病理圖像分析及識(shí)別算法研究doc(編輯修改稿)
2025-08-14 12:38 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 像特征向量的維數(shù)太高，數(shù)據(jù)量龐大，而且特征之間存在著大量的信息冗余。通過(guò)主元分析[]（），既消除特征間的冗余信息，降低了特征空間的維數(shù)，同時(shí)又保留了所需要的識(shí)別信息。對(duì)于每一幅圖像，共提取上面的維特征。表所示的為一幅正常細(xì)胞圖像和一幅異常細(xì)胞圖像提取的特征量?；[叢媽羥為贍僨蟶練淨(jìng)櫧撻曉。表 兩幅細(xì)胞圖像的特征量基于灰度直方圖的顏色特征基于小波包與分形結(jié)合的紋理特征基于不變矩的形狀特征正常細(xì)胞，，， ，，，，，，，，，，，異常細(xì)胞，, , ，，， ，，，，， ，，， 本文采用基于的函數(shù)進(jìn)行特征級(jí)數(shù)據(jù)融合[]，通過(guò)對(duì)各主成分的累積貢獻(xiàn)率的分析表明，主元分析后的維向量就可以的表示分析以前的維的特征量,實(shí)驗(yàn)結(jié)果表明，經(jīng)過(guò)特征量融合后的圖像識(shí)別率有了新的提高。預(yù)頌圣鉉儐歲齦訝驊糴買闥齙。基于多數(shù)投票法的決策級(jí)融合 神經(jīng)網(wǎng)絡(luò)識(shí)別神經(jīng)網(wǎng)絡(luò)[]是基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)，可以以任意精度逼近任意連續(xù)函數(shù)，所以廣泛用于非線性建模、函數(shù)逼近和模式識(shí)別等方面。該函數(shù)的調(diào)用格式為：滲釤嗆儼勻諤鱉調(diào)硯錦鋇絨鈔。 （）其中中存放所建立的網(wǎng)絡(luò)屬性和網(wǎng)格參數(shù)，四個(gè)輸入變量分別為：的矩陣，每行兩元素分別為每個(gè)輸入向量的最大和最小值；—行向量，每個(gè)元素表示每層神經(jīng)元的個(gè)數(shù)；—字符串向量，元素為每層神經(jīng)元的傳輸函數(shù)名；—字符串變量，為網(wǎng)絡(luò)的訓(xùn)練函數(shù)名。歐氏距離法識(shí)別歐式距離是一個(gè)通常采用的距離定義，它是在維空間中兩個(gè)點(diǎn)之間的真實(shí)距離。在二維和三維空間中的歐氏距離就是兩點(diǎn)之間的距離，二維公式為：鐃誅臥瀉噦圣騁貺頂廡縫勵(lì)羆。（）推廣到維空間，歐式距離的公式是： （）其中,表示第一個(gè)點(diǎn)的第維坐標(biāo)，表示第二個(gè)點(diǎn)的第維坐標(biāo)。歐式距離可看作信
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1