【技术实现步骤摘要】
本专利技术属于智能图像分析领域，尤其是神经树突棘图像的高可靠性分类方法，具体涉及一种。
技术介绍
近年来，细胞显微镜成像技术得到了很快发展。脑神经元成像对于理解神经元形态和神经元移动机制至关重要，尤其在对很多疾病的研究中，探查神经元对复杂感知和运动过程的动态响应是一个重要手段，脑神经元成像在这些研究中体现出了其无法替代的重要地位。毫无疑问，显微镜成像已成为突破各种神经疾病研究的重要工具。尽管在显微镜成像技术上已经取得了很多突破，而与之相对应的图像计算分析方法的发展却相对滞后。例如，对于治疗神经损伤退化和紊乱疾病，如阿兹海默病和帕金森病，分析神经突生长是一个很有前景的方向，然而，人工对神经突增长进行分析是非常耗费人力和时间的，海量的图像使得人工分析不现实。因此，自动神经元图像分析技术的发展至关重要，而分类已成为自动神经元图像分析的一个总要组成部分。如何有效地区分各种类型的神经元细胞这个课题近年来吸引了大量的来自不同领域的研究人员，其中包括很多来自计算机视觉和人工智能领域的研究人员。视网膜神经节细胞承担着把视觉信号传递到大脑的任务，获取和分析视网膜神经细胞的不同形态和动态响应机制对于理解它们的功能而言至关重要。研究人员在对猴子和猫的视网膜神经细胞图像的分析表明，分形方法对于图像中神经元结构的描述和区分具有很好的效果。有研究结果表明，计算大鼠视网膜神经元图像中的全局分形维数能够提供对细胞进行分类和功能判别的依据。本专利技术因此而来。
技术实现思路
本专利技术目的在于提供一种，解决了现有技术中图像分类效果差、分类精度差等问题。为了解决现有技术中的这些问题，本专利技术...
【技术保护点】
一种基于多分辨率分形特征的神经树突棘图像分类方法，其特征在于所述方法包括以下步骤：（1）对神经树突棘图像进行特征提取获取神经树突棘图像的多分辨率分形特征；（2）采用线性判别分析（LDA）基于神经树突棘图像的多分辨率分形特征进行分类：通过已分类的神经树突棘图像的多分辨率分形特征进行最大似然估计（Maximum?likelihood?estimation）得到每一类图像特征的高斯分布参数，包括先验概率、均值和协方差矩阵；当新的神经树突棘图像加入时，通过计算新的神经树突棘图像的图像特征和各个类的高斯分布的马氏距离（Mahalanobis?distance）予以分类，新的神经树突棘图像将划分到与其马氏距离最近的类别当中。
【技术特征摘要】
1.一种基于多分辨率分形特征的神经树突棘图像分类方法，其特征在于所述方法包括以下步骤: (1)对神经树突棘图像进行特征提取获取神经树突棘图像的多分辨率分形特征； (2)采用线性判别分析(LDA)基于神经树突棘图像的多分辨率分形特征进行分类:通过已分类的神经树突棘图像的多分辨率分形特征进行最大似然估计(Maximum likelihoodestimation)得到每一类图像特征的高斯分布参数，包括先验概率、均值和协方差矩阵；当新的神经树突棘图像加入时，通过计算新的神经树突棘图像的图像特征和各个类的高斯分布的马氏距离(Mahalanobis distance)予以分类,新的神经树突棘图像将划分到与其马氏距离最近的类别当中。2.根据权利要求1所述的神经树突棘图像分类方法，其特征在于所述方法步骤(I)中特征提取的步骤包括: A)读取神经树突棘图像并将其转换为256色灰度图像作为初始分辨率的灰度图像； B)使用OTSU算法确定二值化阈值T，把灰度图像转换为二值黑白图像(Binaryimage);使用细化算法从灰度图像得到骨架图像(Skeleton image)； O使用盒计数算法分别计算两种图像的分形维数: 将MXM区域大小的图像分割成SXS的子块，其中M/2 ^ s,l, s均为整数，将图像作为三维空间中的曲面，x，y表示平面位置，z轴表示灰度值；xy平面被分割成许多SXS的网格，在每个网格上，是一列SXSXS的盒子；设图像灰度在第(i, j)网格中的最小值和最大值分别落在第k和第I个盒子中，则nr(i，j)=l_k+l是覆盖第(i，j)网格中的图像所需的盒子数，而覆盖整个图像所需的盒子数Nr为:3.根据权利要求2所述的神经树突棘图像分类方法，其特征在于所述方法使用OTSU算法确定二值化阈值T的方法是: 设图像有M个灰度值，取值范围在O M-1，在此范围内选取灰度值t，将图像分成两组G0和G1, G0包含的像素的灰度值在O t，G1的灰度值在t+Ι M-1，用N表示图像像素总数，Hi表示灰度值为i的像素的个数；假设已知每一个灰度值i出现的概率为Pi = η,/Ν ；G0和G1两组像素的个数在整体图像中所占百分比...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。