| 设为主页 | 保存桌面 | 手机版 | 二维码
普通会员

东莞市茶山陆境五金加工厂

新闻分类
  • 暂无分类
站内搜索
 
友情链接
  • 暂无链接
您当前的位置:首页 » 新闻中心 » 新型粉末微观构造图像的模拟辨别
新闻中心
新型粉末微观构造图像的模拟辨别
发布时间:2011-11-29        浏览次数:1214        返回列表
  由于药材的真伪、优劣直接关系到临床用药的安全和有效,所以开展客观、定量与快速的显微鉴别方法研究具有重要的意义。本文将图像处理技术和模式识别技术应用于中药材的显微图像鉴别中,为尽快实现中药材的自动鉴别提供了技术参考。
  1图像获取与预处理
  选择了6种640×640的中药材粉末显微图像,所有图像均来自扫描电子显微镜照片(3000倍下)。
  可以看出,图像明显模糊不清,其原因是图像在生成与传输等过程中会受到多种因素的影响,使得输出图像的“质量”有所降低或退化,为此需要对图像进行增强处理。图像增强的目的是采用一系列技术去改善图像的视觉效果,或将图像转换成一种更适合于人眼观察和机器自动分析的形式。笔者主要采用直方图均衡化法和中值滤波法对图像进行增强处理。
  直方图均衡法通过转换灰度图像亮度值来增强图像的对比度。中值滤波方法是在空域上对图像进行平滑处理,它的思想是:选择一个窗口,对这个窗口内的所有像素的灰度值进行排序,取排序结果的中间值作为原窗口中心点处的像素灰度值。这种平滑方法对脉冲干扰和椒盐类噪声效果较好,而且可以保留比较尖锐的边界。中值滤波的关键在于选择合适的窗口大小与形状,但一般很难事先确定窗口的尺寸。经过多次实验尝试,最后确定选择3×3的正方形窗口进行中值滤波处理。
  2特征提取与选择
  所有图像基本具有纹理图像的特点,即灰度信息、尺度特性、复杂性和粗糙性等。
  进行特征提取时,主要采用以下3种方法:分形分析方法、小波分析方法和灰度/梯度共生矩阵法。
  分形维数特征描述了图像的全局特征,小波特征揭示了图像的局域特征和精细结构特征,而灰度/梯度共生矩阵特征则能描述图像的纹理基元及其排列的信息。三者的组合强有力地描述了纹理图像的特征。
  2.1分形特征提取
  Pentland通过对自然景物纹理图像的研究表明,自然界中大多数物体表面都是分形的,而且分形布朗运动(FBM)是一种非常适合于描述自然纹理的随机分形模型。同时,分形理论认为:随机的运动是自然界普遍存在的现象,随机运动是造成自然界产生不同粗糙度与复杂度表面的结果,如果一个物体的表面是分形的,则由它产生的图像灰度表面也具有分形的性质。因此,[url=http://www.ezhiyao.com/ypnew_view.asp?id=1553]中药材的历史演变[/url]粉末显微图像也可被认为是随机运动形成灰度不同的分形布朗运动图像的结果。分维数作为物体的一个稳定特征量,把图像的空间结构信息与灰度信息简单而又有机地结合起来,有效地体现了纹理的复杂度和粗糙度,揭示了纹理内在的自相似性。
  由分形布朗运动可证明分形维数的计算式HND =1(1)式中D?分形维数;N?拓扑维数;H?Hurst系数(0<H<1)。
  对于图像而言,取N=2,则有HD=3(2<D<3)H值的计算有多种方法,本文采用了功率谱法。根据分形布朗运动图像,可以证明下式的成立HfS21)( ∝(2)式中)(fS?图像在频率f下的功率谱密度函数。对式(2)两边取对数后,再求出lgS(f)与lgf的斜率,即可求出H值。
  2.2小波特征提取
  小波变换的基本思想是将原始信号经伸缩及平移后,将信号分解为一系列具有不同空间分辨率、不同频率特性和方向特性的子带信号。这些子带信号具有良好的时域和频域等局部特性,可用来表示原始信号的局部特征,进而实现对信号时间和频率的局部化分析。将小波变换扩展到二维情形,即可以得到原始图像在不同尺度、不同方向上的近似分量和细节分量。小波分析方法的处理方式非常类似于人的视觉特点。人类视觉系统是以多尺度的方法来处理图像的,在人类的视觉系统的初级部分中至少包含7个不同频带的空间频率通道;而小波二级分解后刚好包括不同频率的7个子图像,且符合人类的视觉特征。子图像(5),(6),(7)分别是一级分解后的水平方向、垂直方向与对角方向的最高频率细节图;子图像(2),(3),(4)分别是二级分解后的水平方向、垂直方向与对角方向的较高频率细节图;而子图像(1)是二级分解后的最低频率近似图。
  笔者对图像进行二级小波分解后,定义了以下两类特征来描述图像的纹理:首先设f(nm,)表示小波二级分解后的某个子图像,图像大小为N×N.
  2.2.1多尺度小波能量比例特征
  小波二级分解后所对应序号的子图的标准偏差。标准偏差表达了一幅图像灰度值分布的统计特性,可作为多尺度小波纹理特征对纹理图像进行分析。
  2.3灰度/梯度共生矩阵特征提取
  灰度/梯度共生矩阵是将图像的梯度信息加进灰度共生矩阵,它是像素灰度和边缘梯度大小的联合分布,不仅能描述图像的纹理基元及其排列的信息,而且还可检出图像中灰度跳变的部分。
  2.4特征选择
  特征选择的目的是找出对分类识别最有影响的特征。所谓对分类最有影响的特征是指:不同图像的特征参数差别较大,也就是该特征参数对分类识别贡献较大;同一类图像的不同样本之间该特征不敏感,也就是同类图像的不同样本之间该特征参数具有一致性。既要求该特征参数尽量达到类间距离较大,又要达到类内距离较小的目的。特征选择通常有两种方法:根据专家的知识和经验挑选那些对分类识别最有影响的特征,这种方法是最简单的;用数学方法进行筛选比较,来找出最有分类信息的特征。笔者综合运用了上面提到的两种方法:类内距离尽量小,是通过主观分析判断的;不同特征量的类间距离尽量大,是通过基于欧氏距离度量的可分性判据的方法来选择的。最后,从27个特征量中共选择了8个特征量作为识别的依据,并将各个特征量组合在一起作为图像识别的特征向量。
  3分类器设计与实验
  使用k-近邻法进行图像的分类识别,其基本规则是:取未知样本x的k个近邻,看这k个近邻多数属于哪一类,就把它归为哪一类。具体地说,就是在N个已知样本中找出未知样本x的k个近邻。设这N个样本来自1w类的样本有1N个,来自2w类的样本有2N个,…,来自cw类的样本有cN个,若1k,2k,…,ck分别是k个近邻中属于1w,2w,…,cw类的数量,则可以定义判别函数为ikxg=)((i=1,2,…,c)(12)决策规则为:若ijkxgmax)(=,则决策为jwx∈类。
  笔者从6幅640×640图像的每一幅中提取出相互重叠的512×512的图像25幅,采用其中的前12幅作为训练样本(已知样本),后13幅作为测试样本。为了进一步验证测试,将原640×640的图像分别旋转10种不同的角度后,再从每个旋转图像中分别取出一幅512×512的样本图像也作为测试样本所示。
  4结束语
  本文选题是一直困绕中药学界的难题之一。笔者使用图像处理技术和模式识别技术,利用3种图像分析方法共提取了27个特征,从中选择8个组合成特征向量用于图像识别。利用k-近邻法实现对6种中药材显微图像的分类识别,并在实验测试中得到了较好的识别效果。它为今后进一步的多种中药材的显微鉴别提供了理论参考依据,并将促进客观、定量、精确与快速的中药材显微鉴别方法早日出台。