1、目前，基于人工判讀的細(xì)胞檢測(cè)技術(shù)存在工作量大、成本高、可靠性與檢測(cè)精度受到醫(yī)師主觀影響等問(wèn)題。隨著計(jì)算機(jī)技術(shù)、數(shù)字圖像處理技術(shù)及人工智能模式識(shí)別技術(shù)的迅速發(fā)展，亟需開(kāi)發(fā)顯微細(xì)胞智能分析系統(tǒng)。實(shí)現(xiàn)顯微細(xì)胞智能分析，有著十分重要的社會(huì)與經(jīng)濟(jì)效益。
　　本文對(duì)單細(xì)胞圖像智能識(shí)別技術(shù)中的關(guān)鍵步驟進(jìn)行了深入研究，主要包括單細(xì)胞圖像的預(yù)處理、單細(xì)胞圖像的特征提取、單細(xì)胞圖像的特征優(yōu)化及單細(xì)胞圖像的識(shí)別。將時(shí)頻分析方法引入到單細(xì)胞圖像處理中，建

2、立基于時(shí)頻分析方法與壓縮感知理論的單細(xì)胞識(shí)別模型。主要完成研究成果如下:
　　1.提出了一種基于小波參數(shù)優(yōu)化的單細(xì)胞圖像去噪的預(yù)處理方法，用以去除單細(xì)胞圖像中的干擾，為后續(xù)識(shí)別做準(zhǔn)備。依據(jù)小波變換多尺度多分辨率的特征，對(duì)傳統(tǒng)小波閾值去噪提出了如下改進(jìn):(1)相比傳統(tǒng)單一閾值，提出了一種自適應(yīng)尺度參數(shù)的閾值估計(jì)方法;(2)為了克服軟、硬閾值及小波系數(shù)在小于閾值附近直接置零的一些缺點(diǎn)，構(gòu)造出了一種新的閾值函數(shù)，以提高小波去噪的效果。此

3、外，還引入了去噪效果的評(píng)價(jià)方法。使用宮頸單細(xì)胞圖像驗(yàn)證了本文單細(xì)胞圖像去噪算法的有效性。
　　2.提出了基于小波變換與二維經(jīng)驗(yàn)?zāi)B(tài)分解的單細(xì)胞圖像特征提取方法。小波變換與二維經(jīng)驗(yàn)?zāi)B(tài)分解具有多尺度、多分辨率的優(yōu)良特性，克服了傳統(tǒng)單細(xì)胞圖像識(shí)別方法在空間域中提取單一尺度特征的缺點(diǎn)。小波變換與二維經(jīng)驗(yàn)?zāi)B(tài)分解的方法不僅可以提取單細(xì)胞圖像多尺度下的頻域特征，還可以提取單細(xì)胞圖像的相位特征，結(jié)合奇異值分解的方法，可以獲得類間方差較大類內(nèi)方

4、差較小的單細(xì)胞圖像特征。提出的方法可以充分提取單細(xì)胞圖像的特征及單細(xì)胞內(nèi)在的結(jié)構(gòu)和紋理特征。在宮頸單細(xì)胞數(shù)據(jù)集上驗(yàn)證了該方法的有效性。
　　3.采用野草優(yōu)化算法對(duì)單細(xì)胞圖像特征進(jìn)行優(yōu)化。提取的單細(xì)胞圖像特征存在冗余性，高維特征對(duì)分類器產(chǎn)生較大負(fù)擔(dān)，影響了單細(xì)胞識(shí)別精度與識(shí)別速度。因此，引入野草優(yōu)化算法對(duì)單細(xì)胞圖像的高維特征進(jìn)行優(yōu)化處理。在宮頸單細(xì)胞數(shù)據(jù)集上驗(yàn)證了該方法的有效性。實(shí)驗(yàn)結(jié)果表明，對(duì)特征優(yōu)化后的識(shí)別效果明顯優(yōu)于未對(duì)特征進(jìn)

5、行優(yōu)化的識(shí)別效果。
　　4.建立了基于壓縮感知理論的單細(xì)胞圖像識(shí)別模型。壓縮感知分類器是將待分類的單細(xì)胞圖像樣本的特征向量表示成單細(xì)胞圖像訓(xùn)練樣本的特征向量的線性組合，根據(jù)系數(shù)的大小來(lái)決定相應(yīng)的單細(xì)胞類別。本文建立的壓縮感知分類器識(shí)別模型，是一種新的無(wú)需對(duì)單細(xì)胞圖像精確分割定位的快速盲識(shí)別方法。壓縮感知分類器彌補(bǔ)了現(xiàn)有分類器的識(shí)別率低、識(shí)別耗時(shí)長(zhǎng)的缺點(diǎn)。在宮頸單細(xì)胞圖像數(shù)據(jù)集與HEp-2單細(xì)胞圖像數(shù)據(jù)集上對(duì)單細(xì)胞圖像識(shí)別模型進(jìn)行了