神经切片图像中识别定位线断面的研究

doi:10.3778/j.issn.1002-8331.2010.22.059

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (22): 203-205.DOI: 10.3778/j.issn.1002-8331.2010.22.059

• 图形、图像、模式识别 • 上一篇下一篇

神经切片图像中识别定位线断面的研究

李芳¹，钟映春²，张毅³，戚剑³，刘小林³

1.广东商学院信息学院，广州 510320
2.广东工业大学自动化学院，广州 510090
3.中山大学附属第一医院显微修复外科，广州 510080

收稿日期:2009-01-08 修回日期:2009-03-26 出版日期:2010-08-01 发布日期:2010-08-01
通讯作者: 李芳

Recognition study on positioning line transection of nerve slice image

LI Fang¹，ZHONG Ying-chun²，ZHANG Yi³，QI Jian³，LIU Xiao-lin³

1.Information College，Guangdong University of Business Studies，Guangzhou 510320，China
2.Automatic College，Guangdong University of Technology，Guangzhou 510090，China
3.Department of Plastic and Reconstructive Surgery，The First Affiliated Hospital of Sun Yat-sen University，Guangzhou 510080，China

Received:2009-01-08 Revised:2009-03-26 Online:2010-08-01 Published:2010-08-01
Contact: LI Fang

摘要/Abstract

摘要： 识别在神经切片图像中的定位线断面是实现神经切片图像配准的前提。在分析了定位线断面特征的基础上，提取了定位线断面的特征集合并计算了先验概率和类概率密度函数，设计了二值数据的贝叶斯分类器，再用该分类器识别神经切片图像中的定位线断面，得到定位线断面中心像素坐标。实验表明，采用二值数据的贝叶斯分类器识别准确率可以达到90.5%，其识别精度与神经网络识别方法相同，但是识别速度显著快于神经网络识别方法。这为后续进行神经切片图像的配准奠定了基础。

关键词: 神经切片图像, 贝叶斯, 定位线断面

Abstract: It is very important basic of nerve slice image registration to recognize the positioning line transaction in the slice image.On the basis of the feature analyzing of the positioning line transection，this paper obtains the feature set of position line transaction and calculates the prior probability and probability density function.Then the binary Bayes classification is designed and employed to recognize the position line transaction in the slice image.The result of experiment shows that recognizing accuracy reaches 90.5% while employing the method to recognize 200 nerve slice images.The recognition speed of binary Bayes classification is faster than the probabilistic neural network obviously while they have the same recognizing accuracy.

Key words: nerve slice imge, Bayes, positioning line transection

中图分类号:

TP391

李芳¹，钟映春²，张毅³，戚剑³，刘小林³. 神经切片图像中识别定位线断面的研究[J]. 计算机工程与应用, 2010, 46(22): 203-205.

LI Fang¹，ZHONG Ying-chun²，ZHANG Yi³，QI Jian³，LIU Xiao-lin³. Recognition study on positioning line transection of nerve slice image[J]. Computer Engineering and Applications, 2010, 46(22): 203-205.

[1]	赵宇，祝义，于巧，陈小颖. 基于分层数据筛选的跨项目缺陷预测方法[J]. 计算机工程与应用, 2021, 57(20): 279-286.
[2]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[3]	郭雪昆，秦远辉，杜亮，罗永亮，王宏安. 基于MEBN的大型舰船舰面保障作业检测[J]. 计算机工程与应用, 2021, 57(1): 242-253.
[4]	陈海洋，刘喜庆，环晓敏. 一步预测的SVDDBN缺失数据插补算法[J]. 计算机工程与应用, 2020, 56(7): 81-87.
[5]	安葳鹏，程小博，刘雨. Fleiss’ Kappa系数在贝叶斯决策树算法中的应用[J]. 计算机工程与应用, 2020, 56(7): 137-140.
[6]	张岁岁，黄丽霞，王杰，张雪英. 麦克风阵列下互相关函数分类的声源定位[J]. 计算机工程与应用, 2020, 56(4): 128-133.
[7]	杜婧，滕婧，马卞，张奥鑫. 基于贝叶斯方法的乳腺癌预后分析[J]. 计算机工程与应用, 2020, 56(3): 146-151.
[8]	张松慧，熊汉江. 融合神经网络和泊松分解的兴趣点推荐算法[J]. 计算机工程与应用, 2020, 56(21): 176-186.
[9]	韩素青，成慧雯，王宝丽. 三支决策朴素贝叶斯增量学习算法研究[J]. 计算机工程与应用, 2020, 56(18): 42-49.
[10]	于千城，於志文，王柱. 对抗样本训练图分类器进行模型推理质量评估[J]. 计算机工程与应用, 2020, 56(17): 142-149.
[11]	丁娜，钟宝江. 手写液晶体数字及识别技术[J]. 计算机工程与应用, 2020, 56(16): 97-104.
[12]	丁棋梁，石泽智，李建华. 基于分组贝叶斯排序的药物-靶标关系预测[J]. 计算机工程与应用, 2020, 56(15): 185-190.
[13]	郑伟，侯宏旭，班志杰. 贝叶斯网络查询语义扩展的专家发现方法[J]. 计算机工程与应用, 2020, 56(13): 194-198.
[14]	常振，段先华，鲁文超，彭媛. 基于多尺度的贝叶斯模型显著性检测[J]. 计算机工程与应用, 2020, 56(11): 207-213.
[15]	吕学志1，2，胡晓峰1，吴琳1，贺筱媛1. 基于贝叶斯网络的任务共同体识别[J]. 计算机工程与应用, 2019, 55(5): 251-257.

神经切片图像中识别定位线断面的研究

Recognition study on positioning line transection of nerve slice image

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics