基于改进型AdaBoost网络模型的斑马鱼胚胎血管识别

杨玮婕; 徐建瑜

doi:10.13873/J.1000-9787(2017)08-0141-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于改进型AdaBoost网络模型的斑马鱼胚胎血管识别

计算与测试 | 更新时间：2025-09-11

- 基于改进型AdaBoost网络模型的斑马鱼胚胎血管识别
- Recognition of blood vessels in image of zebrafish embryo based on improved AdaBoost network model
- 传感器与微系统 2017年36卷第8期页码：141-144
- 作者机构：
  
  宁波大学信息科学与工程学院
- 作者简介：
- 基金信息：
- DOI：10.13873/J.1000-9787(2017)08-0141-04
  中图分类号： R965;TP391.41
- 纸质出版：2017
- 稿件说明：
移动端阅览
[1]杨玮婕,徐建瑜.基于改进型AdaBoost网络模型的斑马鱼胚胎血管识别[J].传感器与微系统,2017,36(08):141-144.

YANG Wei-jie, XU Jian-yu. Recognition of blood vessels in image of zebrafish embryo based on improved AdaBoost network model[J]. 2017, 36(8): 141-144.
[1]杨玮婕,徐建瑜.基于改进型AdaBoost网络模型的斑马鱼胚胎血管识别[J].传感器与微系统,2017,36(08):141-144. DOI： 10.13873/J.1000-9787(2017)08-0141-04.

YANG Wei-jie, XU Jian-yu. Recognition of blood vessels in image of zebrafish embryo based on improved AdaBoost network model[J]. 2017, 36(8): 141-144. DOI： 10.13873/J.1000-9787(2017)08-0141-04.

摘要

基于图像特征与改进型AdaBoost网络模型

对斑马鱼节间血管的识别进行了研究。对3组斑马鱼胚胎荧光图像训练集的节间血管进行正负样本选取

使用Haar-like特征图提取图像特征

通过AdaBoost网络模型对所提取的特征训练形成级联分类器

根据识别效果

调整改进网络的系数得到改进型级联分类器

最终实现了节间血管的精确识别和统计。实验结果表明:对于节间血管提取的准确率和识全率分别达到了93.8%和91.1%

说明该算法检测准确率高

对不同组别图像均有稳定的检测效果。

Abstract

Based on image feature and improved AdaBoost network model

recognition of zebrafish interstitial blood vessels of is studied. Positive and negative samples are selected from training set of three zebrafish embryo fluorescence image groups

and Haar-like feature maps are used to extract features. According to the recognition effect

adjust the coefficient of the improved network to obtain the improved cascade classifier. Accurate identification and statistics of the interstitial blood vessels are obtained. Experimental results show that the accuracy and efficiency of interstitial blood vessels extraction are 93. 8 % and 91. 1 % respectively

which indicates that the algorithm has high detection accuracy rate and has stable detection effect on different image groups.

关键词

Keywords

references

基于几何特征与新Haar特征的人脸检测算法 [J]. 糜元根,陈丹驰,季鹏. 传感器与微系统 . 2017(02)

基于斑马鱼模型的药物毒性研究进展与中药毒性研究新策略 [J]. 彭蕴茹,韦英杰,丁永芳,段金廒. 中草药 . 2017(01)

Adaboost集成BP神经网络在火电厂SO 2 浓度检测中的应用 [J]. 严玥,严实,杨永斌,江赟. 传感器与微系统 . 2016(09)

基于HSV模型和改进AdaBoost算法的车牌检测 [J]. 王毅,王创新,卢进,盛文正. 电子科技 . 2015(02)

AdaBoost人脸检测算法的改进 [J]. 刘晓芳,夏哲雷,王孝卫. 电视技术 . 2014(15)

基于小波变换的人脸识别方法 [J]. 叶超,姚竹亭. 电子世界 . 2014(04)

过山枫有效成分南蛇藤素和扁蒴藤素对斑马鱼节间血管生成的抑制作用研究 [J]. 赵洋,颜妙虹,白殊同,佟丽,陈晓辉. 中药新药与临床药理 . 2013(06)

基于改进的AdaBoost算法的人脸检测与定位 [J]. 徐前,赵德安,赵建波. 传感器与微系统 . 2010(01)

基于Gabor小波和SVM的人脸识别算法研究 [D]. 叶超. 中北大学 2014

斑马鱼肌间骨的自动提取 [D]. 费晓行. 南京理工大学 2009

Design of coupled strong classifiers in AdaBoost framework and its application to pedestrian detection [J] . Kang-Kook Kong,Ki-Sang Hong. Pattern Recognition Letters . 2015

An algorithm for accuracy enhancement of license plate recognition [J] . Lihong Zheng,Xiangjian He,Bijan Samali,Laurence T. Yang. Journal of Computer and System Sciences . 2013 (2)

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于FMCW雷达的非接触式情感识别

基于高效通道注意力网络的人脸表情识别

基于改进YOLOv3的有遮挡行人检测

基于电子鼻的呼气无创肝癌检测方法研究

基于改进深度森林的小目标检测算法