基于SAM-CS和SOFM的胃上皮肿瘤细胞图像识别*
2015-09-22孙开杰谢丽娟
计算机工程与科学 2015年8期
甘 岚,孙开杰,谢丽娟
(华东交通大学信息工程学院,江西 南昌 330013)
基于SAM-CS和SOFM的胃上皮肿瘤细胞图像识别
*
甘 岚,孙开杰,谢丽娟
(华东交通大学信息工程学院,江西 南昌 330013)
针对胃上皮肿瘤细胞图像(以下简称肿瘤细胞图像)黏结严重和信息冗余的特点,提出了一种将自适应观测矩阵的压缩感知(SAM-CS)和自组织特征映射(SOFM)神经网络相结合的算法。该算法将肿瘤细胞图像拉成列向量,然后利用通过自适应过程产生的观测矩阵,基于压缩感知理论对图像信息进行观测,产生线性观测向量,最后利用SOFM神经网络的学习算法对观测向量进行训练和分类,实现对肿瘤细胞图像的识别。实验表明,相比常用算法,该算法至少提高了4.2%的识别准确率和5.7%的运算速度。
自适应观测矩阵;压缩感知;自组织特征映射;肿瘤细胞图像识别
1 引言
肿瘤细胞图像是一种特殊的自然图像[1],一是细胞组织器官形状不规则且不同细胞类之间存在较大的差异性和黏结性;二是图像数据的高阶统计特性服从非高斯分布,意味着图像中含有大量的冗余信息;三是数据样本较少。因此,采用一般的形
态特征提取方法和线性分类算法会出现提取困难、计算时间长、分类错误等问题[2]。常用的特征提取方法[3]有:PCA、DCT、FFT和LDA,这些算法多应用于标准或规则纹理图像,而肿瘤细胞图像背景复杂,干扰严重,应用常用算法存在计算量大和效果不佳的问 题。常用的识别分类 算法[4]有:SVM和贝叶斯分类算法。SVM具有分类准确度高和时间复杂度低的优点,但是处理大型数据集时,速度严重降低。……
登录APP查看全文
