一、数学形态学方法处理基因芯片的扫描图像（论文文献综述）
李东耀[1]（2018）在《基因芯片图像的自适应增强与分割算法研究》文中进行了进一步梳理基因芯片（genechip）是生物芯片中的一种,又称DNA芯片。该技术通过将大量的探针分子固定于支持物上后与标记的样品分子进行杂交,实现对生物基因表达信息的获取。它被广泛的应用于药物筛选与新药开发、疾病诊断、环境保护、现代农业等。基因芯片图像处理是基因芯片技术的一个关键环节,整个流程包括图像预处理、网格定位、样点分割和数据提取等。本文主要针对基因图像中的图像预处理和样点分割等关键步骤进行深入研究,主要内容包含以下几个方面:首先,在图像预处理部分,本文实现了传统的以及现今较好的图像去噪方法并分析各种方法适应条件、优缺点,通过噪声级别函数对图像噪声类型、噪声级别进行评估,实现了去噪方法的自适应选择。其次,通过分析基因芯片图像的质量特征,结合现有的对比度增强方法,提出了一种自适应直方图均衡化的对比度增强方法,该算法能够自适应估算基因图像背景强度并基于背景强度进行对比度增强,通过主观分析以及网格定位结果分析,证明改进后的算法更好的增强了图像对比度。最后,本文在基因图像样点分割步骤上,总结了传统的分割方法,现有的聚类分类方法存在的局部分割不准确和分割的抗干扰性、泛化性不足等问题,通过分析基因点大小、位置、灰度信息分布等特征,提出了一种基于聚类的自适应样点分割算法,并通过主观视觉分析和定量实验证明了改进后的算法具有更高的准确性和有效性。
王丽娟[2]（2018）在《生物芯片图像网格化方法研究及应用》文中进行了进一步梳理20世纪90年代初产生了一项新的以基因芯片为先导的生物技术,即生物芯片技术。它是一项高度交叉的新技术,涵盖了电子学、生物学、物理学、化学、工程学、计算机科学。因其能对生物学问题进行量化和高通量的研究,这是以前的技术难以完成的,因此自它出现就引起了国内外的普遍关注,被广泛应用于临床疾病诊断、药物发现和基因组等领域。生物芯片技术主要包含样本采集、芯片制作、扫描成像、生物芯片图像处理和数据分析五个环节。生物芯片图像处理是生物芯片技术的一个重要环节,主要包括图像预处理、网格化、样点分割、信息提取四步。因此我们对生物芯片的研究,主要是对其数字图像处理的研究。目前很多的研究员是针对网格化和样点分割这两部分进行相关研究的。因为只有确定了生物芯片图像上样点的位置和形状之后,才能对带有生物信息的像素进行准确有效的提取。可以说网格化是图像处理和数据分析的基础,因为网格化处理后,我们可以确定样点的位置,这样会大大降低样点分割和信息提取的难度,提高处理效率;同时全自动的网格化处理是生物芯片图像进行批量化分析的关键。因此本文将以生物芯片数字图像作为研究对象,研究其网格化算法,为此我们做了以下工作:第一,提出一种结合最大内间距（Otsu）和改进网格校准的网格定位方法。它可以解决网格线冗余、缺失及出现在信号点上的情况。具体过程如下:首先求出原始图像灰度值在水平方向和垂直方向的投影情况,结合数学形态学膨胀重构的思想,利用最大类间距求出最佳阈值;其次利用最佳阈值得到生物芯片图像的二值参考图像,确定初始网格;接着对初始网格进行测试、校准;最后获得网格化结果。实验结果表明,文中提出的网格化算法的网格准确率明显高于其他算法,并且该算法简单、可实现性高。第二,设计基于多孔硅微阵列的反射光图像的网格化系统。该系统是用MATLAB的图形用户界面（GUI）设计实现的,这个系统将包含完整的网格化处理过程,其包含的功能有:输入原始图像、获取重要参数、重要参数展示、网格化效果图展示以及退出系统。在这一部分我们将重点叙述设计图形用户界面的整个过程,展示效果图片,方便我们从整体上把握本文所提算法的性能。总的来说基于MATLAB的生物芯片图像网格化处理系统的功能强大,用户界面简单,操作容易。
上官亚力[3]（2017）在《基于深度学习的基因芯片图像分割算法研究》文中研究指明基因芯片是由数千个基因点组成的一个微阵列,它是一项能够分析基因表达的技术。通过基因表达不仅可以探索人类疾病的潜在遗传原因,还可以应用在环境卫生研究、药物研制与开发、临床诊断和治疗以及癌症检测。基因芯片图像处理在基因表达分析中是一个极其关键的环节,处理的结果直接影响到准确率和精度。基因芯片图像处理主要包括预处理、网格定位、靶点分割和信号提取与分析。本文主要工作围绕以下几点展开:首先,通过对基因芯片图像预处理分析不同基因点的特征,对其进行灰度转换,对比度增强、滤波去噪等处理进而网格定位。通过网格定位能够将靶点信号区域间隔开,为后面基因芯片靶点分割打下基础。其次,对比基于聚类分类的图像分割算法,其中包括K均值,模糊局部信息C均值和支持向量机。分析其优缺点,介绍了改进的K均值算法,详细介绍了模糊局部信息C均值算法,以及支持向量机在基因芯片图像分割中的应用,列举出了支持向量机是如何获取基因芯片图像特征,阐述了手工特征获取的复杂性进而引出深度学习方法。最后,本文通过对以上算法的总结,提出了基于深度学习的基因芯片分割算法:构建卷积神经网络模型,制作模拟数据集和真实数据集,搭建Caffe深度学习框架。通过对两种数据集的测试,做了一系列对比实验分析了算法的有效性和鲁棒性。实验结果表明基于深度学习的基因芯片分割算法性能远优于K均值和模糊局部信息C均值,分割精确度高于支持向量机。
周梁[4]（2014）在《基于EED滤波和Snake模型的基因芯片图像分割算法研究》文中指出随着生物科学的迅猛发展和“人类基因组工程”的完成，生物基因芯片的研究已成为全世界生命科学工作者的共同课题。对基因芯片信息的分析研究，亦被置于生物芯片技术领域的核心位置。基因芯片技术，其原理与经典核酸分子杂交方法相同，是按照预定位置固定在载体上微小面积内大量核酸分子构成的微阵列点阵,利用分子杂交及并行处理原理，能够在同一时间内进行大量信息检测分析。相较传统生物DNA检测技术是一次重大创新和飞跃，对基因表达分析、病毒检测、新药物发现、设备开发等领域做出了巨大推动。因此对于基因芯片的图像处理有着重要研究意义。经过近三十年的研究，对于传统的基因芯片已开发出了较为成熟的图像分析算法，主要处理过程有：图像的预处理，网格化，靶点分割以及信号提取。其中，图像分割是重点，分割精确性直接影响信号亮度的提取；也是难点所在，尤其对于一些无规则排列的基因芯片，无法进行网格化操作，进而传统分割方法难以奏效，针对这个问题，本文提出了一种基于Snake模型的分割算法。本文从图像获取开始，综合全面地阐述了对于基因芯片的图像处理的整个过程，首先对图像进行灰度转换，利用对比度拉升及Top-Hat变换进行图像增强，并根据基因芯片图像具有多边界这一特点，提出了基于边缘增强扩散（EED）的滤波方法，该方法在滤除边缘噪声边的同时，很好地平滑和保护了靶点边界。并且滤波效果优于其他常用滤波方法。接着采用基于Snake模型的主动轮廓线分割法进行图像分割，该方法对于灰度不均匀，弱边界有较好效果。最后根据分割结果，对信号强度进行提取，并进行了可视化表达。分割中针对基因靶点可能出现的粘连现象，本文以Snake模型分割法为主，同时加入了Watershed分割法，所形成的分割线能有效解决靶点粘连这一问题，使本文算法成为一种综合性的通用于目前大多数已知基因芯片的分割处理算法。
尹宁[5]（2012）在《基因芯片识别系统研究》文中研究说明随着人类基因组计划（Human Genome Project）的提出并实施，电子信息技术的高速发展，越来越多的生物信息学技术得到了广泛应用。特别是基因芯片技术由于其强大的基因组信息分析功能，应用于生物科学的众多领域，成为许多研究机构研究的重点。为了能够实现基因芯片样点信号快速、高效、准确的检测和分析，本文主要研究设计了一套完整地基因芯片识别体系，希望能够推动基因芯片技术进一步完善，并且推广应用于更多领域。下面介绍主要工作内容：1．研究设计出了较为科学高效的基因芯片识别系统的一般过程。参照文献及以往基因芯片识别研究的成果，本文对常规的基因芯片识别系统进行了改进，特别地在基因芯片图像预处理过程中，加入了图像增强步骤，专门用于改善基因芯片图像灰度范围小、基因样点与背景图像对比不大的问题，为后续的图像处理提供了帮助。2．针对基因芯片图像大多存在一定的噪声，亮斑干扰等问题。在基因芯片图像去噪阶段，本文通过仿真比较，选用了滤波效果较好的自适应中值滤波算法。该算法采用动态确定滤波窗口的大小方式，处理存在复杂噪声的基因芯片图像，既有效地滤除噪声，又能完整地保留基因样点的边缘以及细节特征。3．基因芯片识别系统中图像网格定位过程是十分关键。本文采用改进的投影算法对基因芯片图像进行网格定位，该算法在经典算法的基础上加入了功率谱计算的步骤。通过仿真实验验证该算法可以准确的计算出基因样点间隔值，从而能够得到较好的网格定位效果。4．为了更加准确的提取出基因样点的特征参量数值，计算出基因样点图像的阈值十分重要。通过仿真比较各种阈值分割算法，本文采用最小误差阈值分割算法计算该阈值。该算法是广泛应用的图像处理算法，以往未被用于基因芯片图像的处理，但从仿真结果中可以看出该算法原理简单，便于实现，处理与背景对比度较差的基因样点效果明显。5．在文章的最后，本文应用设计的基因芯片识别系统，对从实验室中获取的病毒特性检测基因芯片图像进行分析处理，并且对基因芯片识别系统的功能和效果进行评估。评估结果显示该系统能够成功的把不同病毒类型的基因样点区分开来，准确率较高。但是对于同一病毒不同浓度的样本分类，准确率不高，还需要以后努力工作弥补不足，进一步完善。
李知瑶[6]（2011）在《基于粒子群优化的Fuzzy c-mean聚类算法的基因芯片图像处理》文中提出基因中包含着大量的遗传信息,对这些信息的研究有着深远的意义。但是以往的研究方法在处理高通量的基因信息时效率低下,于是80年代中期一种高效准确的基因芯片技术应运生。基因芯片有广泛的应用领域,是科研的一个热点方向。图像处理则是基因芯片应用中不可或缺的一个重要步骤,通过有效的图像处理可高效精确的获得芯片所包含的高通量信息。因此基因芯片的图像处理有着非常重要的研究意义。本文主要针对基因芯片的图像处理进行研究。对图像处理包含的主要步骤:图像预处理,网格定位,图像分割以及分割效果的评价,信号提取分别进行了介绍。图像预处理和网格定位都是为了分割能够更好更准确的进行。分割是图像处理的难点,分割的好坏直接影响最终信号提取的结果。所以本文将基因芯片图像分割技术作为重点。本文对于基因芯片的图像分割的整个过程展开了全面的研究,从分割算法到算法的评价都进行了详细的阐述。并且在总结前人的分割算法的基础上,提出了一种基于Fuzzy c-means聚类的自适应基因芯片图像分割方法,并且在此算法的基础上进行了进一步的改进提出了基于粒子群优化的Fuzzy c-means聚类的基因芯片图像分割算法,比原先的聚类方法抗噪能力更强,且不容易陷入局部最优。为了更客观的评价算法的分割效果,本文介绍了多种分割算法评价准则,并提出了一种使用合成图像对基因表达比率进行最终测量精度评价的准则。最终使用多种评价准则对于常用的基因芯片图像分割方法和本文提出的分割算法进行了评价和比较。
邵桂芳,罗林开,周绮凤,陈光磊[7]（2009）在《基于数学形态学的基因芯片图像高亮噪声处理》文中研究指明大多数已有应用都采用简单算法对图像进行整体处理,在去除噪声的同时也破坏了图像边缘和细节信息。为解决这一问题,首先分析了不同类型噪声对网格定位的影响,提出用分割线和面积均方根误差进行定量评价。然后提出用数学形态学与最大类间方差结合的方法去除高亮噪声。最后将该算法应用于出生缺陷的基因芯片噪声处理,并与其他几种去噪方法做了对比。实验结果表明,该算法实用、有效,并能最大限度地保留图像的有用信息。
邵桂芳,李刚,李铁军,张倩[8]（2009）在《基因芯片图像高亮噪声处理算法研究》文中认为基因芯片图像噪声处理决定了后续处理与分析的精度和准确性.高亮斑点噪声是一种亮度很高、成块状的特殊噪声,应用传统噪声处理方法无法滤除.针对高亮噪声的特点,首先利用形态学碟形结构元素进行开运算来评价图像是否含有噪声,然后利用阈值分割去除噪声.提出两种阈值获取方法,一种是基于最大类间方差的自适应获取方法,一种是固定阈值法.通过大量定性和定量实验比较分析,结果表明,两种方法都可以有效除高亮斑点噪声.
陆琳,孙福军,侯明[9]（2007）在《基因芯片图像去噪方法研究进展》文中研究表明随着生命科学进入“后基因组时代”,基因组研究的重心也逐渐转向了基因功能的研究。基因芯片又称DNA微阵列（DNA microarray）,是指按照预定位置固定在固相载体上很小面积内的很多核酸分子所组成的微点阵阵列。它的工作原理与经典的核酸分子杂交方法是一致的,在一定条件下,根据碱
金龙,唐玉荣,张彦娥[10]（2006）在《一种基因芯片图像滤波混合法》文中研究表明对基因芯片的表达数据进行分析,有助于获得基因的表达谱与功能之间的关联信息,而基因芯片图像的滤波方法,对于获得高质量的基因表达数据具有重要的意义。本文采用小波和中值滤波混合法对基因芯片图像去噪,采用的小波硬门限阈值量化法去噪预先处理了基因芯片图像的部分高频噪声,避免了图像有用信号湮灭;而中值滤波法弥补了小波分析中的噪声指数较高的局限性。与传统的基因芯片图像滤波方法进行对比实验,结果表明,该方法能够在有效去除基因芯片图像噪声的同时,很好地保持图像的边缘和细节信息。
二、数学形态学方法处理基因芯片的扫描图像（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数学形态学方法处理基因芯片的扫描图像（论文提纲范文）
（1）基因芯片图像的自适应增强与分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 基因芯片图像处理国内外研究现状 |
| 1.2.1 基因芯片图像预处理的研究现状 |
| 1.2.2 基因芯片图像样点分割的研究现状 |
| 1.2.3 现有研究存在的问题分析 |
| 1.3 本文的研究内容及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第二章 基因芯片图像处理概述 |
| 2.1 基因芯片简介 |
| 2.2 基因芯片的制备与分析 |
| 2.2.1 基因芯片的分类 |
| 2.2.2 基因芯片的制备方法 |
| 2.2.3 基因芯片的分析 |
| 2.3 基因芯片图像预处理 |
| 2.3.1 图像获取 |
| 2.3.2 中值滤波 |
| 2.3.3 非局部均值滤波 |
| 2.3.4 BM3D滤波去噪 |
| 2.3.5 灰度变换法 |
| 2.3.6 直方图均衡化 |
| 2.4 基因芯片图像网格定位 |
| 2.5 基因图像样点分割方法概述 |
| 2.5.1 图像分割概述 |
| 2.5.2 传统基因图像分割软件 |
| 2.5.3 基于分类的图像分割 |
| 2.5.4 基于聚类的图像分割 |
| 2.6 本章小结 |
| 第三章 基因芯片图像的自适应预处理 |
| 3.1 基因芯片图像质量分析 |
| 3.1.1 基因图像质量 |
| 3.1.2 基因图像噪声类别 |
| 3.2 基于噪声类别评估的自适应去噪 |
| 3.2.1 同质区域获取 |
| 3.2.2 肯德尔相关系数计算 |
| 3.2.3 噪声水平函数建模 |
| 3.2.4 噪声水平函数模型求解 |
| 3.2.5 基于噪声参数的自适应去噪 |
| 3.3 自适应去噪结果分析 |
| 3.3.1 主观定性对比 |
| 3.3.2 去噪结果定量分析 |
| 3.4 基因图像自适应对比度增强 |
| 3.4.1 基因芯片图像对比度分析 |
| 3.4.2 基于背景值估计的改进直方图均衡化 |
| 3.5 对比度增强结果分析 |
| 3.6 本章小结 |
| 第四章 基因芯片图像样点分割 |
| 4.1 聚类初始聚类中心的选择 |
| 4.1.1 聚类的初始聚类中心 |
| 4.1.2 初始聚类中心的改进 |
| 4.2 基因芯片图像特征定义及提取 |
| 4.2.1 特征的定义 |
| 4.2.2 特征的提取 |
| 4.3 基于模糊C均值聚类的基因芯片图像分割 |
| 4.4 基因图像分割结果自适应调整 |
| 4.5 信号提取及分析 |
| 4.5.1 信号提取 |
| 4.5.2 数据表达 |
| 4.6 基因芯片图像数据集 |
| 4.6.1 模拟数据集 |
| 4.6.2 真实数据集 |
| 4.7 图像分割结果分析 |
| 4.7.1 图像分割效果评价指标 |
| 4.7.2 全局主观定性分析 |
| 4.7.3 全局客观定量分析 |
| 4.7.4 局部分析 |
| 4.7.5 仿真图像分割结果 |
| 4.8 本章总结 |
| 第五章 总结与展望 |
| 参考文献 |
| 硕士期间科研成果 |
| 致谢 |
（2）生物芯片图像网格化方法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 一、绪论 |
| (一)引言 |
| (二)论文研究的背景和意义 |
| (三)生物芯片技术 |
| 1、生物芯片图像处理 |
| 2、网格定位国内外研究现状 |
| (四)论文研究内容及结构设计 |
| 二、网格定位的算法 |
| (一)网格化概述 |
| (二)常用的网格定位方法 |
| 1、基于投影的网格定位方法 |
| 2、基于数学形态学的网格定位方法 |
| 3、基于Otsu的网格化算法 |
| (三)网格线优化 |
| (四)图像网格化的评价 |
| (五)本章小结 |
| 三、基于Otsu的生物芯片图像网格定位算法 |
| (一)理论分析 |
| 1、形态学方法 |
| 2、Otsu方法 |
| (二)算法提出 |
| 1、阈值的选取 |
| 2、网格线的判断及调整 |
| 3、网格化算法具体流程 |
| (三)生物芯片图像分析 |
| (四)基于荧光生物芯片图像的实验结果与分析 |
| 1、实验结果 |
| 2、实验分析 |
| (五)基于多孔硅微阵列的反射光图像实验结果与分析 |
| 1、实验结果 |
| 2、实验分析 |
| (六)结论 |
| 四、基于多孔硅微阵列的反射光图像网格化系统设计 |
| (一)基础知识 |
| 1、系统设计准则 |
| 2、系统设计的一般步骤 |
| 3、控制框及属性 |
| (二)基于MATL AB GUI的网格化系统设计 |
| 1、该系统的用户界面设计 |
| 2、程序实现 |
| (三)系统操作流程 |
| (四)系统效果图展示及分析 |
| (五)总结 |
| 五、总结与展望 |
| (一)本文主要研究内容 |
| (二)研究展望 |
| 参考文献 |
| 硕士研究生期间发表论文情况 |
| 致谢 |
（3）基于深度学习的基因芯片图像分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 基因芯片图像国内外研究现状 |
| 1.3 深度学习的发展与现状 |
| 1.4 论文主要内容及安排 |
| 第二章 基因芯片图像预处理与网格定位 |
| 2.1 基因芯片简介 |
| 2.2 基因芯片的获取 |
| 2.3 基因芯片图像预处理 |
| 2.3.1 图像质量分析 |
| 2.3.2 灰度变换 |
| 2.3.3 对比度增强 |
| 2.3.4 去噪处理 |
| 2.4 基因芯片图像网格定位 |
| 2.5 本章小结 |
| 第三章 基因芯片图像分割方法及深度学习方法 |
| 3.1 图像分割聚类分类算法概述 |
| 3.2 基于K-means算法的图像分割 |
| 3.3 基于模糊局部信息C-means算法的图像分割 |
| 3.4 基于SVM算法的图像分割 |
| 3.4.1 支持向量机 |
| 3.4.2 图像特征提取 |
| 3.5 深度学习概述 |
| 3.6 卷积神经网络 |
| 3.7 卷积神经网络结构与训练方法 |
| 3.8 本章小结 |
| 第四章 基于深度学习的基因芯片图像分割 |
| 4.1 方法提出 |
| 4.2 构建训练集 |
| 4.2.1 模拟数据集 |
| 4.2.2 真实数据集 |
| 4.3 深度学习框架Caffe的配置及原理 |
| 4.3.1 Caffe框架介绍 |
| 4.3.2 Caffe框架搭建 |
| 4.4 卷积神经网络模型的创建 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 第五章 信号提取以及数据分析 |
| 5.1 信号提取 |
| 5.2 数据表达 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读学位期间科研成果 |
| 致谢 |
（4）基于EED滤波和Snake模型的基因芯片图像分割算法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题依据与意义 |
| 1.2 基因芯片图像处理技术在国内外研究现状 |
| 1.3 论文主要内容及安排 |
| 第二章 基因芯片综述 |
| 2.1 基因芯片概念 |
| 2.2 基因芯片的制成 |
| 2.3 基因芯片技术的应用 |
| 第三章 数字图像预处理技术 |
| 3.1 数字图像 |
| 3.2 图像灰度处理 |
| 3.3 滤波去噪 |
| 3.3.1 几种常见的噪声模型 |
| 3.3.2 平滑滤波 |
| 3.3.3 锐化滤波器 |
| 3.3.4 形态学滤波 |
| 3.4 本章小结 |
| 第四章 基于 EED 滤波的基因芯片处理 |
| 4.1 EED 算法概述 |
| 4.1.1 传统 nonlinear diffusion 滤波 |
| 4.1.2 EED 滤波算法 |
| 4.2 基于 EED 滤波的实验结果分析 |
| 4.3 几种滤波效果的比较 |
| 4.4 本章小结 |
| 第五章 基因芯片图像分割 |
| 5.1 图像分割概述 |
| 5.2 常用的图像分割算法 |
| 5.2.1 边缘点检测分割算法 |
| 5.2.2 基于像素相似性的分割 |
| 5.2.3 基于其他理论的图像分割技术 |
| 5.3 基因芯片常用分割方法 |
| 5.3.1 基于网格的圆形分割法 |
| 5.3.2 基于 Mann-whitney 检验的分割方法 |
| 5.3.3 Matarray 分割算法 |
| 5.3.4 最大方差阈值分割 |
| 5.4 基于 SNAKE 模型的基因芯片图像分割 |
| 5.4.1 传统 Snake 模型算法 |
| 5.4.2 基于 Snake 的边界保护的梯度矢量流 |
| 5.4.3 基于 Snake 的局部二值适应性主动轮廓线模型 |
| 5.4.4 基于 Snake 模型的基因芯片分割应用 |
| 5.4.5 Watershed 分割法 |
| 5.5 本章小结 |
| 第六章 亮度信号的可视化表达 |
| 6.1 基因芯片信号亮度计算与表达 |
| 6.1.1 亮度均值计算 |
| 6.1.2 数据表达 |
| 6.2 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 攻读学位期间本人出版或公开发表的论着、论文 |
| 致谢 |
（5）基因芯片识别系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题背景及研究意义 |
| 1.3 基因芯片技术介绍 |
| 1.3.1 基因芯片技术的主要步骤 |
| 1.3.2 基因芯片图像的采集 |
| 1.4 基因芯片识别系统介绍 |
| 1.5 国内外研究现状 |
| 1.5.1 图像预处理 |
| 1.5.2 基因芯片图像识别 |
| 1.5.3 数据提取和数据分析 |
| 1.6 基因芯片识别系统应用领域 |
| 1.7 论文章节安排 |
| 第2章 基因芯片图像预处理 |
| 2.1 引言 |
| 2.2 图像灰度化 |
| 2.3 图像滤波 |
| 2.3.1 中值滤波 |
| 2.3.2 自适应中值滤波 |
| 2.4 图像增强 |
| 2.4.1 直方图均衡化 |
| 2.4.2 对比度增强法 |
| 2.5 本章小结 |
| 第3章 基因芯片图像识别 |
| 3.1 引言 |
| 3.2 图像网格定位 |
| 3.2.1 投影法网格定位 |
| 3.2.2 改进的网格定位算法 |
| 3.3 图像分割 |
| 3.3.1 阈值分割算法 |
| 3.3.2 迭代法 |
| 3.3.3 最大类间差算法 |
| 3.3.4 最小误差阈值算法 |
| 3.4 边缘检测算法 |
| 3.5 本章小结 |
| 第4章 数据提取和数据分析 |
| 4.1 引言 |
| 4.2 数据提取的主要参数 |
| 4.2.1 基因样点平均灰度 |
| 4.2.2 基因样点形态参数 |
| 4.3 数据提取方法 |
| 4.3.1 平均灰度和面积的计算 |
| 4.3.2 周长和圆度的计算 |
| 4.4 数据分析 |
| 4.4.1 k 均值聚类算法 |
| 4.4.2 层次聚类分析法 |
| 4.4.3 模糊聚类分析法 |
| 4.5 本章小结 |
| 第5章 实验与结果 |
| 5.1 引言 |
| 5.2 基因芯片图像的来源 |
| 5.2.1 基因芯片制备原理 |
| 5.2.2 基因芯片设计 |
| 5.3 基因芯片图像分析 |
| 5.3.1 基因芯片图像预处理 |
| 5.3.2 基因芯片图像识别 |
| 5.4 数据提取和数据分析 |
| 5.4.1 k 均值聚类分析 |
| 5.4.2 层次聚类分析 |
| 5.4.3 模糊聚类分析 |
| 5.5 效果评估 |
| 5.6 本章小结 |
| 第6章 全文总结 |
| 6.1 本文的研究背景与研究目标 |
| 6.2 本文完成的主要工作 |
| 6.3 需要解决的问题 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（6）基于粒子群优化的Fuzzy c-mean聚类算法的基因芯片图像处理（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题的依据与意义 |
| 1.2 基因芯片图像处理的研究现状 |
| 1.3 论文各部分主要内容 |
| 第二章 基因芯片概况 |
| 2.1 基因芯片简介 |
| 2.2 基因芯片制备 |
| 2.3 基因芯片技术的应用领域与意义 |
| 第三章 基因芯片图像预处理 |
| 3.1 灰度处理 |
| 3.1.1 灰度转换 |
| 3.1.2 常用的灰度变换处理 |
| 3.2 滤波处理 |
| 3.2.1 主要的噪声模型 |
| 3.2.2 频率域滤波 |
| 3.3 本章小结 |
| 第四章 网格定位 |
| 4.1 网格定位概述和常用方法 |
| 4.2 常用的网格定位方法 |
| 4.3 基于像素投影的网格定位 |
| 4.4 本章小结 |
| 第五章 基因芯片图像分割 |
| 5.1 图像分割概述 |
| 5.2 常用的图像分割方法 |
| 5.2.1 基于像素不连续性的分割算法 |
| 5.2.2 基于像素相似性的分割算法 |
| 5.3 常用的基因芯片图像分割算法 |
| 5.3.1 固定圆分割法 |
| 5.3.2 自适应圆分割法 |
| 5.3.3 基于形态学分水岭的分割方法 |
| 5.3.4 基于Mann-whitney 检验的分割方法 |
| 5.3.5 Matarray 分割算法 |
| 5.4 基于Fuzzy c-mean 聚类算法的基因芯片图像分割方法 |
| 5.5 基于模糊核聚类算法的基因芯片图像分割方法 |
| 5.6 基于粒子群优化的Fuzzy c-mean 聚类算法的基因芯片图像分割方法 |
| 5.6.1 粒子群算法 |
| 5.6.2 基于粒子群优化的Fuzzy c-mean聚类算法的基因芯片图像分割方法 |
| 5.7 图像分割效果评价 |
| 5.7.1 分析方法的常用准则 |
| 5.7.2 优度值方法常用准则 |
| 5.7.3 误差测量方法 |
| 5.7.4 最终测量精度准则 |
| 5.7.5 合成图的优点和使用 |
| 5.8 基于最终精度准则的基因芯片图像分割效果评价 |
| 5.9 综合评价 |
| 5.10 本章小结 |
| 第六章 信号提取 |
| 6.1 信号强度计算 |
| 6.2 可视化表达 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 参考文献 |
| 攻读学位期间本人出版或公开发表的论着、论文 |
| 致谢 |
（9）基因芯片图像去噪方法研究进展（论文提纲范文）
| 1 基因芯片信息处理关键技术概述 |
| 2 基因芯片图像噪声特点 |
| 3 基因芯片图像的去噪技术 |
| 3.1 基因芯片图像的均值滤波去噪 |
| 3.2 基因芯片图像的中值滤波去噪 |
| 3.3 基因芯片图像的数学形态学滤波去噪 |
| 3.4 小波变换基因芯片去噪 |
四、数学形态学方法处理基因芯片的扫描图像（论文参考文献）
- [1]基因芯片图像的自适应增强与分割算法研究[D]. 李东耀. 厦门大学, 2018(07)
- [2]生物芯片图像网格化方法研究及应用[D]. 王丽娟. 新疆大学, 2018(12)
- [3]基于深度学习的基因芯片图像分割算法研究[D]. 上官亚力. 厦门大学, 2017(05)
- [4]基于EED滤波和Snake模型的基因芯片图像分割算法研究[D]. 周梁. 苏州大学, 2014(10)
- [5]基因芯片识别系统研究[D]. 尹宁. 吉林大学, 2012(01)
- [6]基于粒子群优化的Fuzzy c-mean聚类算法的基因芯片图像处理[D]. 李知瑶. 苏州大学, 2011(06)
- [7]基于数学形态学的基因芯片图像高亮噪声处理[J]. 邵桂芳,罗林开,周绮凤,陈光磊. 信息与控制, 2009(03)
- [8]基因芯片图像高亮噪声处理算法研究[J]. 邵桂芳,李刚,李铁军,张倩. 厦门大学学报(自然科学版), 2009(03)
- [9]基因芯片图像去噪方法研究进展[J]. 陆琳,孙福军,侯明. 检验检疫科学, 2007(Z1)
- [10]一种基因芯片图像滤波混合法[J]. 金龙,唐玉荣,张彦娥. 农业网络信息, 2006(08)