基于深度神经网络的脑脊液图像识别技术研究-软件工程专业论文.docx

万方数据 万方数据 摘 要 摘 要 深度学习是机器学习领域的一个重要的研究方向，它强大的特征学习能力在 语音领域以及自然语言处理领域都取得比较好的成果。深度神经网络即多层次的 神经网络结构模型，它是深度学习的重要的研究方法，其在图像检测、图像识别、 视频跟踪等方面中的应用成为了一个研究热点。 显微镜下的脑脊液图像由各种细胞组成，其拓扑结构复杂多变，采用传统图 像分割算法需要对目标进行高精度完整的分割，才能准确的提取到人为事先定义 的特征。深度学习方法进行脑脊液细胞分类，可直接把整张图片作为输入进行学 习得到特征,这样减少了信息的丢失。 本文针对脑脊液图像的特点，深入研究和分析了深度神经网络中反卷积神经 网络模型进行脑脊液细胞分类。反卷积模型使用无监督学习方法从底层边缘特征 到高层对象部分连接对整个图像进行图片特征表述。此外，对不变性、多层模型 中层与层如何直接训练问题设计了相对应的方法，如引入了开关变量，计算每一 幅图片滤波器。实验结果表明，本文所提出的模型对脑脊液细胞图像识别具有较 好的效果。 为了进一步提高准确率，缩短识别时间。在用深度神经网络中的卷积神经网 络对脑脊液细胞图像进行识别时，发现训练过程中收敛速度慢，但用 rectie 激励 函数代替 sigmoid 激励函数，提取的特征更稀疏，在训练过程中收敛效果更好。 提取的特征再经过线性支持向量机进行分类，实验表明，改进的模型对脑脊液图 像识别效率提高了，其中两类、三类、四类分别提高了 9.78%，6.53%，11.69%， 单张图像平均识别时间也减少了 0.3s。 关键词：深度神经网络；特征提取；脑脊液；图像识别；分类线性支持向量 机 I Abstract Abstract Deep learning is an important research direction in the field of machine learning, whose powerful features learning ability in the field of voice, Natural Language Processing especially in images. Deep neural network has multi-level neural networks which is a significant research method of deep learning, and it has become a research hotspot of image edge detection, image recognition, the video tracking. Cerebrospinal fluid images include a variety of cells, which topology is complex. If using the traditional image segmentation algorithm to separate them ,were quire a complete high-precision target segmentation, to accurately extract the features of human pre-defined way .We put every piece of cerebrospinal fluid cell image as input to train, then get the features using deep learning, which it reduces the loss of information in images. According to the characteristics of cerebrospinal fluid, and studying the deconvolution neural network model of deep neural network in the classification of cerebrospinal fluid cell ,we put forward a way that based on deconvolution neural network for rapid identification cerebrospinal fluid image. The model uses an unsupervised learning method to represent the feature from the bottom edge features to high-