一种改进的白细胞检测的计算机视觉方法

文摘

白细胞的自动检测(白细胞)仍然是一个尚未解决的问题在医学成像。白细胞图像的分析了医学和计算机视觉等领域的研究人员。因为白细胞可以用一种椭球近似,椭圆检测算法可以成功地应用为了认识这些元素。提出了一个算法的自动检测白细胞嵌入在复杂和混乱涂片图像认为完整的过程作为一个multiellipse检测问题。的方法,是基于差分进化(DE)算法,将检测任务转化为一个优化问题的个人代表候选椭圆。客观评估如果这些候选椭圆函数实际上是存在于涂片的地图图像边缘。指导下的值等功能,编码集候选椭圆(个人)使用DE算法进化,这样他们就可以适应的白细胞内封闭边缘的涂片图像地图。实验结果与各种不同类型的白细胞图像的复杂性包括验证的效率提出了技术的准确性和鲁棒性。

1。介绍

医学图像处理已经成为越来越重要的在诊断医学成像和计算机技术的发展。大量的医学图像是通过x光射线照相,CT和MRI。它们为高效、准确的诊断提供重要信息基于先进的计算机视觉技术(1,2]。

另一方面,白细胞(白细胞)也称为白细胞扮演了一个重要的角色在不同疾病的诊断。尽管计算机视觉技术已经成功地导致细胞分析,生成新方法,反过来,导致更精确和可靠的系统疾病诊断、高可变性细胞形状、大小、边缘,和本地化数据提取过程复杂。此外,对比单元边界和图像的背景可能会有所不同在捕捉过程中由于光照条件的不稳定。

许多工作都是在该地区进行血液细胞的检测。在[3)提出了一种基于边界方法支持向量识别白细胞。在这种方法中,每个像素的强度是用于构造特征向量,而支持向量机(SVM)是用于分类和分割。通过使用不同的方法,在4),吴等人开发了一个基于循环迭代大津方法对白细胞直方图分割。根据涂片图像处理等技术,在hue-saturation-intensity (HSI)空间,考虑到色相组件包含白细胞的大部分信息。的最新进展之一白细胞检测研究是王提出的算法5)基于模糊细胞神经网络(FCNN)。虽然这样的方法已被证明成功地检测图像中只有一个白细胞,它没有经过图像包含几个白细胞的测试。此外,一般其性能衰减定义的迭代数量不正确时,产生一个具有挑战性的问题本身没有明确的线索如何使最好的选择。

由于白细胞可以近似椭球体的形式,可以使用计算机视觉技术检测椭圆以认出他们。椭圆检测的图像是一个开放的研究问题很久以前的事了。提出了几种方法,传统上属于三类:symmetry-based,脚腕transform-based (HT)和随机抽样。

在symmetry-based检测(6,7),椭圆几何是考虑。最常见的用于椭圆几何元素和轴的椭圆中心。使用这些元素和图像中边缘,椭圆参数可以找到。椭圆检测数字图像通常是通过霍夫变换(8]。它通过代表几何形状的设置参数,然后积累垃圾箱在量化参数空间。山峰在椭圆的箱提供的指示。显然,由于参数量化成离散的垃圾箱,垃圾箱的间隔直接影响结果的准确性和计算工作。因此,对于细量化的空间,算法返回更准确的结果,而遭受大内存加载和昂贵的计算。为了克服这些问题,一些研究者提出其他椭圆探测器霍夫变换后通过使用随机抽样原则。在随机sampling-based方法(9,10),本代表候选人的形状而不是一组量化参数,HT。然而,像HT,随机抽样方法经过垃圾箱一个积累的过程。本最高的分数代表了一个实际的最佳逼近椭圆在目标图像。麦克劳林的工作(11)表明,一个随机sampling-based方法产生改善精度和计算复杂度,以及减少假阳性的数量(不存在的椭圆),相比原来的HT及其改进的变异的数量。

作为替代传统工艺,椭圆检测的问题也一直通过优化方法。一般来说,他们已经证明给更好的结果比基于HT和随机抽样对准确性和鲁棒性(13]。这种方法产生了几个健壮的椭圆探测器使用不同的优化算法,如遗传算法(气)(14,15)和粒子群优化(PSO) (16]。

尽管检测算法基于优化的方法有好几个优势与传统方法相比,他们几乎适用于白细胞检测。一个例外是Karkavitsas和Rangoussi所呈现的工作12),解决了通过使用GA白细胞检测问题。然而,由于评价函数,该评估每个解决方案的质量,考虑像素的数量固定包含在一个圆的半径,该方法容易产生misdetections尤其是图像包含重叠或不规则的白细胞。

摘要白细胞检测的任务是找到优化问题和微分进化算法用于构建椭球近似。由Storn引入差分进化(DE)和价格(17),是一种新型的进化算法用于优化复杂的连续非线性函数。以人群为基础的算法,使用简单的变异和交叉操作产生新的候选解决方案和一对一的竞争方案适用于贪婪地决定是否新候选人或其父母将在下一代生存。由于其简单,易于实现,收敛快,鲁棒性,DE算法获得了多少关注,报道范围广泛的成功应用在文献[18- - - - - -22]。

提出了一个算法的自动检测血液细胞图像基于DE算法。该方法使用五个边缘点的编码作为候选椭圆的边缘地图涂片。相似的目标函数可以精确测量候选椭圆和一个实际的白细胞图像。遵循这样的目标函数的值,编码集候选椭圆进化使用DE算法,这样他们就可以符合实际的白细胞图像。生成一个亚像素探测器的方法可以有效地识别白细胞在现实图像。实验证据显示了这种方法的有效性在检测白细胞尽管复杂的条件。比较先进的WBC探测器的多个图像展示了该方法的更好的性能。

本研究的主要贡献是一种新的WBC检测器算法的建议,有效地识别白细胞不同复杂条件下,同时考虑整个过程作为一个椭圆检测问题。尽管椭圆探测器基于优化目前的几个有趣的属性,我们所知,他们还没有被应用于任何医学图像处理。

本文的组织结构如下:部分2描述了DE算法在部分3椭圆检测的任务是完全从优化的角度解释DE方法的上下文中。完整的白细胞探测器提出了部分4。部分5报告实验结果而获得的部分6进行一个比较先进的白细胞探测器和建议的方法。最后,在节7,得出了一些结论。

2。微分进化算法

DE算法是一个简单和直接搜索算法是基于人口和全球多峰函数优化目标。DE雇佣了变异算子来提供几间信息交换的解决方案。

有各种各样的变异基础发电机定义算法类型。DE算法的版本用于这项工作被称为rand-to-best / 1 / bin或“DE1”[23]。DE算法首先初始化一个人口和D维向量之间随机分布的考虑参数值指定的较低的初始参数和上面的初始参数如下:

下标是一代指数,而和分别是参数和粒子索引。因此,是jth的参数th粒子在代。为了生成一个试验方案,DE算法首先变异向量的最佳方案从目前的人口通过添加两个向量的不同比例从当前人口: 与被变异向量。指数和随机选择的条件,它们是不同的粒子指数和没有关系任何(例如,)。突变的比例因子是一个正实数,通常小于1。图1说明了向量的生成过程定义为(2)。

为了增加的多样性参数向量,突变体之间的交叉操作是应用向量和最初的个人。试验结果是向量计算的考虑元素元素如下: 与。交叉参数控制参数的一部分变异向量是导致最终试验向量。此外,试验向量总是继承变异向量参数根据随机选择的指数,确保试验向量不同的至少一个参数的向量比较()。

最后,一个贪婪的选择是用来找到更好的解决方案。因此,如果试验的计算代价函数值向量小于或等于向量的成本向量替换,那么这样的审判在下一代。否则,人群中仍然至少一个一代:

在这里,代表了目标函数。这些过程不断重复,直到终止标准是获得或达到预定的一代数量。

3所示。椭圆检测使用德

3.1。数据预处理

为了检测椭圆形状,候选人必须首先预处理的图像边缘检测算法产生一个地图图像边缘。然后,每个边缘像素的坐标存储在边缘向量,边缘像素的总数。

3.2。个人表示

就像一条线需要两个点完全定义其特点、椭圆定义为5分。因此,每个候选人的解决方案E(椭圆候选人)认为五个边缘点代表一个独立的个体。在这种表示,选择边缘点后边缘内的随机位置索引数组。这个过程将编码一个候选解的椭圆经过5分,()。Thus, by substituting the coordinates of each point of到(5),我们收集一组5联立方程是线性的五个未知参数,: 考虑到边缘点图所示的配置2椭圆中心最大半径()、最小半径()和椭圆定位()可以计算如下: 在哪里

3.3。目标函数

优化是指从一组选择最好的元素可用的选择。在最简单的情况下,这意味着最小化目标函数或错误的系统选择从他们的有效范围变量的值。为了计算误差产生的候选方案E作为虚拟形状,椭圆坐标计算,反过来,也必须进行验证,如果它真的存在于边缘图像。测试集是由,在那里的点的数量是一个边缘点的存在,对应E应该被测试。

一组由中点椭圆生成算法(MEA) (24)这是一个搜索方法,寻求所需的点来画一个椭圆。对于任何一个点(x,y)躺在椭圆的边界,f,它满足的方程,在那里和分别代表了主要和次要的轴。然而,意味着避免了计算平方根的计算比较像素距离分离。直接距离比较的方法是测试两个像素之间的中间位置(亚像素距离)来确定这个中点是内部或外部的椭圆边界。如果问题是内政的椭圆,椭圆函数是负的。因此,如果外的点是椭圆,椭圆函数是正的。因此,所涉及的错误定位像素位置使用中点测试仅限于1/2像素分离(亚像素精度)。总而言之,任何点的相对位置(x,y)可以通过检查确定椭圆函数的符号: ellipse-function测试(8)应用于midpositions之间像素附近的椭圆路径在每个采样步骤。数据3(一个)和3(一个)显示两个候选像素采样之间的中点位置。使用椭圆象限划分为两个区域;的极限的两个地区是点曲线的斜率是−1如图4。

意味着计算时间减少通过考虑椭圆的对称。省略号部分相邻八分仪在一个象限是对称的分界线两个八分仪。这些对称条件如图4。该算法可以被认为是最快的提供一个亚像素精度25]。然而,为了保护意味着操作,重要的是要确保点躺在像平面不能考虑年代。

目标函数J(E)代表像素之间的匹配误差产生椭圆的候选人和实际存在于边缘图像的像素,屈服 在哪里是一个函数,验证了像素的存在,和是躺在周长相应数量的像素目前正在测试。因此,函数被定义为

的值J(E)接近零意味着更好的回应“椭球”操作符。图5显示了过程评价候选人的行动表示作为一个虚拟的形状。图5(一个)显示了原始边缘图,而图5 (b)介绍了虚拟形状代表个人。在图5 (c),虚拟形状通过点与原始图像相比,,为了找到虚拟和边缘点之间的巧合。个人一直由点,由图所示5(一个)。虚拟的形状年代、通过意味着收集52分(= 52)只有35他们现有的图像(暗点,如图所示5 (c))和屈服;因此。

3.4。DE椭圆检测的实现

椭圆检测算法基于DE算法可以概括1。

4所示。白细胞探测器

为了检测白细胞,该探测器将分割策略与椭圆检测方法提出了部分3。

4.1。图像预处理

使用该探测器,涂片图像必须预处理获得两个新图片:分割图像和相应的边缘地图。使用产生的分割图像分割策略而产生的边缘地图边界器算法。这样的优势被认为是由目标函数映射到测量实际相似的候选椭圆的白细胞。

分割的目标策略是隔离白细胞(WBC)等其他结构的红细胞和背景像素。信息的颜色、亮度和梯度内常用的阈值方案生成标签对每个像素进行分类。虽然可以使用一个简单的直方图阈值分割白细胞,这项工作在扩散采用(民主党)被用来保证更好的结果(26]。

民主党是一个采用——基于(EM)算法被用来段复杂的医学图像(27]。经典EM算法相比,民主党认为像素之间的空间相关性最小化标准的一部分。这种适应允许部分对象尽管嘈杂的和复杂的条件。方法模型一个图像作为一个有限的混合物,其中每个组件对应于一个地区类和使用最大似然方法估计参数为每个类,通过期望最大化(EM)算法,这是耦合的各向异性扩散在类以占空间像素之间的依赖关系。

白细胞的分割,实现DEM中提供的17)已被使用。自实现允许部分灰度图像和彩色图像,它可以用于操作所有涂片图像没有把每个图像如何被收购了。民主党已经配置考虑三种不同的类(),,,迭代。这些值被发现是最好的配置设置根据(26]。

民主党操作的最终结果,得到了三种不同的阈值点:第一个对应于白细胞和红细胞的第二而第三代表像素分类为背景。图6 (b)介绍了DEM方法分割结果在这项工作考虑图6(一)原始图像。

一旦分割图像,边缘地图计算。地图边缘的目的是获得一个简单的图像表示,保存对象结构。DE-based探测器运行直接在地图边缘为了认识椭圆形的形状。几个算法可以用来提取边缘地图;然而,在这部作品中,形态学边缘检测程序(28)被用来完成这样的任务。形态学边缘检测是一种传统的方法来提取边界从二进制图像原始图像()是由一个简单的侵蚀结构元素()由一个矩阵模板3×3的值等于1。然后,侵蚀图像是倒()并与原始图像(),以便检测同时呈现在图像的像素。这样的像素组合计算边缘地图。图6 (c)地图显示了优势获得通过使用形态学边缘检测过程。

4.2。椭圆检测方法

地图作为输入图像边缘探测器提出了椭圆截面3。表1介绍了参数设置用于这项工作了DE算法经过几个校准进行了示例。最后配置匹配最好的校准提出了(29日的影响),修改DE-parameters几个通用的优化问题进行了分析。人数规模方面的参数()选择考虑最好的平衡收敛性和计算过载。一旦被设置,这样的配置已经保存所有测试图像用于实验研究。

在这样的假设,完整的过程检测白细胞的算法实现2。

4.3。数值例子

为了展示算法的分步操作,设置了一个算例应用该方法检测单个白细胞躺在一个简单的形象。图7(一)显示了示例中使用的图像。应用阈值操作后,白细胞坐落在其他一些像素只是噪音(见图7 (b))。然后,边缘地图随后计算和存储像素像素内的向量。图7 (c)这样的过程后显示了生成的图像。

执行DE-based椭圆探测器边缘地图的使用信息(为了舒适,它只考虑人口四粒子)。像所有的进化方法,德是一个以人群为基础的优化器,攻击的起点问题,在多个采样搜索空间,随机选择,和初始粒子。通过五个随机像素从向量P,四个不同的粒子构成。图7 (d)描绘了初始粒子分布。通过使用DE运营商,四个不同的试验粒子(椭圆)生成及其位置如图所示7 (e)。然后,新的人口考虑选择最好的试验中获得的元素T和最初的粒子。最后一个新的人口的分布是描绘在图7 (f)。由于粒子和(在图7 (f))更好的健身价值(和比试验元素)和,他们认为是粒子最终的人口。数据7 (g)和7 (h)现在第二个迭代算法而产生的图7(我)显示了人口配置25迭代。从图7(我),很明显,所有粒子都聚集到最终位置能够准确覆盖的白细胞。

5。实验结果

实验测试已经发展为了评估WBC检测器的性能。这是测试在显微镜图片从血液涂片960×720像素的分辨率。他们在白血病诊断对应于支持图像。图像显示等复杂条件下变形细胞和部分遮挡和重叠。算法的鲁棒性一直是这样要求的条件下进行测试。所有的实验已经开发使用英特尔酷睿i7 - 2600电脑,8 GB的内存。

图8(一个)显示了一个示例图像在测试工作。这是作为白细胞检测器的输入图像。图8 (b)介绍了分段白细胞民主党获得的算法。数据8 (c)和8 (d)目前地图和边缘检测后的白血细胞,分别。结果表明,该算法可以有效地检测和马克血细胞尽管细胞阻塞,变形或重叠。其他参数也可以通过算法计算:总面积由白细胞和几个细胞大小之间的关系。

另一个例子是显示在图9。它代表了一个复杂的例子一个图像显示严重畸形细胞。尽管有这样的缺陷,该方法可以有效地检测出细胞,如图9 (d)。

6。相比较其他方法

一组全面的smear-blood测试图像用于测试该方法的性能。我们应用该DE-based探测器测试图像,以比较其性能等其他白细胞检测算法的边界支持向量(BSVs)方法(3),迭代大津(IO)方法(4],王算法[5)和遗传算法(唠叨)探测器(12]。在所有情况下,算法调整根据最初的值集提出自己的引用。

6.1。检测比较

评估该检测方法的检测性能,表2BSV汇总比较白细胞检测性能的方法,IO方法,王算法,BGA探测器,和该方法的检测率和误报。收集的实验数据集包含50图像从火山灰图像银行(http://imagebank.hematology.org/)。这些图像包含517个白细胞(287明亮的白细胞和230黑暗白细胞根据涂片条件),已经被人类发现和统计专家。这些价值作为地面实况的实验。比较,检出率(DR)被定义为白细胞的数量之间的比例正确检测和白细胞数量由专家决定。误警率(远)被定义为nonleukocyte对象的数量之间的比率一直在错误地认定为白细胞和白细胞数量实际上由专家决定。

实验结果表明,提出的方法,达到98.26%的白细胞检测精度误警率为2.71%,比较顺利地与其他白细胞检测算法,如BSV方法,IO方法,王算法,BGA探测器。

6.2。鲁棒性比较

血涂片的图像通常是由噪声恶化由于各种干扰的来源和其他现象影响成像和测量过程的数据采集系统。因此,检测结果取决于算法的能力来应对不同的声音。为了演示白细胞检测的鲁棒性,提出DE方法是BSV方法相比,IO方法,王算法,BGA探测器在嘈杂的环境中。在测试中,研究了两种不同的实验。第一个调查探讨了每个算法的性能检测任务完成时由盐和胡椒损坏的图像噪声。第二个实验认为由高斯噪声污染的图像。盐和胡椒和选择高斯噪声的鲁棒性分析,因为他们代表最兼容的噪声类型常见血涂片的图片(30.]。比较考虑成套50图像呈现部分6.1包含517个白细胞检测并计算了人类专家。添加噪声是由MATLAB,考虑两个噪音椒盐噪声的5%和10%,而和用于高斯噪声的情况下。这样的噪音水平,根据(31日),对应的最佳权衡检测难度和医学影像的真实存在。如果使用更高的噪声水平,检测过程会不必要地复杂不代表一个可行的形象条件。

图10显示了实验的两个例子。结果的检出率(博士)和误警率(远)报告每个噪声类型的表3和4。结果表明,该DE算法提出了最佳的检测性能,实现在最坏的情况下89.55%和91.10%的博士,在污染条件下的盐和胡椒和高斯噪音,分别。另一方面,DE探测器具有最少的降解性能呈现价值的5.99%和6.77%。

6.3。稳定性比较

为了比较稳定性能的方法,其结果与报道的王等人在5),被认为是一个精确的技术检测白细胞。

王算法是一个拉斯韦加斯方法指导下内部约束元素和受到外部形象力,生产白细胞分割的一个封闭的轮廓。作为外部力量,王方法使用边缘信息,通常是由图像的梯度大小。因此,轮廓像素吸引大型图像梯度,即强烈的边缘。在每个迭代中,王方法发现新的轮廓配置最小化能量,对应于外部力量和约束元素。

比较,网络结构及其操作参数,对应于王算法,按照配置建议(5]虽然DE-based算法的参数取自表1。

图11显示了两种方法的性能考虑测试图像只有两个白细胞。自从王方法使用梯度信息来适当地找到一个新的轮廓配置,它需要执行迭代来检测每个结构(WBC)。图11 (b)显示了结果之后,王已经应用只考虑200次迭代方法。此外,图11 (c)显示结果在应用DE-based方法已被提出。

王算法使用模糊细胞神经网络(FCNN)作为优化方法。它利用梯度信息和内部状态为了找到一个更好的轮廓配置。在每个迭代中,FCNN试轮廓点,不同的新像素位置必须位于附近的初始轮廓的位置。这样的事实可能导致轮廓的解决方案被困到一个局部最小值。为了避免这样的问题,王方法适用于相当数量的迭代,这样可以找到接近最优的轮廓配置。然而,当迭代次数增加,覆盖其它结构的可能性增加。因此,如果图像复杂背景(涂片图像一样)或白细胞的太接近,该方法会困惑,找到正确的轮廓配置梯度大小并不容易。因此,王的方法的一个缺点是它最佳迭代次数(不稳定)。等实验必须确定数量取决于图像背景和它的复杂性。图12(一个)显示的结果应用400周期的王图时的算法12 (b)介绍了检测相同的细胞形状1000年之后使用该算法迭代。从图12(一个)可以看出,王的算法退化产生的轮廓随着迭代过程的继续,错误地覆盖其他形状躺在附近。

为了比较两种方法的准确性,估计WBC区域,近似的两种方法,比较实际的白细胞大小考虑不同程度的进化,也就是说,每个算法的循环数。比较只考虑一个白细胞,因为它是唯一发现的形状在王的方法。表5显示了每个实验的平均结果二十重复。为了提高分析、图13说明了误差百分比和迭代进化从扩展数据集已编译表5。

7所示。结论

本文算法的自动检测血液细胞图像基于DE算法已被提出。这种方法考虑了完整的流程作为多个椭圆检测的问题。该方法使用五个边缘点的编码作为候选椭圆的边缘地图涂片。相似的目标函数可以精确测量候选椭圆和一个实际的白细胞图像。遵循这样的目标函数的值,编码集候选椭圆进化使用DE算法,这样他们就可以符合实际的白细胞图像。生成一个亚像素探测器的方法可以有效地识别白细胞在现实图像。

DE方法的性能比其他现有的白细胞探测器(边界支持向量(BSV)方法(3),迭代大津(IO)方法(4],王算法[5)和遗传算法(唠叨)探测器(12)考虑几个图片展览不同复杂性水平。实验结果证明该方法的高性能的检测准确性、鲁棒性和稳定性。

引用

1. x壮族和孟问:“地方模糊分形维数及其应用在医学图像处理中,“人工智能在医学上,32卷,不。1,29-36,2004页。视图:出版商的网站|谷歌学术搜索
2. 肖勒,t . Aach t . m . Deserno和t .库仑,“医学图像处理的挑战,”计算机科学,26卷,不。1 - 2,第5 - 13页,2011年。视图:出版商的网站|谷歌学术搜索
3. m . Wang和r·楚”小说白细胞检测方法基于边界支持向量,”学报IEEE国际会议系统,人与控制论(SMC ' 09)德克萨斯州,页2595 - 2598年,德克萨斯州,美国,2009年10月。视图:出版商的网站|谷歌学术搜索
4. 周p . j . Wu曾庆红,y, c·奥利弗,”一种新的彩色图像分割方法及其应用白细胞图像分析,”《第八届国际会议上信号处理(ICSP 06年),2006年11月。视图:出版商的网站|谷歌学术搜索
5. w·Shitong k·f·l·钟和f段“应用改进的模糊细胞神经网络IFCNN白细胞检测,”Neurocomputing,卷70,不。7号到9号,第1359 - 1348页,2007年。视图:出版商的网站|谷歌学术搜索
6. h·穆阿迈尔·m·尼克松,“扩展霍夫变换方法,”国际会议声学学报》,演讲,和信号处理(ICASSP ' 89),3卷,第1559 - 1556页,1989年5月。视图:谷歌学术搜索
7. t·阿瑟顿和d Kerbyson”,使用阶段代表半径一致的圆形霍夫变换,”学报IEE讨论会在Hough变换,页1 - 4,IEEE 1993。视图:谷歌学术搜索
8. m·a . >和r·c·葛”随机样本共识:一个范例模型拟合应用图像分析和自动制图,”ACM的通信,24卷,不。6,381 - 395年,1981页。视图:出版商的网站|谷歌学术搜索
9. d .震动,o . Yaron, n . Kiryati”派生的停止规则概率霍夫变换序列分析,“计算机视觉和图像理解,卷63,不。3、512 - 526年,1996页。视图:出版商的网站|谷歌学术搜索
10. l .徐、大肠Oja和p . Kultanen”一个新的曲线检测方法:随机霍夫变换(RHT)”模式识别的字母,11卷,不。5,331 - 338年,1990页。视图:谷歌学术搜索
11. j·汉和l . Koczy“模糊霍夫变换,”第二届IEEE国际会议上模糊系统,2卷,第808 - 803页,1993年。视图:谷歌学术搜索
12. g . Karkavitsas和m . Rangoussi”对象定位使用遗传算法在医学图像,”世界科学院、工程和技术,卷2,6 - 9,2005页。视图:谷歌学术搜索
13. 诉Ayala-Ramirez, c . h . Garcia-Capulin a . Perez-Garcia和r . e . Sanchez-Yanez“圆检测图像,采用遗传算法”模式识别的字母,27卷,不。6,652 - 657年,2006页。视图:出版商的网站|谷歌学术搜索
14. e·卢和p·马丁内斯的遗传算法检测图像的二维几何基元”第12届国际会议模式识别学报》上,1卷,页。526 - 528年,耶路撒冷,以色列,1994年10月。视图:谷歌学术搜索
15. j .姚:Kharma, p . Grogono“健壮multi-population遗传算法和快速椭圆检测”模式分析与应用,8卷,不。1 - 2、149 - 162年,2005页。视图:出版商的网站|谷歌学术搜索
16. h·d·程郭y, y,“小说霍夫变换消除粒子群优化及其应用的基础上,“模式识别,42卷,不。9日,第1969 - 1959页,2009年。视图:出版商的网站|谷歌学术搜索
17. 民主党:扩散期望最大化函数图像分割,1.0版本,2012年,http://www.mathworks.com/matlabcentral/fileexchange/37197-dem-diffused-expectation-maximisation-for-image-segmentation。
18. b . v .先生和s . a . Munawar微分进化策略壳管热交换器的优化设计”化学工程科学,卷62,不。14日,第3739 - 3720页,2007年。视图:出版商的网站|谷歌学术搜索
19. d·g·梅耶,b . p . Kinghorn,阿切尔〇〇”微分evolution-an简单高效的进化优化算法模型,”农业系统,卷83,不。3、315 - 328年,2005页。视图:出版商的网站|谷歌学术搜索
20. Kannan s, s .玛丽拉贾Slochanal, n . Padhy”的应用和比较metaheuristic技术代扩张计划的问题,“IEEE电力系统,20卷,不。1,第475 - 466页,2005年2月。视图:出版商的网站|谷歌学术搜索
21. j.p.邱、c . f . Chang和c·t·苏”变量比例混合微分进化求解网络分销系统的重新配置,“IEEE电力系统,20卷,不。2、668 - 674年,2005页。视图:出版商的网站|谷歌学术搜索
22. e·奎瓦斯d萨尔迪瓦尔,和m . Perez-Cisneros”小说、分割方法基于微分进化优化,“专家系统与应用程序,37卷,不。7,5265 - 5271年,2010页。视图:出版商的网站|谷歌学术搜索
23. r . Storn和k .价格“微分进化简单和高效的自适应全局优化方案在连续空间,“技术。众议员tr - 95 - 012,国际计算机科学研究所,1995年伯克利,加州,美国。视图:谷歌学术搜索
24. j . e . Bresenham“圆弧的线性增量算法数字显示,“ACM的通信,20卷,不。2、100 - 106年,1977页。视图:出版商的网站|谷歌学术搜索
25. j . r . Van Aken“高效ellipse-drawing算法”IEEE计算机图形学和应用程序,4卷,不。9日,巢族,1984页。视图:出版商的网站|谷歌学术搜索
26. g . Boccignone m·费拉罗,那波里塔诺p“扩散图像分割期望最大化,”电子信件,40卷,不。18日,第1108 - 1107页,2004年。视图:出版商的网站|谷歌学术搜索
27. 那波里塔诺g . Boccignone p, v . Caggiano, m·费拉罗”一个多分辨率扩散采用医学图像分割的算法,进行“计算机在生物学和医学,37卷,不。1,第96 - 83页,2007。视图:出版商的网站|谷歌学术搜索
28. r·c·冈萨雷斯和r·e·伍兹数字图像处理美国,addison - wesley,阅读,质量,1992年。
29. l . Wang和f . z黄”,基于随机模型参数分析的微分进化算法,”应用数学和计算,卷217,不。7,3263 - 3273年,2010页。视图:出版商的网站|谷歌学术搜索
30. 蓝迪和e·罗莉Piccolomini”,一种有效的方法,非负约束总变差的医学图像去噪被泊松噪声,”计算机医学影像和图形,36卷,不。1,38-46,2012页。视图:出版商的网站|谷歌学术搜索
31. m . j . Tapiovaara r·f·瓦格纳,“医学成像信噪比和噪声测量:即一个实际的方法基于统计决策理论,“物理学在医学和生物学,38卷,不。1,第92 - 71页,1993。视图:出版商的网站|谷歌学术搜索

版权

版权©2013埃里克·奎瓦斯等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。