CN103268494A - 基于稀疏表示的寄生虫虫卵识别方法 - Google Patents
基于稀疏表示的寄生虫虫卵识别方法 Download PDFInfo
- Publication number
- CN103268494A CN103268494A CN2013101810124A CN201310181012A CN103268494A CN 103268494 A CN103268494 A CN 103268494A CN 2013101810124 A CN2013101810124 A CN 2013101810124A CN 201310181012 A CN201310181012 A CN 201310181012A CN 103268494 A CN103268494 A CN 103268494A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- identification
- parasite egg
- initial
- rarefaction representation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于图像识别技术领域,具体涉及一种基于稀疏表示的寄生虫虫卵识别方法,包括:建立初始字典;使用K-SVD算法对字典进行学习;处理输入图像;计算重建误差矩阵;获取候选图像块;识别候选图像块等步骤。本发明引入了基于稀疏表示的分类算法,增强了整个寄生虫虫卵识别算法对各种干扰因素的鲁棒性;引入了Batch-OMP算法用于大规模稀疏表示过程,提高了识别效率;引入了用高斯金字塔降维后的样本直接建立字典的方法,避免了提取虫卵目标特征的步骤,使识别过程变得更为简便;引入了建立误差矩阵并求其局部最小值的方法,避免了在初步定位过程中得到包含同一目标的不同图像块。
Description
技术领域
本发明属于图像识别技术领域,具体涉及一种基于稀疏表示的寄生虫虫卵识别方法。
背景技术
建立在计算机图像处理与医学显微技术之上的寄生虫虫卵自动识别的关键是设计快速有效的图像识别算法,以往基于图像的寄生虫虫卵自动识别方法主要借助于先分离出虫卵目标,再提取目标的各种特征,最后结合一个分类器完成识别。举两例与本发明较相关的方法:(1)Derya Avci等人2009年结合Hu的7个不变矩与支持向量机在文献“An expertdiagnosis system for classification of human parasite eggs based on multi-class SVM”中对16种人体寄生虫虫卵进行识别,虽获得很高的识别率,但仅在图像较为理想的前提下才能达到,并未考虑干扰因素较多时的情况;(2)中国专利CN201110022426.3提出了一种结合寄生虫虫卵边缘直方图的方法对人体寄生虫虫卵进行形状识别,较好地克服弱边界的影响,提高了识别的可靠性,然而对于形状较为相似的寄生虫的形状识别还是存在不足。从现有方法看,特征的种类较多,除上述方法中描述的特征外还包括颜色、形状、大小、纹理等,特征选择得好坏很大程度决定了最后的识别率,同时初步定位目标并提取特征的步骤也较难准确的完成。分类器也多种多样,包括贝叶斯分类器、线性判别分析、支持向量机、神经网络、最小距离等,因为这些分类器对特征是敏感的,于是选择何种特征对于分类器是最优的往往难以确定,同时这些分类器对诸如噪声、遮挡、杂质等干扰因素的鲁棒性都较弱。
基于稀疏表示分类算法的应用还远未展开,这样一个基本的算法框架在不同的应用场合中,需要结合其他技术与技巧对算法进行改造和拓展,特别在数据降维、稀疏表示算法的选择、字典学习方面需根据具体需要确定。基于以上分析,首次将其应用于寄生虫虫卵识别问题中,实现单类或多类寄生虫虫卵的识别。
发明内容
本发明的目在于克服以往寄生虫虫卵识别方法对特征以及各种干扰因素较敏感的缺陷,结合适合大规模稀疏表示的Batch-OMP算法与K-SVD字典学习算法,提出了一种基于稀疏表示的寄生虫虫卵识别方法,在识别率和识别效率上以满足实际寄生虫虫卵自动识别***的应用需求。
为了实现上述发明目的,本发明采用以下技术方案:一种基于稀疏表示的寄生虫虫卵识别方法,包括以下步骤:
(1)建立初始字典:单类识别建立初始单类字典,多类识别建立初始联合字典;
(2)字典学习:使用K-SVD算法对字典进行学习,单类识别得到单类表示字典,多类识别得到联合表示字典和联合判别字典;
(3)处理输入图像:对输入图像进行金字塔压缩,用滑动窗口的方式对压缩图像进行分块,步长可以选择为一个或多个像素;对所有图像块进行稀疏表示,单类识别的字典采用单类表示字典,多类识别的字典采用联合表示字典;
(4)计算重建误差矩阵;
(5)获取候选图像块:利用步骤(4)中得到的重建误差矩阵,寻找其所有的局部最小值,选取其中最小的k个值所对应的图像块作为候选目标;
(6)识别候选图像块:对于单类识别情况,用阈值判别候选图像块,识别完成;对于多类识别情况,对候选图像块进行稀疏表示,使用联合判别字典,计算子字典重建误差,使用阈值方式对候选图像块进行判别与分类,识别完成。
步骤(1)中,建立初始字典步骤如下:
(1)选择若干杂质较少且具有代表性的寄生虫虫卵图像样本c·n个,其中c为≥1的整数,代表类数,n代表每个类的样本数;
(2)采用高斯金字塔对c·n幅图像进行压缩,得到降维后的图像样本;
(3)以d度为间距,对上一步中得到的每幅图像旋转一周得到360/d个图像样本(包括原图),于是总样本数为N=360·c·n/d;
(4)将上一步得到的每个二维图像数据“拉长”为一维向量,再对每个向量进行标准化处理,使每个向量满足l2-范数为1;
(5)把上一步得到的所有标准化的向量作为字典的原子,得到初始字典,若c=1,则得到的是单类识别的初始单类字典,若c>1,则得到的是多类识别的初始联合字典,包含c个子字典。
步骤(2)中,使用K-SVD算法对字典进行学习,分为三种情况:
(1)针对单类寄生虫虫卵识别,用K-SVD算法对初始单类字典进行学习,得到单类表示字典,该字典同时用于初步定位与分类,字典的体积根据原子向量的维数而定;
(2)针对多类寄生虫虫卵识别,用K-SVD算法对整个初始联合字典进行学习,得到联合表示字典,该字典用于初步定位;
(3)针对多类寄生虫虫卵识别,用K-SVD算法对每个初始子字典进行学习,再将所有学习之后的子字典联合得到联合判别字典,该字典用于分类,其体积远大于联合表示字典的体积。
步骤(3)中,对所有图像块进行稀疏表示是大规模稀疏表示,即使用Batch-OMP算法求解公式(1-1):
min||x-Dθ||2s.t.||θ||0≤T (1-1)
其中x为输入信号,D为步骤(2)中得到的单类表示字典或联合表示字典,θ为系数,T为稀疏性条件。
步骤(4)中,计算重建误差矩阵,步骤如下:
(1)利用公式(1-2)计算重建误差,得到所有图像块的重建误差[e1,e2,...eL],其中L为图像块数;
(2)根据步骤(3)得到的图像块的顺序,将[e1,e2,...eL]按序排列成一个二维矩阵,得到的即为重建误差矩阵。
步骤(6)中,计算子字典重建误差,依据公式(1-3)计算。
其中Di为联合字典D=[D1,D2,...Dc]的子字典,其中i=1,2,...,c,c为类数。
本发明的基于稀疏表示的寄生虫虫卵识别方法,引入了基于稀疏表示的分类算法,增强了整个寄生虫虫卵识别算法对各种干扰因素的鲁棒性;引入了Batch-OMP算法用于大规模稀疏表示过程,提高了识别效率;引入了用高斯金字塔降维后的样本直接建立字典的方法,避免了提取虫卵目标特征的步骤,使识别过程变得更为简便;引入了建立误差矩阵并求其局部最小值的方法,避免了在初步定位过程中得到包含同一目标的不同图像块。
附图说明
图1为本发明基于稀疏表示的寄生虫虫卵识别方法的流程图。
图2选取的几类寄生虫虫卵样本。
图3初始单类字典。
图4初始联合字典。
图5单类表示字典。
图6联合表示字典。
图7联合判别字典。
图8输入图像。
图9重建误差向量。
图10重建误差矩阵。
具体实施方式
下面结合具体实施例对本发明做进一步的解释。
如图1所示,为本发明的基于稀疏表示的寄生虫虫卵识别方法的流程,包括以下步骤:
(1)建立初始字典:单类识别建立初始单类字典,多类识别建立初始联合字典。第一步:选择若干杂质较少且具有代表性的寄生虫虫卵图像样本c·n个,其中c≥1,代表类数,n代表每个类的样本数,如图2所示。第二步:采用高斯金字塔对c·n幅图像进行压缩,得到降维后的图像样本。第三步:以d度为间距,对上一步得到的每幅图像旋转一周得到360/d个图像样本(包括原图),于是总样本数为N=360·c·n/d,可以取d=5。第四步:将上一步得到的每个二维图像数据“拉长”为一维向量,再对每个向量进行标准化处理,使每个向量满足l2-范数为1。第五步:把上一步得到的所有标准化的向量作为字典的原子,得到初始字典,若c=1,则得到的是初始单类字典,如图3所示,若c>1,则得到的是多类的初始联合字典,包含c个子字典,如图4所示。
(2)字典学习:使用K-SVD算法对字典进行学习,单类识别得到单类表示字典,多类识别得到联合表示字典和联合判别字典,具体分为三种情况。第一种:针对单类寄生虫虫卵识别,用K-SVD算法对初始单类字典进行学习,得到单类表示字典,如图5所示,该字典同时用于初步定位与分类,字典的体积根据原子向量的维数而定。第二种:针对多类寄生虫虫卵识别,用K-SVD算法对整个初始联合字典进行学习,得到联合表示字典,如图6所示,该字典用于初步定位。第三种:针对多类寄生虫虫卵识别,用K-SVD算法对每个初始子字典进行学习,再将所有学习之后的子字典联合得到联合判别字典,如图7所示,该字典用于分类,其体积远大于联合表示字典的体积。
(3)处理输入图像:对输入图像进行金字塔压缩,用滑动窗口的方式对压缩图像进行分块,步长可以选择为一个或多个像素;对所有图像块进行稀疏表示,单类识别的字典采用单类表示字典,多类识别的字典采用联合表示字典。
在步骤(3)中,对所有图像块进行稀疏表示涉及大规模稀疏表示,使用Batch-OMP算法求解公式(1-1)。
min||x-Dθ||2s.t.||θ||0≤T (1-1)
其中x为输入信号,D为步骤(3)中得到的表示字典或联合表示字典,θ为系数,T为稀疏性条件。
(4)计算重建误差矩阵。第一步:利用公式(1-2)计算重建误差,得到所有图像块的重建误差[e1,e2,...eL],如图8(输入图像)和图9(重建误差向量)所示。
第二步:根据图像块在原图的位置,将[e1,e2,...eL]按序排列成一个二维矩阵,得到的即为重建误差矩阵,如图10所示。
(5)获取候选图像块:利用步骤(4)中得到的重建误差矩阵,寻找其所有的局部最小值,选取其中最小的k个值所对应的图像块作为候选目标,如图10中的局部最小值点分布。
(6)识别候选图像块:对于单类识别情况,用阈值判别候选图像块,识别完成;对于多类识别情况,对候选图像块进行稀疏表示,使用联合判别字典,计算子字典重建误差,使用阈值方式对候选目标进行判别与分类,对于重建误差都大于阈值的候选图像块被判定为不含已知类目标,对于重建误差小于阈值的候选图像块,其类别属于重建误差最小的子字典所对应的类,识别完成。
在该步骤中计算子字典重建误差,依据公式(1-3)计算。
其中Di为联合字典D=[D1,D2,...Dc]的子字典,其中i=1,2,...,c,c为类数。
Claims (6)
1.一种基于稀疏表示的寄生虫虫卵识别方法,其特征在于,包括以下步骤:
(1)建立初始字典:单类识别建立初始单类字典,多类识别建立初始联合字典;
(2)字典学习:使用K-SVD算法对字典进行学习,单类识别得到单类表示字典,多类识别得到联合表示字典和联合判别字典;
(3)处理输入图像:对输入图像进行金字塔压缩,用滑动窗口的方式对压缩图像进行分块,步长可以选择为一个或多个像素;对所有图像块进行稀疏表示,单类识别的字典采用单类表示字典,多类识别的字典采用联合表示字典;
(4)计算重建误差矩阵;
(5)获取候选图像块:利用步骤(4)中得到的重建误差矩阵,寻找其所有的局部最小值,选取其中最小的k个值所对应的图像块作为候选目标;
(6)识别候选图像块:对于单类识别情况,用阈值判别候选图像块,识别完成;对于多类识别情况,对候选图像块进行稀疏表示,使用联合判别字典,计算子字典重建误差,使用阈值方式对候选图像块进行判别与分类,识别完成。
2.根据权利要求1所述的基于稀疏表示的寄生虫虫卵识别方法,其特征在于:步骤(1)中,所述建立初始字典步骤如下:
(1)选择若干杂质较少且具有代表性的寄生虫虫卵图像样本c·n个,其中c为≥1的整数,代表类数,n代表每个类的样本数;
(2)采用高斯金字塔对c·n幅图像进行压缩,得到降维后的图像样本;
(3)以d度为间距,对上一步中得到的每幅图像旋转一周得到360/d个图像样本(包括原图),于是总样本数为N=360·c·n/d;
(4)将上一步得到的每个二维图像数据“拉长”为一维向量,再对每个向量进行标准化处理,使每个向量满足l2-范数为1;
(5)把上一步得到的所有标准化的向量作为字典的原子,得到初始字典,若c=1,则得到的是单类识别的初始单类字典,若c>1,则得到的是多类识别的初始联合字典,包含c个子字典。
3.根据权利要求1所述的基于稀疏表示的寄生虫虫卵识别方法,其特征在于:步骤(2)中,所述的使用K-SVD算法对字典进行学习,分为三种情况:
(1)针对单类寄生虫虫卵识别,用K-SVD算法对初始单类字典进行学习,得到单类表示字典,该字典同时用于初步定位与分类,字典的体积根据原子向量的维数而定;
(2)针对多类寄生虫虫卵识别,用K-SVD算法对整个初始联合字典进行学习,得到联合表示字典,该字典用于初步定位;
(3)针对多类寄生虫虫卵识别,用K-SVD算法对每个初始子字典进行学习,再将所有学习之后的子字典联合得到联合判别字典,该字典用于分类,其体积远大于联合表示字典的体积。
4.根据权利要求1所述的基于稀疏表示的寄生虫虫卵识别方法,其特征在于:步骤(3)中,所述的对所有图像块进行稀疏表示是大规模稀疏表示,即使用Batch-OMP算法求解公式(1-1)
min||x-Dθ||2s.t.||θ||0≤T (1-1)
其中x为输入信号,D为步骤(2)中得到的单类表示字典或联合表示字典,θ为系数,T为稀疏性条件。
5.根据权利要求1所述的基于稀疏表示的寄生虫虫卵识别方法,其特征在于:步骤(4)中,所述的计算重建误差矩阵,步骤如下:
(1)利用公式(1-2)计算重建误差,得到所有图像块的重建误差[e1,e2,...eL],其中L为图像块数;
(2)根据步骤(3)得到的图像块的顺序,将[e1,e2,...eL]按序排列成一个二维矩阵,得到的即为重建误差矩阵。
6.根据权利要求1所述的基于稀疏表示的寄生虫虫卵识别方法,其特征在于:步骤(6)中,所述的计算子字典重建误差,依据公式(1-3)计算
其中Di为联合字典D=[D1,D2,...Dc]的子字典,其中i=1,2,...,c,c为类数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310181012.4A CN103268494B (zh) | 2013-05-15 | 2013-05-15 | 基于稀疏表示的寄生虫虫卵识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310181012.4A CN103268494B (zh) | 2013-05-15 | 2013-05-15 | 基于稀疏表示的寄生虫虫卵识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103268494A true CN103268494A (zh) | 2013-08-28 |
CN103268494B CN103268494B (zh) | 2016-06-15 |
Family
ID=49012121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310181012.4A Expired - Fee Related CN103268494B (zh) | 2013-05-15 | 2013-05-15 | 基于稀疏表示的寄生虫虫卵识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103268494B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138826A (zh) * | 2015-08-10 | 2015-12-09 | 厦门大学 | 一种强噪声背景下的拉曼信号重构方法 |
US9933425B2 (en) | 2014-04-10 | 2018-04-03 | MEP Equine Solutions LLC | Method for the quantification of parasite eggs in feces |
CN110119776A (zh) * | 2019-05-10 | 2019-08-13 | 长沙理工大学 | 基于多核学习k-svd的识别方法及其*** |
CN111582276A (zh) * | 2020-05-29 | 2020-08-25 | 北京语言大学 | 一种基于多特征融合的寄生虫虫卵的识别方法及*** |
TWI703513B (zh) * | 2019-01-31 | 2020-09-01 | 國立成功大學 | 蟲卵計數裝置以及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080170623A1 (en) * | 2005-04-04 | 2008-07-17 | Technion Resaerch And Development Foundation Ltd. | System and Method For Designing of Dictionaries For Sparse Representation |
CN102073872A (zh) * | 2011-01-20 | 2011-05-25 | 中国疾病预防控制中心寄生虫病预防控制所 | 基于图像的寄生虫虫卵形状识别方法 |
CN102891999A (zh) * | 2012-09-26 | 2013-01-23 | 南昌大学 | 一种基于压缩感知的联合图像压缩/加密方法 |
CN102968635A (zh) * | 2012-11-23 | 2013-03-13 | 清华大学 | 一种基于稀疏编码的图像视觉特征提取方法 |
-
2013
- 2013-05-15 CN CN201310181012.4A patent/CN103268494B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080170623A1 (en) * | 2005-04-04 | 2008-07-17 | Technion Resaerch And Development Foundation Ltd. | System and Method For Designing of Dictionaries For Sparse Representation |
CN102073872A (zh) * | 2011-01-20 | 2011-05-25 | 中国疾病预防控制中心寄生虫病预防控制所 | 基于图像的寄生虫虫卵形状识别方法 |
CN102891999A (zh) * | 2012-09-26 | 2013-01-23 | 南昌大学 | 一种基于压缩感知的联合图像压缩/加密方法 |
CN102968635A (zh) * | 2012-11-23 | 2013-03-13 | 清华大学 | 一种基于稀疏编码的图像视觉特征提取方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9933425B2 (en) | 2014-04-10 | 2018-04-03 | MEP Equine Solutions LLC | Method for the quantification of parasite eggs in feces |
US10094829B2 (en) | 2014-04-10 | 2018-10-09 | MEP Equine Solutions LLC | Method for the quantification of parasite eggs in feces |
US10677796B2 (en) | 2014-04-10 | 2020-06-09 | MEP Equine Solutions LLC | Method for the quantification of parasite eggs in feces |
CN105138826A (zh) * | 2015-08-10 | 2015-12-09 | 厦门大学 | 一种强噪声背景下的拉曼信号重构方法 |
TWI703513B (zh) * | 2019-01-31 | 2020-09-01 | 國立成功大學 | 蟲卵計數裝置以及方法 |
CN110119776A (zh) * | 2019-05-10 | 2019-08-13 | 长沙理工大学 | 基于多核学习k-svd的识别方法及其*** |
CN111582276A (zh) * | 2020-05-29 | 2020-08-25 | 北京语言大学 | 一种基于多特征融合的寄生虫虫卵的识别方法及*** |
CN111582276B (zh) * | 2020-05-29 | 2023-09-29 | 北京语言大学 | 一种基于多特征融合的寄生虫虫卵的识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN103268494B (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
US9514356B2 (en) | Method and apparatus for generating facial feature verification model | |
CN109829467A (zh) | 图像标注方法、电子装置及非暂态电脑可读取储存媒体 | |
CN102163281B (zh) | 基于AdaBoost框架和头部颜色的实时人体检测方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN103679158A (zh) | 人脸认证方法和装置 | |
CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及*** | |
JP2020004406A (ja) | 分類モデル訓練方法及び装置並びに分類方法及び装置 | |
CN105718937B (zh) | 多类别对象分类方法及*** | |
Fuchs et al. | Computational pathology analysis of tissue microarrays predicts survival of renal clear cell carcinoma patients | |
CN103778435A (zh) | 一种基于视频的行人快速检测方法 | |
CN104850860A (zh) | 细胞图像识别方法及细胞图像识别装置 | |
CN106203329B (zh) | 一种基于眉毛建立身份标识模板及进行身份识别的方法 | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及*** | |
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
CN102750526A (zh) | 基于人脸图像的身份验证识别方法 | |
CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
US10915729B2 (en) | Three-dimensional cell and tissue image analysis for cellular and sub-cellular morphological modeling and classification | |
CN103839078A (zh) | 一种基于主动学习的高光谱图像分类方法 | |
Hermawati et al. | Combination of aggregated channel features (ACF) detector and faster R-CNN to improve object detection performance in fetal ultrasound images | |
CN114863189B (zh) | 一种基于大数据的图像智能识别方法 | |
CN106529486A (zh) | 一种基于三维形变人脸模型的种族识别方法 | |
CN108010015A (zh) | 一种指静脉影像质量评价方法及其*** | |
CN110781828A (zh) | 一种基于微表情的疲劳状态检测方法 | |
CN108805181B (zh) | 一种基于多分类模型的图像分类装置及分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160615 Termination date: 20170515 |
|
CF01 | Termination of patent right due to non-payment of annual fee |