决策树C4.5对草药形状特征的优化研究

目的：利用决策树分类方法探讨一种新的图像特征优化降维方法。方法首先利用图像滤波、灰度阈值、腐蚀运算等图像操作对新疆草药图像做分割预处理，获取草药图像感兴趣区形状，然后提取草药形状的 Fou-rier-Mellin 矩、Hu 矩等形状特征及图像主颜色直方图特征共14个特征分量；最后应用决策树 C4．5分类算法，在不同草药形状特征分量组合下比较草药图像分类准确率，经过优化分析，选用 Hu 矩的 H2、H4和图像主颜色直方图特征的 C1～C3特征分量构成图像形状颜色混合特征的5个特征分量，用于草药图像分类。结果决策树分类方法准确率达到88．55％；将优化后的图像形状颜色混合特征用于图像检索，其检索结果集前60张图的平均查准率达到89．31％，实现形状特征分量的优化降维。结论利用决策树分类方法可以进行图像特征优化降维，降低图像形状颜色混合特征维数，提高图像分类准确率和图像检索效率，为进一步图像特征的优化研究提供参考。

基于解析Fourier-Mellin矩新疆草药图像综合特征的检索研究

研究利用图像增强、灰度阈值、腐蚀运算等图像操作对新疆草药图像做分割预处理,获取草药图像感兴趣区形状,然后对草药形状进行Radon和解析Fourier-Mellin变换,结合图像形状Hu矩和图像主颜色直方图特征,提取草药图像解析Fourier-Mellin矩形状和颜色混合特征用于图像检索,比较该算法对基于内容的新疆草药图像的检索性能。实验结果表明:解析Fourier-Mellin矩结合草药形状和颜色的混合特征算法具有较好的图像旋转、缩放和平移(RST)不变特性。对基于内容的新疆草药形状图像的检索,其检索性能优于解析Fourier-Mellin矩结合形状特征Hu矩混合特征和结合主颜色直方图特征混合特征的检索效率,其检索结果集前60图的平均查准率达到91.82%。

基于影像组学的脑脊液细胞分类方法

目的:基于影像组学构建出更为高效、准确的脑脊液细胞判别模型。方法:回顾性收集3331张脑脊液细胞显微图像,其中吞噬细胞167张、单核细胞332张、淋巴细胞1081张、中性粒细胞1751张。首先在显微图像上分割出细胞核、细胞核凸包区域和细胞核凸包区域的部分细胞质,然后设计3种细胞核形状特征,即圆度、凸度、坚固性。针对细胞核、凸包区域和凸包区域的部分细胞质设计48种颜色特征。基于细胞核凸包区域提取4 676种纹理特征。结果:共提取了4 727个影像组学特征,在经过ANOVA和LASSO特征选择之后,保留了519个特征,且形状特征和颜色特征都得到了较高比例的保留(100.0%, 66.7%)。特征选择之后,利用SMOTE数据增强和SVM分类器在测试集上进行预测,各项评价指标Accuracy、Sensitivity、Specificity、Precision、F1_score、AUC高达0.953、0.948、0.990、0.961、0.955、0.996。结论:本文提出的新的细胞显微图像特征提取方案和分类模型对细胞分类问题非常有效,且避免了细胞质分割的难题,无需分割细胞,只需分割细胞核和细胞核凸包区域就可以得到较好的分类结果。