们后,我们 CSUPhDDissertationAbstraet从和小波母函数中提取的要比其他的更好些。同时,我们可以看到,不是所有的纹理中更小的条纹都是有用的,通过使用每组搜集的三种有价值的东西的特征,所以我们只用了有用的小条纹,第一种来自平均值,第二种来自标准差,最后一种来自方差。这些数值收集起来为平均值,标准差和方差所用,而不是作为唯一的数值。这三种数值将放在神经网络中作为输入值,可用来决定纹理的类型。在训练阶段,人工神经网络己被用来识别依靠输入范围的五纹理类型。神经网络的输入为,因为我们有五组,每组有三个值。输出必须是五组其中之一,但在训练阶段,我们发现出现了一些混合类型,例如一输出有与棉花组织形式相似和与羊毛组织相似,因此,在这种情况下,我们通过增加人工神经网络的输出到个二,处理像这样的一些错误。通过增加每个输出的百分比解决这个问题,显示出五种纹理类型的相似百分比,例如,从五种类型中之一输出可能会有或或只有一个混合输出可能包含混合值或与五种类型没有任何的相似性。输出必须在五种纹理类型范围内划定纹理类型和相似百分比,例如,如果输入向量是二【,输出必须是来自木材纹理,如果输入向量是二【,输出必须是来自木材纹理,如果输入向量是二【,输出必须是混合纹理。另一种训练神经网络的方法是通过使用从特征提取具有种可能性的输入和输出是种可能性的结合物,因为我们有五种类型,每种类型的纹理具有种可能性。培训过程中完成了,心方误差的幅图像已被用来测试我们的神经网络,其测试结果是伟大的,并且和测试图像分类结果有接近。当我们使用作为母小波函数,如表所示。从得到的结果用来识别纹理不合理。用来根据从卫星上得到的图片感测图片路线是合理的。第二种算法是宪制性黄疽的诊断,在这个算法中,我们作了诊断黄疽的算法杜宾约翰逊,吉尔伯特和转子综合征,该算法是由两部分组成利用小波变换分析图像通过小波变换,我们收集各种疾病的三个特点。通过其直方图为每个图片计算灰阶白色和黑色的百分比,收集各种疾病的两个特征。总共将有五个值,这五个值将是模糊逻辑预算的输入,用来决定基于这些值的疾病种类。我们给个遭受不同种类宪制性黄疽的孩童患者作了实验。比起仅仅依靠医生的眼睛诊断,我们的算法得出了更准确的结果。 CSUPllDDissertationAbslraCt宪制性是高度特异功能的一种离散步骤,是血胆红素从血液到胆红黄色颜料,尿液,血液和胆汁肝途中导致的结果。根据现有的知识,三个主要类型的宪法性黄疽可以区分。杜宾约翰逊道琼斯综合征是一种常染色体隐性良胜状态,其胆红素胆汁分泌有缺陷。缺陷是由于缺少了小管蛋白倒叹位于染色体上,这种物质负责运输葡萄糖醛酸和相关的有机阴离子到胆汁。从综合征患者的电子显微镜下观察发现,在肝细胞浆有丰富的色素沉淀。该色素颗粒,主要由致密的颗粒物质,但自然的脂质较轻的元素,只有在这些地方可以检测到。吉尔伯特综合征。这是迄今为止在所有宪制性黄疽症继承胆红素中最频繁的一种。这种症出现在青春期,而且其患病率在青少年比例为一。总胆红素一般不超过和直接胆红素低于。高胆红素血症环境导致色素积累。色素颗粒仅包含少量的蛋白酶颗粒的丝状部分,其围绕着由脂质球形成的大量的色素体。转子综合症。它和杜宾综合征在很多方面都很相似。在在转子综合征发现的色素颗粒的超结构特点包括大约相等的蛋白酶颗粒部分丝状体和脂质球部分。所有的法师被要求使用具有倍放大倍率的电子显微镜,但是从电子显微镜的影像是反面的,所以我们需要获得正常的图像,拍摄的图像以格式保存,有最高分辨率像素的大小,后来称大小为像素。我们需要预先处理,前处理的目的是提高图像和消除不良影响图像增强是指其中的任何一个图像的视觉质量得到提高的过程。因为没有图像增强的设置程序,所以在图像的获取过程中可能由于不同的光照条件、相机类型等等会有显著的变化。一般来说,增强技术本质上是临时的。图像调整是第一步,其用来消除噪音从负转为正常的带来的图像不想要的部分。我们的工作中需要的是高对比度的图像。在某些情况下,即使图像的动态范围是在显示设备范围内,图像仍然可能是低对比度。这可能是由于图像获取时不良的照明条件或者是捕捉设备较小的动态范围决定的。在这种情况下,简单的像素强度重新调整可能足以提高可视性。这涉及到一个对输入像素强度的分段线性变换 CSUPllDDissertationAbstract此处的目的是加强低值并且减少像素强度高值,保持完好的像素强度中间值第二步是对图像进行锐化滤镜处理,通过从自身减去一个模糊的图像版本进行锐化。下一步,我们需要使用分割削减受感染的部分使用成长切割法汾割过程中,通过从背景组织划定的利益结构和歧视部分,在自动化分析时,做一个重要的承诺。一些有用的算法在分割给了良好的效果,从我们的实验,我们发现其成长切割法对我们的工作非常有益,它是基于以下想法“细菌从种子像素开始扩散成长,并尝试占据整个图像。这就是为什么他们称这种方法为'切成长,。细菌滋长和竞争的规则是明显的,在每一离散时间步骤海一单元试图'进攻部队由袭击者单元的强度定义,在袭击者的和保卫者的特征向量之间的距离”。在每一离散时间里,细菌繁殖和竞争的规则是非常明显的每一个体试图`进攻'它的邻居。攻击强度是由袭击者的强决定的,为袭击者的和防卫者的特征向量之间的距离”。我们也需要用到到图像分析,为了提取最重要的特征,我们需要使用尽可能好的分析方法,因此我们与一起尝试,它能获得更准确的结果。从子波变换中能够得到许多值,我们需要用从中找到有用的特征。特征抽取的目的是从凝聚了类分割信息的图像矩阵中的收集新变量。在获得如同颜色直方图的全球的图像特征或如同形状和纹理的描述符方面,大多数系统把特征抽取作为一个预处理的过程。使用广义的高斯分布,纹理特征被仿造子波系数的边际分布。在对仅仅含有受感染的部分的图像的进行子波分解后,我们可以提取一些重要的特征,这些特征来自的使用和通过使用平均和标准偏差的。然后将那些值或特征输入到模糊集合,以决定这种疾病。使用模糊集合的分架给我们的工作带来了很多好处,因为它提供了很好结果。对于多端输入单输出卿模糊模型系统,有许多类型的模糊神经网络,用于转送多层模糊神经网络,典型的有模型、模型和`模型,最简单且广泛使用是件模型,同时也被应用在本文中。为简便起见,我们假定在模型的模糊推理系统中有如下三个规则规则如果是低的,是低的,是低的,是低,是低的,则是一。规则如果是中等,是中等,是中等,是中等,是中等,则是。规则如果是高的,是高的,是高的,是高,是高的,则是。矛 CSUPhDDissertationAbstraet邹、、、黑色的百分率和白色的百分率作为输入参数低,中间的和高是、、、和的模糊子集英尺是模糊规则的结论和输入参数、、、和的功能、和分别是杜约二氏、吉尔伯特和转子,如图一和表所示的。我们收集个案例,这些案例大部分是关于儿童患有不同种类的体质性黄疽。这些案例是从位于中国湖南省长沙市的湘雅医院收集的,从年到年。已进行的实验对医疗有很大的好处并且能够更容易的解决许多问题。薄基底膜疾病也被称为良性家族血尿病以及薄基底膜肾病是大多数无症状血尿的最普通的原因。这种疾病唯一异常的地方就是在肾小球上的基底膜逐渐的消瘦其定义的超显微结构特征是在没有其他小球变化的情况下肾小球基底膜的消瘦逐渐扩散。通过对薄板内外相对的观察发现肾小球基底膜衰减主要影响致密层。世界卫生组织用来定义薄基膜肾病的肾小球基底膜厚度为成年人小于,到岁的小孩为。我们的工作尝试再现一个或多个医生的意见的性能,最通常在一个特异性诊断中,试图找到一个准确的算法,根据医生鉴定,通过检测膜和计算它的厚度来诊断。医生将图像放大到倍以上,更容易计算膜厚度的距离并使用一个标尺测量个随机点,然后,把结果分开,并放大到比例尺上。然后通过比较来验证其是否正常,对成年人来说与相比,儿童则是。在提出的算法中,超过个随机点将出现在膜的表面来证明是否正常。在医疗诊断中,系统必须符合几个特殊要求。在这篇文章中我们需要从图像检测膜并删除其它映像内容。许多方法被尝试过,但是要删除其他映像内容而保留膜仍旧非常困难。因此很难找到一个自动化的方法。我们的算法是基于许多图像处理方法,最主要的方法是采用基于内容的图像检索,通过在训练阶段使用一个包含许多膜样品的数据库,来只检测膜形状而忽略其他的内容。此外,在训练阶段用一种改进的方法来保持图像,使其具有几乎相同特征。本文提出的能够自动的完成膜的检测并计算膜距离,而不需要人工参与。我们的算法的目标是开发一个自动计算并检测膜的方法,而这些任务以前都是人工完成的。专家算法或系统的优点是它提供一致的答案给重复的决定、过程和任务,保持并维持信息的显著性水平,鼓励组织澄清它们的决策的逻辑并从未”忘记”询问,就像人类一样。 CSUPhDDissertationAbstraCt在此算法所有的图像都是使用一台,电子显微镜放大得到的所有的图像都是格式的,具有最大分辨率个像素,其稍后被转换成到个像素。为了建立一个数据库需要收集很多图片,数据库中的图片会根据医生的建议给膜着红色,因为我们仅仅需要检测膜并忽视其它图像内容,这些被着色的图片将会用来与原图比较。这些被着色的图片将根据他们原始的结果被分成许多子图个像素。我们然后将与原始图像相对应的的所有的包含红颜色膜的子图保存到数据库。其他不包含红颜色的部分将被忽视,因为他们不是膜的一部分。膜的不同的形状将被保存在数据库,用来检测膜然后计算膜距离。所有的图像从中国长沙的湘雅医院收集的根据前面所述,我们的算法主要依靠基于内容的图像检索,这需要去收集许多种类的形状作为数据库。基于内容的图像检索技术是一种自二十世纪九十年代以来的一直在研究先进研究领域。这项技术的目的是通过对用户偏爱性自适应授权以及对图像间相关性和相似性的考虑,从大的多媒体数据库和数字图书馆中搜索图像。这可以通过测试的用户的对检索结果反应中获得,检索结果都是以反馈的形式出现的。依靠对原始的特征的描述,例如颜色,形状,和纹理,这些可以图像本身自动地被提取出来。这些原始的特征被列入,用来补救使用基于文本图像检索技术出现的问题。基于内容的图像检索仅的,过去的十年中,已经在大范围探索。在的情况下,图像是由一个低级别的视觉特征,它们没有什么高层次的语义概念直接相关集,在高层次概念和低层次特征之间的差距是制约系统发展的最主要的困难。相关反馈和区域的图像检索已经被提出来弥补这一差距。相关反馈机制是一个反复的学习过程,它一般被视为网上监督学习。在创建数据库的不同的膜的形状之后,子图像膜被转换为灰度级图片,这些图片是在不同年份收集的,并且通过使用一种图像加强方法,加强相同的性质我们尝试了许多增强方法。最后歹通过实验确定,得出的调整后的高对比度的图像是很必要的。用来消除由于噪声从负转为正常的带来不想要部分的图像的图像调整是第一步。高对比度的图像,也是我们的工作需要的。我们需要使用平均噪声过滤来删除来自子图像的噪声和小结构,仅仅保护膜。一了 CSUPllDDissertationAbstractHough变换是一个强大的全球性的边缘检测方法。它在笛卡尔空间坐标和参数空间中转换,在参数空间,直线或其他边界方程能够被定义,此种变换用在对形状检测的各种相关方法中。为了检测中的子图像的边界膜,有必要首先检测了膜的边缘。通过使用过滤器,子图像将被转换成二进制图像。在尝试过许多边缘检测滤波器之后,得出算法滤波器得出最好的结果。为了找出膜的表面,并且轻松地计算出膜的距离,有必要知道在两对膜表面的对应边的距离。因此,直线检测方法是必须的,超过四条直线可得出结论,因此很容易计算出膜的距离。通过欧几里得距离计算在相关的两条线这两条线在膜表面的相关的两边之间的两点的距离,计算膜的厚度,并且确定两个点,我们需要知道两行的每个斜坡。最终值以像素为单位计算,因此,测量单位必须从像素转换成纳米,因为纳米是正常与不正常相比较的标准单位。因为所有的相片都是用倍放大,横向和纵向的长度都是,厘米纳米的情况下捕捉的。实验为个新的图片进行了计算,并且所得的结果非常接近手动计算的结果,只有很小的百分比误差。十张图片都是从湘雅第一医院长沙,中国获得的,其中四张是异常的孩童图片,四张异常的成人图片,还有两张是正常的成年人。运用之前提出的方法,我们尝试了许多不同的形状膜,但这个算法还是面临着一些问题。在膜的相同边,只有两条线,而且我们需要计算两对应边两条线之间的距离。另一个问题是,这两条线并不完全在同一侧,但是当他们的正交线相交,虽然该算法计算了其距离,但结果是不准确的,它可能因此降低了本来值就很小的膜厚度。因此,我们提出了两个条件第一是不能计算在膜相同边的或者在忽略了最刁、距离后不平行的两条线的距离第二个余件是保证两者之间的对应线的夹角至小因此,小的距离可以忽略,该算法允许去计算最小距离,这可能会出现错误的结果。归根到底,我们的算法具有较人工方法的准确性,因为它随机选择点如要比手工方法多,手工方法只选择个随机点计算的平均值。我们的结论是,在特征提取方面,如根据平均数,与方差作为关键来分类,实验结果表明平均数,与方差的分类比最大、最小和中值要好。我们也试图使用最大、最小值和中值作为特征提取来分类,但结果并不是很好,比如说最大值可以在一之间,同样也可在之间,这没什么用,同样,在最少值和中值也存在同样的问题 CSUPhDDissertation在图像分析中分别使用小波分析哈尔,,卿,,和,因为和具有相同的系数,分析的结果和分析的结果有相同的。当我们使用的图片是从普通摄像机拍摄而不是从卫星拍摄遥感图片时,具有更好的结果,其他的则是最好的。我们使用的第三层次的将每张图片分解成个子图片实验观察到子频带没什么用,这意味着提取的特征不适合分类,就像下面一样在我们分类的进程中,平均上所有子频带从至都是有用的如果,,和没什么用处,可能会导致在分类过程中出现问题,有些是都是有用的,方差,,,和这些在分类过程中非常有用。提示的意思是在第一级的近似系数和指细节系数等在第四章的第二部分,我们的实验表明,用在遥感领域非常有效地,因为它执行从其他过滤器获得的结果。但是,如果我们要处理的天然纹理即不属于远程图像,我们可以使用。该比哈尔,卿伦,和更好。使用这种方法作为一个,我们发现,只有,,是正的并且有比较大的值,但其他子带都是负值。然而,使用性病作为作出只,和不被用于作为分类特征,这是因为在这些子带中,其值比其他正值更大,而且这可能会造成各种纹理类型互相干扰。在这里,,和是用来功能分类的,因为只有这些子带是稳定的。在小波家族,我们尝试了很多方法加强和特征提取。而且我们发现小波家族和是我们实验最好的分析手段,为了三个层次通过使用近似部分的,我们得到了最好的结果。这种方法的第二个算法中,图像调整是我们算法最好的增强方法,其主要是为了取代手工方法,因为这种算法被证明是更有效和更精确。它还有另一个优势,就是,任何医生可以轻松地使用它。更进一步说,该方法不需要医生诊断专家的诊断是否正常或不正常的,它可以在任何时间和任何地点,不像手动方法需要特殊设备。我们的未来工作分为三部第一部分是自然图像或遥感图像的分类。我们采用子波变换来分析,用神经网络来分类,也许其他研究人员会采用其他的方法来分析并分类,比如采用或模糊逻辑。在第二个算法中我们采用模糊逻辑,其他研究人员可能尝试其他方法,例如使用彩色图像使得这三种疾病之间的不同点变得更清晰。一夕 CSUPhDDISSertationAbstract在第三个算法中不同的研究人员可能朝不同的方向尝试着去诊断,我们采用的是数学方法,其他人科恩那个采用蚁群算法。关键字图像增强,图像分割,疾病诊断,子波变换,基于内容的图像检索,霍夫变换。一 CSUPhDDissertatlonListofconiefltsLIStOfCOntentsCHAPTER1.Introduction二”…“…”二,”…““二”““…”…““”“”““”””…”“…”““…………,…………,………………,……`……………………,…………,`…………””…“…””…”…“”“”…”““……””…”……,…………,……………………琳··························……一已……记………………·一……,………………一………………,…………““……………一`侄才了﹃犷 CSUPhDDissertationListofconients3.1Overview....................................……,…………,…………一……`……,…………二””””“……”二“”…””“·…““““““·”“·”·……“·”·”··……”········……“··………、`……,…………………,……,………,……,………、………………一……“……“二”……”……”……“二”…………一……`……,……··············……·······················································……一··········································………………·······································……·········································…………··············……一 CSUPhDDissertationListofeonients勺行了Q了日一︸︶洲……·········……·”…”””…“““““”····”·…”…“…“““…”“一“““二””…”“…”“”…”二””二…………,二,……一…………`……一……………………………………”……“”……“……“”………………尹 CSUP瓦目录第一章引言……概述和目的……图像增强……小波变换……特征提取……体质性黄疽·············……薄基底膜……图像分割……模糊逻辑……博士论文提纲·····················……第二章材料和方法……`·················……背景资料……`……图像增强……···················,····························……直方图修正·……小波变换……分割……特征提取……模糊系统的结构建模·······················································……基于内容的图像检索的介绍……图像特征……纹理相似性·········……基于形状的图像检索……第三章文献概述……概述…………医学图像分类和疾病诊断……三类体质性黄疽疾病的诊断……杜宾一综合征···········································……吉尔伯特综合征·······································……转子综合征····……薄基底膜肾病的诊断··············································……第四章用于分析和识别的纹理和远程遥感图像的小波神经网络方法……弓言……小波变换……特征提取……算法……实验的第一部分……实验的第二部分……,················……结论……摘要……,……二……第五章一种用于三种体质性黄疽疾病诊断的算法……概述……,……,……体质性黄疽……,······……杜宾一综合征……,············································……“一宁厂气之里忽粗 CSUPhDDISsertationLIStofC0nieniS5.2.2吉尔伯特综合征····················……转子综合征……算法……图像获取……预处理……切割法利用成长切割法……图像分析……`……特征提取……分类方法模糊建模系统结构……实验……图像增强方法…,,……,·······……特征提取……`…………结论……摘要……第六章一种薄基底膜诊断新算法……弓,言……薄基底膜肾病……基于内容的图像检索··································……算法……图像获取……预处理……基于霍夫曼变换直线检测……计算薄膜间距……实验……结论……摘要……第七章结论和展望……第八章致谢……一 CSUPllDDISsertatiolListofcontentsLIStOfTablGSTable4.1Theresultfromsymsandcoin...................................................................…………………………………………,………………一 CSUPllDDissertatlonListofFiguresListofFiguresFigureZ一……,……一……,二……一'』……一……,……一…………一……一……一二、……,……一……一…………一一,`,…一……一……一……一……一……、……一……一……一……一,……一一`,……,……一矛犷 CSUPhDDissertationListofFiguresFigures一……一一,一,召……一一……一`,,,,,勺,,二……一……,……一一,们。……,……·……一……一……一……一……一……、……一认。……一……一……一……一……,……,……,……一 CSUPhDDissertaiionAeronymsFFT比WTCWTDWTLL一LH一HL一HH一HaardbCoifsymbbiofD一一一一一所 CSUPllDDissertationAeronymsA2-DD1RGB,FESTD君一一田,一刀■。弓月,走一 CSUPllDDISSertationAcronymsMSVEM一一一一产 CSUPhDDissertationChaPterone:IntroductionCHAPTER1.Introduction1.1Overvie下,,,,…,,一,,,,,,一,,“,,,,,·了` CSUPhDDissertallonChaPterone:IntroductionInmediealimageProeessingthePreProeessingstePi,叮,一,,,肛,,即,丫一,、一,,,〕`,、一,一,讯一一叮·,,,,,,,,,…,一一,一 ChaPterone:IntroduetionCSUPhDDissertatlon1.4FeaturesExtractionInthisPartweneedtoredueethehugenumbersofthevaluesthatareextraetedfromtheanalysisofthePieturesbyusingDWTtogettwoorthreevaluesthatrePresentthePieturesbyusingthefeatureeXtraetionmethodslike(meanandStandarddeviation).1.5ConstitutionalJaundieeConstituionaljaundice15rarediseasewhiehhaslitleinflueneeoneitherthewell一,,,,,,,,,,让日一 CSUPhDDissertationChaPterone:IntroduetionWehavemadeanalgorithmtodiagnosethethinbasemenimembranenePhroPa-t勿如·,,。,,,一,一,、·一一,而,,如 CSUPhDDissertationChaPterone:Introduction1.8FuzZyLogieThefuzzymodelingsystem15develoPedtomodelasystemwithsomede-scriPtivefuz习,一石万而,,,,,勿勿汀,,,,一一,,, CSUPhDDisse州刁一,。今而咖【,勿,,如,,,,,, CSUPhDDissertatlonChaPtertwo:BaekgroundandMethodsCllAPTER2.BaekgroundandMethods2.1Bae吨,,,,,肋知,如,,,,,,,, CSUPhDDissed习·,,,。勿,,,,一,,,川、℃,,,几,,加,么',而,而 CSUPhDDissertationChaptertwo:BaekgroundandMethodstrueofhighervaluesofinPutlevel.ThistyPeoftransformation15usedtoexPandtheval-uesofdarkPIXelsinanimagewhileeomPressingthehigherlevelvalues.The109fune-tionhastheimPortanteharacteristicthatitcomPressesthedynamicrangeofimagesWithlargevariationofPixelvalues[14].TheimagedisPlaydevieemaPstheintensitylevelzerotoblackandthemaxi-mumallowedvaluetowhite.ThemaximumallowedvaluedePendsonthebitwidthofthedisPlaydeviee.WhenthedynamierangeoftheimagetobedisPlayed15veryIargeandalargeProPortionofthePixelsoeeuPylowvalues,,,。,,,,,,,,而份,”“畏夕一“箩一`夕,`“``己,三万 CSUPhDDisse川刁认犷。,,叩,,,,勿,勿叮七翻瞥或界认,一,至要,议,轰要,而。」,, CSUPhDDissertationChaPtertwo:BaekgroundandMethodsniqueeomonlyusedforimageeontrastenhaneement,川,,,、击几护口,咖。。一二一一一十一、。〔,凡「口,击〔,刀`、侧,。一如勿,允一、。一艺马二一,而,一,,, CSUPhDDissertationChaPter扣刀。,,沈一匕,,口“动子乍〕,丫,`,一汽一, CSUPhDDissertatlonChaPtertwo:BackgroundandMethods}0汽谧一百一,万一一万二三厂一十一``,,几,七九,,丘,,,,,,,,,`一,一,,二牙,,,,,砰几办,几介 CSUPhDDlssertationChaPtert刀。一,,五,,而仃「,,九入允一,,,叼,,说而说叮〕而,,“,,一而一,一,沈,而刃,,, CSUPhDDisseltationChaPtertwo:BaekgroundandMethodseontinuouswavelettransform(CWT)ofasignal,,盯一`,”·皿·才`,撇宁,月,,,一,,产,、一、不犷,梦一二下一徊户田切,一,一一,,讫一,,一,弓,一,一汀 CSUPhDDlsse川了。,,,,,,,一,,,幼淆洲日妇日巨日呛日目一一,,,,,即风,今,卿郊,币,住户,」, CSUPhDDissertationChaPtertwo:BaekgroundandMethods谁撰倔、卜鲡砚卜咄垂价现唱西份二吧一“,,,一杏艺一`】“,,矛一合客一`,`'`一'关,……解,,。二,,,,一“,,,加一一,址 CSUPhDDissertatlonChaPter加·近犷。,,,议议巨加,,。,,,〔忍勿,〕,,任”一,,,占,一,,占分'扫,`夕一。。”,一。,】一艺夕,一、,卜 CSUPhDDissertationChaPtertwo:BackgroundandMethodsN(P)={q:Z”…一。一一,,,气,,一,`'气,吼,气,·一义,,净。,,凡,,,',````多`…助口一牛叮,弓`】,一。。】代·弓尸心二。,一`。代,, CSUPhDDissertatlonChaPtertV了。以一乙川。,勿`,`,·''气''吼`吼·,`,,叭〔,一,,〕厂,,,,,而诉,,加,而九一一 CSUPhDDissertationChaPtertwo:BaekgroundandMethodsFig.2.3showstheexamPlesofimagesegmentationUsingstrokesforGrowCut(red=fol4egl·, CSUPhDDlssertalionChaPter扒一·,【 CSUPhDDlssertationChaPtertwo:BaekgroundandMethodsInfigureZ一,,,,,一,一一,`飞,,,,,,,',,,·,, CSUPhDDisse州汤研。比一,永卫,,而,令侣,,、一丽白禽、''一一艺艺了,,一“'二二国二争侣,,,、、￡石万乙乙,一」二,卜石卿、,反〔恤国',,,,, CSUPhDDissertationChaPtertwo:BackgroundandMethodsYou,,,,,,“,,“,,,“一”,“,,“一,,,“一,,,“,,`任,,一一伪,“归,,一,,,,,一,,一,,,,一,,,,,,,,`'一,,', CSUPhDDisse川加`住优七朋抬阳朴联鉴葵扭舒井一夕一少一了一一未拼一二祥民一万片蒸葬衬户```````````二二主```二````扁`````````益`````言盆````蕊`蕉薪梦布久巅薰撼蒙一,巍豁瑟纷今八」几篡薪蘸粉…月召二、尸一一了五飞只感犷五,卜月勺众褥赞》`犷飞犷丫准舞渤羹簿鑫鑫分断井吸目甘蕊,`护、月,`目`几口、,皿心,才、樱蟹黔井…夺刁」、、之、,全一月盈口、匕闷气甲蓦攀笔翼攀共缪议卜月蒸寒鲜洲过导八幸演寨朋价习铭压八霎纂攀瞿联拼骊七黝黔缪缨磷翼黝羁羹留摊抽寒辫甘户刃叩暇潜羞群裁蛋魏戮雏狱那鑫赘瑞撒簇熊跳翅目四镶瀚瀚粉甜峨摄嫌级滞绷赞攀溯鳞瀚触黔劳爵多瑙娜眼熟圈菠圈嫩翻塑鬓夔矍鹭弊矍矍然鹅翼麟羁翼攫鹭器华角唯巷薰鬓夔翼纂翼翼薰一、仑众扰众洲场尹邪闭泌品勿心妙九,功叨么必衍弄城尹论茄右比柞比川协已砂众日汤合即议乙城认矛忍汉洲介切,粉叔抓易石匆吞语仄及场`妇石内公。矽杯优八分伍乎肠飞孰仑矽场困孩诌亡`斗蘸…黔薰斗一, CSUPhDDissertationChaPtertwo:BackgroundandMethodsplantsPaeingstandarddeviationexamPles:Remember,,一“,,,,一一九,,,一,,加,趾左一,,,,,,,,九及,刃几,葱一一一,,,…,,,丸…,,,,, CSUPhDDisseri卫,一,',一加崛护一。。十`一`二二竺`冲一,。一加,,,…,月乡户一一,吐一,艺峨矛们艺,,,,,,,,,…,、,七,,,么…,、`,,…、,公阴到免石卿,附`,,,…,,,,,…,,一勺刀几山,一,沁一,,。,,兔双。,,,,一月,,,,,,,, CSUPhDDissertatlonChaPtertwo:BaekgroundandMethodsWhereSTDI,,,,,,,,,,一,一,“,,一二“。·合一夕',一少`一`·`。“·',,`…一`·。·。·`·。才`·,`一了,一。舞。,■。。一。一,叮,一一,,,,勿一,一,一,一,一一一 .J盆】 CSUPhDDissertationChaPtertwo:BackgroundandMethodsgivenimage,一一,染鉴妞巡李乍纷趁侄悉粉臼巴缝绷必终理故麟必熊份切瓣欢毋姗豁爵巍麒纂秦摹瓤彝教鳞攀继鳞理黯舞撰瀚典场拭呱洲娜二多务云`偏忿吮二湘留舀``汤砰`孔毓殡濒姿毅知颐甲脚翻狐姗卡出招姗毋姗霭汉母袄母翔北溯熟叉王招嘟嵌滋淤浇嵘乎忍幼戈翁场术轰盛簇盛点书众币丈从沁畏棍李月户形呆扮奎热狱拼跨途二竺竺户摹照哪群琪珊瞿巷曝魏孩续粗姗隧裂睡被麟灌缨瓢蒸羔翼鞭…鞠撇麟蘸黔麟鞭黝戳豁翩翻瀚黝麟里二翻男民吸乙口之及硬国荀岛吕乙叹艾,艺汉训吕沉召召贾贾吕吸吕兄拜爵伟舒军,分另即不用尔尔斌斌不用用华豁黝蘸癫黝缴翻鑫撇黝撇撇缴蘸熬彝缈耀撇蘸彝汁臃撇包毅鬓引鑫魏卜沥容豁`书叁石孟卜办粼魏鹭翼馨篡戮罐粼巍瓢瓢耀黝燃鬓黔黯粼睽黔戮德黯夔蒸馨粼麒鬓蘸翼蒸薰鬓篡】典既架甩召釜泛活翎舀当娜报今聋服月灌馨鬓艘带份资易右家盛蕊摄翔服盛兹蕊麒奔树端,世犷摧鬓轰气邓寻润石不刃心幸洲苍长犷封、价兮吧二介琴万彭王出如王芝乙工压反王名田田币贬又习万庵呸蕊否肠及忍从么谧张公出炎任田田田田召弓召炎甲象饱叼蘸雇纂篡羹骤鬓缎巍冲哪熟堆鑫狐瀚惑熬翻蒸撰瀚撇洲翼叭苦丫彝愁六溯攘`备几沾游鑫`心汁圈摹、瑕`琦魏黝岛塞姗摹沙汀夔`橄找纂巍洲瘫户摹黔慈岁擎从长肥翼”羁丫麟劣七召占妻肇,丫丫奢刀鞘沪汗鬓韶亏针通簿卜翻勇月纂蘸藻魏娜戮耀撇翻落翻磷鬓翼耀羹耀鬓黝鑫羹鬓熬麟羲臻娜姆味井,二从一卜头公瀚聋姗件滋派叭令琳从解书妙姗拼琳公东忿井书补乞帐赵厥区醚歇越夔翼羹蒸簧蘸沁广个…邓绮岁形叠长苏苏刃苏刃弥刃刃刃苏苏苏苏觅刃刃苏刃召犯召召不`。沁二沼弓`裕岁币汉邢心次洲召出】髯瓢篡珊蘸彝纂淤于`噢翁巍蒸蒸弊巍熬黔纂麟摹鑫蘸鞭黛撇熬获冤召及匾吸落招菇二召巫颐及盆召硬公石又罗左品矽石妥父父一晰协朋缪纂翼蘸巍熬薰羹攀鬓薰鑫鑫纂翼翼鬓羹鬓攀纂薰襄巍纂鬓彝鬓鑫鑫襄撇蘸翼黔一 CSUPhDDissertationChaPtertwo:BaekgroundandMethodsThishasbroughttogethertheimageProeessing,,,,,一,,,一,,一,,一“,而,,·〔二丫只胃”一氏一雕仇·门。、内成一礁认·叫 CSUPhDDlssertatlonChaPter认护,,,`〕而几叨盯口办妙,,,,』,,,,二,,,“一勿一一,,,一而,,毛,,,,,,叩一扮`飞,,一,,,,,,,,七`一,一 CSUPhDDissertat10nChaPtertwo:BackgroundandMethodseralaPPlieations.Commonregion一,,,,,,,一一,,,盯,,,,,久只,,介,,,,之乡“,,印一一 CSUPhDDissertatlonChaPterhvo:BackgroundandMethodsFigureZ一选红瓮黑万黑二黑之黑二器二黑熟忿二器二思之贯毖劣蒙器一巴 CSUPllDDissertatlonChapterthree:LiteraturereviewCllAPTER3.:Literaturereview3.1OverviewAsweshowninehaPterone,“,,,,,而,,一,,,,叮一,记,,,,【,,,【,,,卿, CSUPhDDisseri刁,,,,一,`【一,,,'一,,〕一从`加一,一一通,叭沁即刃`,,、,·,,,, CSUPhDDissertatlonChapterthree:Literaturereviewyellow一,林一一,玩,,,主主砂一一刀,·,一一,主呈习,`而御一林一,一,一一,主主了,一,一 CSUPhDDisse川卫,一一,【勿短加咋知如却诚触匆拘州勒笋摊附一 CSUPhDDisseri习一一,`,,【,,【一,,, CSUPhDDisse川叮勿。刃,,户`一,,,,,叩一,、`如,一知,一,,勿,,。」。,,,匡,,,,一,, CSUPhDDISSertationChapterthree:LiteraturereviewquentePisodesofmaeroseoPichematuria,,一,,,,·,娜,,一`,,,,,,,如,, CSUPhDDisse川力举鸳然黝缨蘸鑫翼一 CSUP】一,,一,一一,一,一一一一】,一,一一`,一,`'`'知 CSUphDDissertationChapterfour:AnAlgorithmfi)rAnalysisandReeognitionofTexturesandRemotesensingimagesC月月尸刀一一。讫,,。寸一。,私`,,,一一。,,,、而,勿,一·,,。 esuphDDissertationChapterfour:AnAlgorithmforAnalysisandReeognitionofTexturesandRemotesensingimagesofexamPlesofinPut一叮一,,一为,如“效”“”加,冲一,,,,,,叮 CSUPhDDissertationChapterfour:AnAlgorithlnf6rAnalysisandReeognitionofTeXture5andRemotesensingimagesPromised.Thereinliesthedilemmasometimesreferedtoasthe“,,,,,。二二,,、尸,、一、七理`'”,一土。`,`斌丁,,。,,一勿,,砰,尸、尹一一一二下一一、,徊小的么,印一,必一,、`,一, CSUPhDDissertationCh即骥黔娜卜垂卜咄孵谱翻卜`、唱无切田昭口卜钾、唱一“一,,带气一百台'卜`“一,,一一拭艺月一石,,…解,沈,',,一“,,一,一一,一·伊一, CSUphDDissertationChapterfour:AnAlgorlthmforAnalysisandRecognition一里江旦料叮`司〔,,卜﹄一口刀—艺艺,尺尹二叉叉,一'了翻锣,,,、、￡丽乙乙气气,一三产二,轰互、一·,“,,,“,, esuPhDDissertationChapterfour:AnAlgorithlnforAnalysisandReeognitionofTexturesandRemotesensingimagesregardedasanintermediatemethodbetweentheSteePestDeseent(SD)andtheGauss_Newton(GN)methods.IthasbetereonvergeneeProPertiesthantheothertwomethods,,,■叮一一■叮叮粉一,刀分的刀,,,,一,让一 CSUPhDDisseltationChapterfour:AnAlgorithmIForAnalysisandReeognition_o叮,一艺玛,十瓦。气二气艺一,乓,二夕刀屯二一……■刁一一。。■本,,,,,,,,,,,斤,斤,斤,丘,斤,,,,,,,,,,,一,一一,,,助`,,,…,一,一,,〕, eSUphDDissertationChaPterfour:AnAlgorithmforAnalysisandReeognitionofTexturesandRemotesensingimagesVarianeenotasuniquevalues,,,,,',,,,,·伽,一义一一,,一,, CSUphDDissertationChapterfour:AnAlgorithmforAnalysisandReeognition一一一一一一一一一一一一一一一一牲,`讫`,,,,,乏一,必必必,必,、必必〔必,二,二弓沪必沪,,,一一,,,,一,,,一卜一,自,一一`,,勺,认,,,, esuP叻,,,,,,,一一,,一,,,,,,,,,,,,,一,,,一,,,,一 补鬓臀翼 CSUPhDDissertationChapterfour:AnAlgoritlnforAnalysisandReeognitionofTexturesandRemotesensingimages麟漆三除麦董毅鱿里罄然率蒙黔黔干蒸·笋犷笋罗犷畜资粼鲜森公瑞蒸汤塞黝玉羚一〕藕爵鬓燕氨纵蓬一豁葬群已薛厂燕一莎犷寥扒一,一 CSUphDDissertationChapterfour:AnAlgorithmforAnalysisandReeognitionofTeXturesandRemotesensingimagesandneuralnetworktofindsuitablewayforreeognitionthet(,,一一,,,〕,,,仰,,,,幻刀,,一· CSUPhDDissertatlonChaPterfive:AnalgorithmforDiagnosisoftheThreeKindsofConstitutiona!Jaundieeoriginalimagedividedimage粼鬃黝一 CSUPhDDissertalionChaPterfive:AnalgorithmforDiagnosisoftheThreeKindsofConstitutionalJaundiee黝Q红宫俪翰时霎霆酬一夔鹅翻翼鳞一一耀瓢黝黝馨翼薰一《浮· CSUPhDDissertalionChaPterfive:AnalgorithmforDiagnosisoftheThreeKindsofConstitullonalJaundieeTable4.1Theresultfromsymsandeoifl.WaveletGrouPnameRangeofSTDRangeofVarianeeRangeofMeanmother月`︸﹀、︵︶创沮刹75一一一一一一一一一一巧一一一一一一一一一一一一一一一一一一一一 CSUPhDDissertatlonChaPterfive:AnalgorithmforDiagnosisoftheThreeKindsofConstitotionalJaundieeTable4.3illustratedthevaluesthatextn一一一一一一 CSUPhDDissertationCh叩一一一一一一一一一一一一一一一一一一一一一一, CSUPhDDissertationChaPterFive:analgorithmforDiagnosisoftheT七几朋抢自,一,,,,,,勿,,,乙巧议`·护五,一,一,,,一一',, CSUPhDDissertationChaPterFive:analgorithmforDiagnosisoftheThreeKindsofConstitotlonalJaundieeTheWavelettransform(WT)Playsasubstantialroleinmulti一,,,一,,石习,一比,,,一,,〔,,·反一习一一乃, CSUPhDDissertationChapterFive:analgorithmforDiagnosisoftheThree幻一小,「反,砂”价口八一勿脚,一,一',小,,一,一,小,,一`,而而 CSUPhDDissertatlonChaPterFive:analgo]itlunforDlagnosisoftheThree丸,一,,匕,一反主,”只“行介勿儿,,、,,,诵,反主,一一,,,,`。盯,盯叮议呀,。、二二一”一工`'夕·,,`,丛'飞〔,丛万 CSUPhDDissertationChaPterFive:analgorithmforDiagnosisoftheT七,,,,汾全竺竺」、巨竺到。二竺兰全兰到尽巨些竺全生竺兰川钊二咖职、黔巨全些丝竺」玩位比加加血比亡州幻准地加血云七吻翻。址坛刀七恤万坛瓜滋咬洒耐尽砌玩,,勿硫,忱“榷二噩…习戏亡冉。记圈邸翅”比魄。,狱触以抑七玩声功乞二遥肠,砚砚伽卜蘸耀黝矍端乐婉劣,,加,二川叱坛一找…“比魄加“触盯加”拼“叫母让撇珊一 CSUPhDDissertationChaPterFive:analgorlthmforDiagnosisoftheThree幻,〕“,一反主及等,,``忍,,,`'妙',,阴,邝,一,`,反主,,,一,,说铆`, CSUPhDDissertationChaPterFive:analgorithnlforDiagnosisoftheThreeKlndsofConstitutlonalJaundleePromised.Thereinliesthedilemmasomet油“,,,,必,,、尸、一、尸`“,力,一土。`,`斌丁,,,,,,即、一、牙,梦一二万一一一徊亡旬乙男,一,一,,,一罗 CSUPhDDlssertationChaPterFive:analgorithnlforDiagnosisoftheThreeKinds`〕一,' CSUPhDDissertationChaPterFive:analgorithmforDiagnosisoftheT】一,一, CSUPhDDissertationChaPterFive:analgolit物、一吞艺,卜,`妙一拭一合宾一,一产`,,…川,,,一“,,一俄一一,一。·、侧一,`,而 CSUPhDDissertationChaPterFive:analgorithmforDiagnosisoftheThreeKindsofConstltutionalJaundlee:蘸蘸鬃蘸蘸耀蘸丽颐薰黝撇纂撇薰黝纂鑫鑫彝翁羹摹夔鬓鬓鬃羹摹蘸薰瓢…彝夔鬓鬓馨瓢鬃黔鬓馨拳蘸薰纂蘸黝熬黝夔纂翼止摹甲瞥撼鬓矛斑鑫欲多鬓瑟粉路潺黔甲予麟界蒸斗熬翔甜蒸鑫报姚羹轰羹翼纂蘸霎馨纂蘸羹纂纂蘸燕目羹鑫象目曰〕薰蘸】薰毅鬓缨】馨瓢嘿黝翼羹纂藻黔播瘾纂瘾襄蘸瘾蘸鬓蘸瘾薰蘸瘾夔蘸翼豁黝缨珊撇薰黝蘸蒙臀薰崖撇鑫黝热蘸蘸巍夔蘸蘸蘸巍黝缴翁黔巅醚蘸戳嘿黔攫蒸撇鬓赣辨蒸翼彝蒸拳薰绷羹籍翼纂馨翼群蒙暴翼塑熬摹勇摹摹粼撬歉蕉攀纂麒翼鬃瓢薰蘸瓣蘸黝黝黝缨骥鬓翻嘿鬓黝薰蘸蘸蘸鑫黝耀蘸巍黔蘸国曰蒸鑫鬓黝薰纂馨们镬鑫蒸蒸翼撇爹蒸馨瀚藻蹼馨攀鬓熬鬓鬃蒸匕—一一 CSUPhDDissertationChaPterFive:analgo]ithmforDiagnosisoftheThreeKinds()fConstitutionalJaundieeThemean15implementedasfollows[130]一刀艺艺,天尸二二艺艺·一刃,、一一伪,石卿片,,,…,,…,,汕,,一,,以一乙一`入,气,一气,一戈一下一万民一一一十···一一,,一一,,,,…,勿一班,办'坤一,, CSUPhDDissertationChapterFive:analgorithmforDiagnosisoftheThreeKlndsofConstltutlonalJaundlee艺``怡拼艺,,`,,`,,,…,,,,,…,,`,,…,必,一石甲,`,,…,,,,,…,、一加,一,川,一,,,,,,,一,,,,,,,,,,,,,,,,,,一,一,,一 CSUPhDDissertationChaPterFive:analgo一幻,`另一夕',,,``恻趾。``,`·玛,·、了`·,`一、才`,一粉斋、才`,,玛一。一,粉,。“,,一“,,,,,,,, CSUPhDDissertationChapterFive:analgorithmforDiagnosisoftheThreeKlndsofConstitutionalJaundlee反疾而,一,一一刀,而一,,一反反矛'“己,,,一一,一,,一 CSUPhDDissertationChaPterFive:analgo一】幻直石卜尸﹄户飞、淤炸一哈飞泌卜朽︾抢工班城石直一兹鼓经一,,,,,。,,,反疾不为,,,,,,… CSUPhDDissertationChaPterFive:analgorithlnforDiagnosisoftheThreeKlndsofConstltutionalJaundieeFromthesegmentaionstePweneedtheinfeetedPartonly,,,,,,允,,,,记,,·一,滋,,一,盯 CSUPhDDissertationChapterFive:analgorithmforDiagnosisoftheThreeKindsofConstitutionalJaundieescales(Pereentageofwhiteandblaekeolour)foreaehimageviaitshistogram,让、,一一只至厂,月卫`东气,月︸产叹闷,'勺以`一、刃了乙「冬,今,东'勺`咤议 CSUPhDDissertationChaPterFive:analgorithmforDiagnosisoftheThreeKinds,〕贾百君心育落遇逻属益卜一—成幻右摺甘豆硕晚丫之加一冬滋喻留咨公迸石一卜息育渝钵二。一…—谕时在触婆妇垃此兰著若叭一爸脚上卜毖公终匕璐。—一一`……·、一一、几`…'、刁一一一“竺一一竺,一'`终之`丫一,一`二`奋幽曲翻娜自圈胭醒烫淡撅翻暇瑟脚一己踌、瘫,司韶一一,` CSUPhDDisseri刁·已卫。一,一枷,加挽知,,,,,、,,,,叭,,`轰, CSUPhDDissertationChaPterSix:ANovelAIgorithmforDiagnosisofThinBasementMembraneNePhroPathymentmethod15usedtokeePthePietoresinthetrainingand/ortestingstagestohaveal-mostthesamefeatures.TheProPosedalgorithm15sueeessfulindeteetingandealeulatingthemembranedistaneewithouttheneedtoaehievethatmanually.6.2ThinBasementMembraneNePhroPathyThinbasementmembranenePhroPat勿,,,诵,,闪`,,,,·一皿一,一,一一一,,,一,一,, CSUPhLDDissertationChaPterSix:ANovelAlgorithmforDiagnosisofThin_BasementMembraneNephropathysystems15toenabletheuserstoPosequeriessuehas,,一勿一,,们,,,了,而一,毛,,一,凡一,,,,,,,一”,,,一叹只“台介勿月,,比一 CSUPhDDissertationChapterSix:ANovelAlgorithmforDlagnosisofThinBasementMembraneNePhroPathyInPutthePietureafterenhaneementDalabaseofdifi七DividedthePictUreintosubPietures压韶柳妙一 CSUPhDDissertationChaPterSix:ANovelAlgorithmforDiagnosisofThinBasementMetnbraneN叩反几,,一,一℃`一,晰,一一,〔,、,一洲,叮,。、二二一”一尤`'夕·`,尤`“工义二,丛万,,,,一一 CSUPhDDissertationChaPterSix:ANovelAlgorithmforDiagnosisofThinBasementMembraneNePhroPathy,,`力一愉拿掌·“,了,以论,,疾而,一,一,一,丛兀一户三户三刀户庆兀,丛贪兀一``,。二,一外'`,。“`,户爷孚伽,,三丛,一`二,孚,五荃十,, CSUPhDDISsertationChaPterSix:ANovelAlgorithmforDiagnosisofThinBase川一,乃”伽,,仰,脚一劝,如。,,、一一疾〔'斌台”,,,,,,,一一,,卿少,,一拭,放, CSUPhLDDissertationChaPterSix:ANoveIAlgor1thmforDiagnosisofThinBasementMembraneNePhroPathyNowifwereverseourvariablesandlookinsteadatthevaluesof(k,,,一权,瓦无,,,,凡,,,,,凡,,,,一,,,二一,,。,,。。,。一口烤,。。啥。夕。鸿一二毓习。,乌一比。〕。二象。默。…,几,—,少—,,一, CSUPhDDisseriationCh即即一`,,,,、·了一,,一,,,,,,,〔玉,,,一·的一,一详一,,一·一,山,, CSUPhDDlssertationChaPterSix:ANovelAlgorithmforD1agnosisofThinBasementMembraneNePhroPathybdFigure6一, CSUPhDDisse川冶,,,,。。·一,,〕一,,沈,一,一加一而,, CSUPhDDissertationChaPterSix:ANovelAlgorithmforDiagnosisofThinBasementMembraneNePhroPathy鬓龄嚷颧黔翼暑︸簿蹄黝鬃馨樱犷纂叠黔嚎蘸臀︸盯螃黔毓屑簿哪…黔瞬蒸嗡鬓翼榷﹃ CSUPhDDissertatlonChaPterSix:ANovel,、。曝曝涵呱瘴攀一︸釉豁诀翎耀犷攫瞥`臀携钧渡澳陌年沁民欢议至次于︸砚熬︸城︸洲谈叙翎晰姿薰黔一`, CSUPhDDissertationChaPterSix:ANovelAlgorithmforDiagnosisofThinBasementMembraneNePhroPathyFigure6一一 CSUPhDDlssertationChaPterSix:ANovel盆气`三一一比 CSUPhDDissertationChaPterSix:ANovelAlgorithmforDiagnosisofThinBasementMembraneNePhroPathyFigure6一一 CSUPhDDissertationChaPterSix:ANovelAlgorithmforDiagnosisofThinBasem`,·一,内创卜巧川争厂,通内,︸么艺厂引仆欣象气八」︸``,一矛伪乙,`」丈凡,︺尸、·一。气八`︸气,白一︸、护`一、内月︸︼、气,勺山勺山,` CSUPhDDissertatlonChaPterSeven:ConelusionsandFutureWorksCHAPTER7.Conclusionandfutureworks7.1ConelusionThefeaturesextraetionsuehasmean,,,,,,,,,,,,,一一,,一,,,,,,,,,,,,,,一, CSUPhDDisse川泊,,一,、,,,开,一,,,,,,,,,。。。切必,,仰 CSUPhDDissertationReferencesRefoFenCGS[1]AliSK,,一叩,,一,,,,一,,,一【,,,,一,,,,一,,,,,,一一,,,,一,,,,,,,,,于,,,一【川,,,,,,,书 CSUPhDDISSertatiolRefereneeS[13]CristianM,一,,,一〕`,一,丽,一`妙,,·,,,【、,,,二,,一,,考,,,一,,,一【,哪,,一,,一,,一,,,,之一,一·,,一,,,。〕,,一,,,一 CSUPhDDISSertation[26]ChikZ,,,,,,,,,,一,,,,,,一」一一,,碑,,,,一【,,一,,一,,,一,,,,一,,,,一,,,”,,一「,,,,,一,一,,一【,,,一,,,,一 CSUPhDDISSertatlonRefereneeS[39]VamsiKM,明,,,一,,,,,,一,,,,一,,,一石,,习一,,,,一「欣,,,,一一卜,,,,,一〔,,,,一,,,,一灼,,一,,,,脚,,,月弓,, CSUPhDDissertation[53]SmeuldersA,,,,一,,一,,,一一,,一,一仃租,,一【,,一刃,,,一【知”,一〔,,一,,礴,一,,,一,,「·,,,,一,,,,,,一,,一,一,,少,,,一 CSUPhDDissertationReferences【,,一,,,,一乒性,,,一【一,,一,',,一一,,,,勿·,,,,于玉,,,一,一】一,,一,,勿即`“`,,“`,“,,寻,`一,【』,,,弓弓,,,一,,,,一一,,,一,即一,,歹一,一·,, CSUPhDDissertationReferences[82]AIGamiG,,,,,一』,,,一,,一,,,一一,,佗【,理,,,一【,,一,,,,礴,一,,一,,,盯一,,荀,,,,,一一,,一,,,,一一一,,一,,,,一,,,一,,,一 CSUPhDDissertatlonReferences〔,,,,一二乙,,,,,,,一,,,一一,,,一,,,一,一〕,,,「盯,一汉,,,一,,一,,,于,,,一,,一一,,一之一,,,一协,,,,,一,`即,但,,一,,,,,, CSUPhDDissertation【,,,,,,一,,一,,,,一,,,一,,,一,球,,,一,,一,,,一,·,,,一,,,,一,,一川,一而,,,一,,,,,,,罗,,一一,一,,一,,,,一 CSUPhDDissertation1117]LanteriM,,`,,一,,,·,,,,,,,,,,,,一,,正一,,一,二“、,,·,一、·,,一,,,,·,。,一叩,,一【」。·,,,·一,,刀】,,一,,,一,,,一 CSUPhDDissertationReferenees[129]WilsonR.MultiresolutionImageModeling.ElectronieandeonuunicationJournal,,一〔」,,一,,,,,一,一一,,于,,【,,,,川一,而,,一,,,一,,一一,一,一,',,一,,,,,,,弘,,一,,,,,,,,,一 CSUPhDDissertationAe知子艺冷动二,“物成反呷`必粗厂艺毋嘛万众哪肠口汤,,那了华少,左'而吻众丘呷血卿口咖几。,俪了擂,不口毋了细。而匆万`灿咖了凡欣哪今瓜汀`俪`万勺万面了二五期万幼卿甸`万厅四讯另勺俘即而口万玩件'晚斥石尽`艺”件`》`万了哪嘛万您毕万众汀称￡件'卿户喻面。仃。万仇勿勺互山`岁吻“了万万万。而万令勃可丹匆。匆几飞初匆,蜘犷外瞥。则毓。淤,厂绒'辰尽加面万勿仃伍了反伍。份而刃咖流匆叨'叼承试而咖心讯尽够诫汤而硫众疏 CSUPhDDissertationResearchPublieationsReSGarChPUbliCationS1.ShakerK.Ali,“,,,一,“,,,,一,,,一“一,,,,一,,,“,,,,一,,,“',,,,一,,,”,,砰一,””