本书主要针对肿瘤细胞图像识别展开论述,介绍了作者多年研究肿瘤细胞图像识别工作的丰富研究成果,论述了图像识别目前相关的热门理论,对神经网络、量子神经网络、深度学习的卷积神经网络理论都有较详细的介绍,并且介绍了作者将其应用于肿瘤细胞图像识别的相关算法。书中详细论述了作者多年研究的各类肿瘤细胞识别模型的架构和算法,并且介绍了具体实验过程,验证各识别模型的识别率,最后全面介绍了作者的肿瘤细胞识别研究应用成果结晶——肿瘤诊断病理分析软件。全书共分9章,主要内容包括肿瘤细胞图像识别概论、常用图像预处理方法、常用图像特征提取方法、基于肿瘤细胞特征提取方法、图像分类常用方法、基于肿瘤细胞图像的识别方法及肿瘤诊断病理分析软件等内容。
第1章 细胞图像识别概论
1.1 细胞图像识别的背景
1.2 细胞图像识别的研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 细胞图像及其特点
1.3.1 原始细胞图像
1.3.2 细胞图像的特点
1.3.3 灰度化细胞图像
第2章 图像常用预处理方法
2.1 图像预处理
2.2 图像灰度化
2.2.1 图像的灰度化
2.2.2 图像的灰度修正
2.3 图像增强
2.3.1 频域图像增强方法
2.3.2 图像的灰度变换
2.3.3 直方图处理
2.3.4 图像的空间域平滑
2.3.5 图像的锐化
第3章 图像常用特征提取方法
3.1 图像特征及常用提取方法概述
3.1.1 图像特征概述
3.1.2 图像常用特征
3.1.3 图像常用特征提取方法
3.2 主成分分析方法
3.2.1 PCA概述
3.2.2 总体主成分的计算与选取
3.2.3 PCA方法基本流程
3.3 流形学习方法
3.3.1 流形学习概述
3.3.2 流形学习的代表方法
3.3.3 LLE算法原理
3.4 稀疏编码方法
3.4.1 稀疏编码概述
3.4.2 自然图像的稀疏性与稀疏编码模型
3.4.3 稀疏编码模型的统计学原理
3.4.4 稀疏编码方法原理
3.5 压缩感知方法
3.5.1 压缩感知概述
3.5.2 信号的采样过程
3.5.3 CS数学模型
3.5.4 基于CS的特征提取算法原理
第4章 图像常用识别方法
4.1 基于线性判别分析的分类识别方法
4.1.1 LDA概述
4.1.2 LDA方法原理
4.1.3 LDA方法的局限性及解决方法
4.2 基于支持向量机的分类识别方法
4.2.1 SVM概述
4.2.2 SVM方法原理
4.2.3 SVM核函数及多分类方法
4.3 基于决策树的分类识别方法
4.3.1 决策树分类方法概述
4.3.2 决策树分类的步骤
4.3.3 C4.5 决策树算法
4.4 基于贝叶斯的分类识别方法
4.4.1 贝叶斯分类概述
4.4.2 朴素贝叶斯分类方法
4.5 基于神经网络的分类识别方法
4.5.1 神经网络概述
4.5.2 神经网络分类原理
4.5.3 SOFM分类方法
第5章 细胞图像的常用识别方法
5.1 基于改进的PCA+LDA的细胞图像识别
5.1.1 传统PCA+LDA变换流程与实现
5.1.2 泛化问题的产生和解决
5.1.3 基于改进PCA+LDA的识别算法
5.1.4 实验与结论
5.2 基于双向2DPCA+SVM的细胞图像识别
5.2.1 2DPCA方法
5.2.2 双向2DPCA特征提取算法原理
5.2.3 基于2DPCA+SVM的识别算法
5.2.4 实验与结论
5.3 基于LLE+LS SVM的细胞图像识别
5.3.1 LLE和LS SVM算法原理
5.3.2 基于LLE+LS SVM的识别算法
5.3.3 实验与结论
5.4 基于SAM-CS+SOFM的细胞图像识别
5.4.1 自适应观测矩阵的压缩感知算法
5.4.2 基于SAM-CS+SOFM的识别算法
5.4.3 实验与结论
第6章 基于字典学习的RRC细胞图像识别
6.1 稀疏表示分类原理
6.2 稀疏表示模型用于图像识别需要考虑的问题
6.3 FDDL与正则化鲁棒稀疏表示模型
6.3.1 FDDL
6.3.2 RRC模型
6.4 基于字典学习的RRC细胞图像识别
6.4.1 算法设计
6.4.2 算法实现
6.5 实验与结论
6.5.1 灰度化系数选择
6.5.2 参数t值的确定
6.5.3 两种分类模型的比较
6.5.4 不同稀疏表示分类方法的比较
6.5.5 不同识别方法的比较
6.5.6 结论
第7章 基于QSOFM的细胞图像识别
7.1 OSOFM概述
7.1.1 ANN和QNN的比较
7.1.2 量子神经元模型
7.1.3 QSOFM模型
7.1.4 QS