导读:本文包含了序列显微图像论文开题报告文献综述及选题提纲参考文献，主要关键词:卷积神经网络,细胞检测,Faster,R-CNN,扫描圆算法
序列显微图像论文文献综述
胡海根,周莉莉,周乾伟,陈胜勇,张俊康[1]（2019）在《基于CNN的相衬显微图像序列的癌细胞多目标跟踪》一文中研究指出检测与跟踪相衬显微图像序列下的癌细胞对于分析癌细胞的生命周期以及开发抗癌新药具有非常重要的意义。传统的目标跟踪方法大多应用于刚性目标跟踪或单目标跟踪,而癌细胞是非刚性且不断裂变的多目标,这就大大增加了跟踪的难度。文中以相衬显微图像序列中的膀胱癌细胞为研究对象,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的癌细胞多目标跟踪方法。该算法采用基于检测的多目标跟踪方法,首先利用深度学习检测框架Faster R-CNN卷积神经网络实现癌细胞的检测,初步获得待跟踪的癌细胞;再利用扫描圆算法(Circle Scanning Algorithm,CSA)实现黏连细胞的检测优化,进一步提高黏连区域的细胞检测精度;最后提取综合特征描述子,对卷积特征、尺寸特征和位置特征进行加权求和,实现跟踪目标的综合描述,从而实现不同帧癌细胞间的高效关联匹配,最终实现癌细胞的多目标跟踪。一系列实验结果表明,相较于传统方法,所提方法不仅在癌细胞的检测和跟踪上性能有较大的提升,而且可以有效处理目标的遮挡问题。(本文来源于《计算机科学》期刊2019年05期）
何富运[2]（2017）在《显微细胞图像序列形态分析的关键技术研究》一文中研究指出显微细胞图像序列中目标细胞形态和能动性的量化分析,对于理解和分析生命体的生物过程是非常有意义的。细胞的形态变化往往是和特定的生理或病理过程相联系的,分析细胞的动态行为以揭示有机体的生理或病理状态和细胞的形态变化之间的关系具有广泛的应用价值。本文主要以多能干细胞图像序列为研究对象,研究显微细胞图像序列形态分析所涉及的关键技术,主要包括细胞图像序列复原、轮廓边界点匹配、形变因子提取、形态变化模式分类等四方面内容:(1)研究基于时空高斯曲率正则化的细胞图像序列复原方法该项研究提出了一种基于时空高斯曲率正则化的图像序列复原方法,并将其应用于连续细胞图像序列的去噪和去模糊处理。首先,从图像序列空间域和时间域的相关性角度出发,将细胞图像序列看作是一个时空体,在此基础上引入时空高斯曲率正则化来构建复原模型,该模型可以有效地增强模型优化解的平滑性,从而使复原图像更为逼近原始图像。其次,模型的优化求解过程结合了增广拉格朗日乘子法和分裂算法,逐步迭代地寻找子优化问题的解。最后,为了验证该复原模型的有效性,在6组不同的细胞图像序列数据集上分别进行了去噪和去模糊实验。实验结果表明:相比于其他基于时空体的图像序列复原方法,本文提出的方法在处理细胞图像序列的去噪和去模糊问题上,能得到更高质量的复原效果和更自然的细胞图像。(2)研究基于邻近张量匹配的细胞图像序列轮廓点匹配方法细胞图像序列轮廓点之间的匹配是细胞形变因子提取的前提条件,一般通过图匹配方法加以解决。本文提出一种改进的高阶图约束方法用于实现细胞图像序列轮廓点之间的一一对应。首先,采用邻近张量编码待匹配的图,相比较于现有的超图匹配算法,编码的存储空间有了本质上的优化。其次,采用叁元组描述符表示细胞轮廓点集所对应的图结构,将图表示为叁维张量,然后将其转换为更易为处理的矩阵形式,接着采用基于梯度优化的逐步凹化和非凸优化求解该匹配问题的优化解。最后,分别进行了不同的同源点集匹配方法在模拟合成点集和实际细胞图像序列轮廓点集上的比对实验,实验结果验证了改进方法的有效性。(3)研究基于结构化矩阵分解的细胞图像序列形变模型连续的细胞图像序列轮廓组成了一个高维形状空间,这些形状之间的变形可以表示为低维子形状空间的线性组合。为了解决细胞图像序列形变定量描述和分析的需求,首先,基于图正则化和结构化的矩阵分解,提出了表征形状序列形变程度的量化指标——形变因子。其次,采用邻近梯度下降法求解模型的优化解,然后分离该形变因子。通过该方法得到的形状序列形变因子作为表征细胞图像序列形状和形变特征的参数。该形变因子具有较好的平滑性、稀疏性和局部特征,可以很好地刻画形状序列的动态形变过程。最后,将该方法应用于模拟的形状形变序列和实际的细胞图像序列,验证了提出方法在形状序列形变特征提取和分析上的有效性。为后续的基于形态变化特征的细胞图像序列分类打下了基础。(4)研究基于线性链条件随机场的细胞图像序列分类方法该项研究基于线性链条件随机场的条件概率模型实现细胞图像序列的形变模式分类。首先,将细胞图像序列的分类问题建模为基于线性链条件随机场的多类分类器模型,将其看作是一个关于类别的条件概率分布模型;接着,基于类间隔最大化准则引入判别学习算法估计模型的参数;最后,以细胞图像序列的形变因子和描述细胞内部运动的动态纹理作为输入特征向量,实现细胞图像序列形态变化模式的分类。由数值分类实验和实际的细胞图像序列分类实验结果可知,所提方法达到了较高的分类精度,有着较好的适应性和稳定性。(本文来源于《东南大学》期刊2017-09-04）
时永刚,杨婷,刘志文,李衡[3]（2016）在《基于显微图像序列的细胞形态变化分析》一文中研究指出目的细胞的形态变化与细胞的生理特性密切相关,其定量的描述和分析对探究生命的生理或病理状态过程有重要意义。本文基于显微图像序列提取细胞形态的动态变化信息,以实现对细胞不同形态变化的定量描述及分类。方法采用运动历史图像和局部二值模式分别提取细胞轮廓和内部运动信息,并使用一系列不同尺度的时间窗口将上述特征映射为多时间尺度的特征矢量,再采用支持向量机对细胞的不同形态变化进行分类。通过对4组不同形态变化等级的小鼠淋巴细胞图像序列进行分类实验,以验证本方法的分类效果。结果对形态变化由缓慢到剧烈的4组淋巴细胞视频,分类精确度达到75%,能有效区分不同程度的细胞形态变化。结论与径向距离、Zernike矩、傅里叶描述子等常用的形状描述方法相比,本文方法更加全面地描述了细胞形态变化的动态信息,对细胞的多样性运动具有更好的适应性和稳定性。对细胞形态变化的分类,可用于异常细胞形态变化的检测,为疾病的早期诊断提供了客观依据。(本文来源于《北京生物医学工程》期刊2016年03期）
金燕[4]（2016）在《大深度显微立体视觉图像序列融合及畸变矫正方法研究》一文中研究指出光学体视显微镜(Stereo light microscope,SLM)是一种精密的光学仪器,SLM视觉系统同步成像,在同一时刻,可以同步采集物空间场景的左图像和右图像,信号采集的延迟时间非常短,以致可以忽略,图像的同步效果非常好,SLM具有的优点使其在微测量中得到应用。本文主要研究在SLM系统下大深度显微立体视觉图像序列的融合及畸变矫正。显微图像融合技术对于解决大深度物体的模糊问题具有重要意义,SLM显微视觉系统中基于图像融合的测量技术对形状匹配以及叁维立体重构研究起着极其关键的作用。论文主要内容如下:第1章介绍了本课题的背景与研究意义,分析了显微测量的相关内容,概括了显微视觉的国内外研究状况,分析了SLM显微视觉的发展动态,引出了图像融合技术,将图像融合的概念、层次、融合原理和评价指标进行了说明。第2章大深度SLM显微视觉测量系统设计。基于SLM显微视觉图像融合的目标进行大深度测量系统结构设计,进行了系统的功能分析,以框图的形式介绍了其工作流程。第3章显微立体图像配准方法。首先介绍了图像增强、直方图均衡化和图像的滤波处理等显微图像预处理方法,然后是图像目标物的缩放与平移和深度的关系研究,最后以实物的图像配准结果对配准方法进行了验证。第4章显微图像序列融合。图像的直接融合方法、基于HIS变换的图像融合方法、基于图像块分割的图像融合方法、基于傅里叶变换的图像融合方法和基于小波变换的融合方法进行了比较。设计了基于小波变换的显微图像序列融合算法并对融合后的图像进行了实验与效果评价。第5章显微立体图像畸变矫正。分析了SLM双光路结构导致的图像畸变,给出了显微图像畸变矫正方法,最后进行了畸变矫正实验,对畸变矫正方法进行了验证。(本文来源于《北京工业大学》期刊2016-04-01）
杨婷[5]（2015）在《基于显微图像序列的细胞形态变化分析》一文中研究指出细胞图像处理采用模式识别和数字图像处理技术对细胞显微图像进行定量描述和分析，为细胞的生理特性研究提供重要信息。其中，细胞形态描述和度量是生物医学领域内的研究热点，可为临床诊断和治疗提供客观参考依据。对于具有自主生命活动的活细胞，细胞的形态会随着其所处生理环境的变化而变化，因此基于显微图像序列的细胞形态变化描述和分析，对探究生命的生理或病理过程有重要的意义。本文基于细胞图像序列提取细胞形态的动态变化信息，并实现对其动态变化的定量描述和分析。根据细胞图像序列最直观的两个特征：细胞轮廓和细胞内部区域，分别提取细胞轮廓形状变化信息和细胞内部运动信息。对细胞轮廓，引入运动历史图像方法将图像序列中的运动映射到一幅静态图像，把复杂的形状动态变化问题转化为相对简单的静态形状描述问题，再利用图像描述方法获取此图像的特征，描述细胞轮廓运动的大小、方向及动态形状。对细胞内部区域，首次使用包含动态信息的动态纹理特征来描述细胞内部细胞质流动及颗粒运动情况，实现对细胞内部变化更为完备的描述。由此，本文所提特征均包含细胞的动态信息，更适合描述图像序列中的细胞形态变化。图像序列分析是对2D图像在时间维度上的分析，因此还要消除不同时间尺度对动态分析的影响，实现动态评价的一致性。本文提出多时间尺度的Bag of Words模型对时间维度进行建模分析，将文本分析领域中的Bag of Words模型拓展到图像序列分析领域，并结合多时间尺度，提高算法对细胞不均匀运动的适应性和稳定性，在一定程度上消除时间维度对动态评价的影响。实验对四组小鼠淋巴细胞视频进行分类，该四组数据的淋巴细胞取自经背部皮肤移植手术后的小鼠外周血，具有不同程度的形态变化。最终分类准确度达到76.7%，与本课题组之前使用的径向距离和动态时间规整算法相比有明显的提升，实验结果表明本文算法能有效区分不同程度的细胞形态变化，对细胞不均匀运动的适应性更好，提高了整体的分类效果，对临床诊断具有一定的参考价值和意义。(本文来源于《北京理工大学》期刊2015-01-01）
刘香君,杨胜,杜娟,王田[6]（2014）在《序列显微图像的拼接方法研究》一文中研究指出利用人体脑部丘系交叉切面切片的序列显微图像为研究对象,在图像采集方法、图像拼接方法及全景图像的生成等方面展开了分析与讨论,深入分析了图像拼接方式对全景图像拼接效率的影响,提出了树形拼接的方法,通过图像质量评价拼接效果,证明该方法的效率和误差累积较传统的顺序拼接有较大的改观。(本文来源于《中国数字医学》期刊2014年11期）
计璐艳,耿修瑞,赵永超[7]（2013）在《基于土壤显微图像时间序列的叁维重建方法》一文中研究指出提出了一种新的土壤表面叁维结构重建方法,该方法主要利用土表水分蒸发过程中土壤颗粒间凹形水面上镜面反射点的位移来进行土表叁维重建。首先利用体视显微镜和环形光源对饱和土壤进行连续时间成像,直至土表镜面反射消失;然后根据图像上镜面反射区域的统计特性,利用二次最小距离法提取图像上的镜面反射区域;最后依据图像上各点分类结果的时间曲线计算该点高度值,实现土表的叁维结构重建。提出的方法操作简单、成本较低,对砂土的实验结果表明,该方法可以实现对土壤表面叁维结构的重建。(本文来源于《电子测量技术》期刊2013年08期）
朱辰[8]（2013）在《基于显微图像序列的细胞动态分析》一文中研究指出细胞动态分析在细胞生物学和生物医学中都具有重要的研究意义和应用价值。其通常是通过对细胞进行跟踪来实现的,然而传统的细胞跟踪方法不仅需要大量繁琐的人为操作,还需要使用物理、化学等操作使研究结果不能客观的反映细胞的自然运动,因此研究一种客观且方便的方法就成为迫切的需求。本文正是在这样的背景下开展研究,其主要工作和研究成果如下：(1)根据细胞图像的特点,选用基于OTSU的阈值分割算法和改进的水平集方法分别实现了H2AFV荧光细胞图像的分割和膀胱癌T24相称显微细胞图像的分割。针对分割结果中存在的孤立点和噪声点,采用基于数学形态学的方法实现了去除。本文同时提出一种新的基于相邻帧间细胞面积变化的方法来判断分割结果中的粘连细胞,然后采用基于形态学的方法实现粘连细胞区域的提取和分水岭的方法实现该粘连细胞的分离,最终得到细胞图像分割的最终结果。实验结果表明该算法可以有效地实现细胞图像的分割。(2)在分析各种细胞跟踪算法优缺点的基础上,本文提出一种新的跟踪算法。该算法对移动距离不大的细胞采用由细胞位移、面积和形变构成的细胞区域特征来实现该类细胞的跟踪,然后再利用己成功实现跟踪的细胞,构造由细胞之间拓扑关系组成的局部图,最终使用基于局部图特征和细胞区域特征构成的混合跟踪算法实现活跃细胞的跟踪,并对跟踪过程中的各种情况进行分析处理。用两个视频序列验证本文方法的有效性,实验结果表明该算法有助于提高细胞跟踪的准确率。(3)结合细胞动态分析的研究意义,分析一些细胞动态参数的应用价值和计算方法。根据本文的研究内容设计并实现了细胞动态分析系统的初始原型平台。使细胞学研究人员可以在离线或在线的情况下完成细胞视频中细胞运动位移、速度、面积等动态参数的计算。(本文来源于《浙江工业大学》期刊2013-05-25）
翟斌斌[9]（2013）在《基于显微视觉的旋转图像序列叁维重建技术研究》一文中研究指出基于显微视觉的精密测量技术对微电子机械系统(MEMS)的普及与产业化具有重要意义和研究价值,有助于人们从微观角度认知和改造客观世界。叁维重建是显微视觉技术的核心内容,也是计算机视觉的研究热点和难点,其快速发展将会给显微视觉技术带来革命性的突破。本文的研究目标是实现一套完整的基于旋转平台和单目直筒显微镜的显微视觉系统,该系统能够从图像序列(视频)中快速重建MEMS构件的叁维形貌结构,从而完成MEMS构件的精密测量。本文的主要工作和成果如下：1)提出了显微视觉系统中任意放大倍率下棋盘格角点自动识别和定位算法,并结合张正友平面标定法,实现了在显微视觉系统初始位置时摄像机标定的自动化过程。2)通过旋转几何模型的建立和旋转轴的标定,提出了平面内旋转图像序列的摄像机外参标定方法,解决了平面标定法不适用于同一标定平面的问题。3)基于旋转几何模型和重投影方法,提出了旋转平台机械误差评估方法,并建立了旋转平台机械误差补偿模型,最后对显微图像序列(视频)进行机械误差补偿预处理,从而提高了多视图叁维重建精度。4)利用Canny边缘检测算法和数学形态学处理方法对显微图像进行目标对象轮廓提取,再结合前面的摄像机参数,提出了融合侧影轮廓和旋转立体视觉的叁维重建方法。该方法先利用旋转立体视觉叁维重建得到物体表面的基本结构,然后将其作为侧影轮廓叁维重建中可视外壳的边界约束,进而得到物体表面的密集点云结构,最终得到物体叁维形貌结构。对MEMS构件的叁维重建结果分析可知,本文的显微视觉系统具有设备成本低,操作简单,对实验环境要求低,重建速度快等优点,而且重建精度基本达到了目前比较成熟的超景深叁维显微系统的水平。总之,基于显微视觉的叁维重建有着非常高的研究价值,本文所提出的显微视觉系统及相关算法具有广阔的应用前景。(本文来源于《浙江工业大学》期刊2013-05-22）
戴文韬[10]（2013）在《数码显微图像序列智能拼接方法研究》一文中研究指出目前，在材料分析、生物技术、医学分析等各领域，显微图像因为其包含肉眼无法观察到的信息，而且能够发现细小的问题而得到广泛的应用。通常情况下，通过在显微装置上摄影或摄像装置，将显微镜下的光信息转换为可用于计算机识别和分析的数字图像信息，最后将数字图像信息送入计算机内，获取显微图像。而由于摄像机或照相机受镜头的光圈、焦距等因素限制，视域范围要比显微镜的视域范围小得多，因此获取的数字图像样本的全部信息往往无法在一个视场内反映。因此，为了重现被观察对象的原貌，需要对经摄像装置采集的多幅显微图像进行处理，以获得与实际情况相符的被观察对象的整幅图像。这就是研究图像拼接技术的理论及现实意义之所在。在显微成像时，因为受条件限制或设备运行状态的不稳定的影响，同一视场下采集的数字图像无法都保持聚焦在同一平面内。因此，图像拼接技术需要满足能够拼接多幅焦距不同的多幅图像的需要。在本文中，对图像拼接的流程作了概述，并讨论了当前使用较为广泛的几种图像拼接技术，并将几幅不同局部的较为清晰的显微图像进行拼接，最终还原出完整的被观察物体的图像。针对显微图像光照差异明显和几何平移较大的特点，本文提出了使用SIFT这种尺度不变特征变换匹配技术应用于图像自动拼接的方法。SIFT特征是对旋转、尺度缩放、亮度变化均保持不变，是图像的局部特征，其应用在视角变换、仿射变换、噪声方面的稳定性较为满意。通过实验结果的比较，发现匹配中存在的部分误匹配的问题，并提出一种新的方法以改进误匹配发生的情况。通过使用这种方法，将若干幅显微切片图像拼接完整。(本文来源于《宁波大学》期刊2013-04-13）
序列显微图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
显微细胞图像序列中目标细胞形态和能动性的量化分析,对于理解和分析生命体的生物过程是非常有意义的。细胞的形态变化往往是和特定的生理或病理过程相联系的,分析细胞的动态行为以揭示有机体的生理或病理状态和细胞的形态变化之间的关系具有广泛的应用价值。本文主要以多能干细胞图像序列为研究对象,研究显微细胞图像序列形态分析所涉及的关键技术,主要包括细胞图像序列复原、轮廓边界点匹配、形变因子提取、形态变化模式分类等四方面内容:(1)研究基于时空高斯曲率正则化的细胞图像序列复原方法该项研究提出了一种基于时空高斯曲率正则化的图像序列复原方法,并将其应用于连续细胞图像序列的去噪和去模糊处理。首先,从图像序列空间域和时间域的相关性角度出发,将细胞图像序列看作是一个时空体,在此基础上引入时空高斯曲率正则化来构建复原模型,该模型可以有效地增强模型优化解的平滑性,从而使复原图像更为逼近原始图像。其次,模型的优化求解过程结合了增广拉格朗日乘子法和分裂算法,逐步迭代地寻找子优化问题的解。最后,为了验证该复原模型的有效性,在6组不同的细胞图像序列数据集上分别进行了去噪和去模糊实验。实验结果表明:相比于其他基于时空体的图像序列复原方法,本文提出的方法在处理细胞图像序列的去噪和去模糊问题上,能得到更高质量的复原效果和更自然的细胞图像。(2)研究基于邻近张量匹配的细胞图像序列轮廓点匹配方法细胞图像序列轮廓点之间的匹配是细胞形变因子提取的前提条件,一般通过图匹配方法加以解决。本文提出一种改进的高阶图约束方法用于实现细胞图像序列轮廓点之间的一一对应。首先,采用邻近张量编码待匹配的图,相比较于现有的超图匹配算法,编码的存储空间有了本质上的优化。其次,采用叁元组描述符表示细胞轮廓点集所对应的图结构,将图表示为叁维张量,然后将其转换为更易为处理的矩阵形式,接着采用基于梯度优化的逐步凹化和非凸优化求解该匹配问题的优化解。最后,分别进行了不同的同源点集匹配方法在模拟合成点集和实际细胞图像序列轮廓点集上的比对实验,实验结果验证了改进方法的有效性。(3)研究基于结构化矩阵分解的细胞图像序列形变模型连续的细胞图像序列轮廓组成了一个高维形状空间,这些形状之间的变形可以表示为低维子形状空间的线性组合。为了解决细胞图像序列形变定量描述和分析的需求,首先,基于图正则化和结构化的矩阵分解,提出了表征形状序列形变程度的量化指标——形变因子。其次,采用邻近梯度下降法求解模型的优化解,然后分离该形变因子。通过该方法得到的形状序列形变因子作为表征细胞图像序列形状和形变特征的参数。该形变因子具有较好的平滑性、稀疏性和局部特征,可以很好地刻画形状序列的动态形变过程。最后,将该方法应用于模拟的形状形变序列和实际的细胞图像序列,验证了提出方法在形状序列形变特征提取和分析上的有效性。为后续的基于形态变化特征的细胞图像序列分类打下了基础。(4)研究基于线性链条件随机场的细胞图像序列分类方法该项研究基于线性链条件随机场的条件概率模型实现细胞图像序列的形变模式分类。首先,将细胞图像序列的分类问题建模为基于线性链条件随机场的多类分类器模型,将其看作是一个关于类别的条件概率分布模型;接着,基于类间隔最大化准则引入判别学习算法估计模型的参数;最后,以细胞图像序列的形变因子和描述细胞内部运动的动态纹理作为输入特征向量,实现细胞图像序列形态变化模式的分类。由数值分类实验和实际的细胞图像序列分类实验结果可知,所提方法达到了较高的分类精度,有着较好的适应性和稳定性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
序列显微图像论文参考文献
[1].胡海根,周莉莉,周乾伟,陈胜勇,张俊康.基于CNN的相衬显微图像序列的癌细胞多目标跟踪[J].计算机科学.2019
[2].何富运.显微细胞图像序列形态分析的关键技术研究[D].东南大学.2017
[3].时永刚,杨婷,刘志文,李衡.基于显微图像序列的细胞形态变化分析[J].北京生物医学工程.2016
[4].金燕.大深度显微立体视觉图像序列融合及畸变矫正方法研究[D].北京工业大学.2016
[5].杨婷.基于显微图像序列的细胞形态变化分析[D].北京理工大学.2015
[6].刘香君,杨胜,杜娟,王田.序列显微图像的拼接方法研究[J].中国数字医学.2014
[7].计璐艳,耿修瑞,赵永超.基于土壤显微图像时间序列的叁维重建方法[J].电子测量技术.2013
[8].朱辰.基于显微图像序列的细胞动态分析[D].浙江工业大学.2013
[9].翟斌斌.基于显微视觉的旋转图像序列叁维重建技术研究[D].浙江工业大学.2013
[10].戴文韬.数码显微图像序列智能拼接方法研究[D].宁波大学.2013