摘要
由于噪声、结构差异、背景复杂性、纹理不清晰以及同类样本之间的相似性，如何准确对显微图像中的花粉颗粒进行分类仍是一项挑战。为解决这些问题，本研究提出了一种混合框架，该框架结合了轮廓信号建模、频谱小波分析以及深度学习技术，以实现更可靠的显微花粉图像识别。在所提出的方法中，首先将显微花粉图像转换为基于轮廓的点信号表示，从而能够将物体边界视为结构化的一维信号来分析。为提升实际成像条件下的信号质量，该框架采用了高斯滤波、中值滤波以及基于轮廓的滤波技术，同时还包含了缺陷点的检测与修正功能。处理后的轮廓信号随后通过傅里叶变换、连续小波变换和离散小波变换进行分析，以此提取互补的全局和局部特征描述符。这些经过处理的特征会被输入到卷积神经网络中，用于最终的分类。在包含七类显微花粉图像的数据集上进行的实验表明，所提出的方法优于传统的计算机视觉方法和基础深度学习方法。性能最佳的混合配置的错误率为6.4%，整体分类准确率为0.977，F1值为0.966，而传统计算机视觉方法的相应数值仅为0.837。这些结果证实，将基于轮廓的信号处理与分层深度特征学习相结合，是一种有效且抗噪声的显微花粉图像识别策略。不过，目前的验证仅限于花粉图像，还需要在更广泛的显微物体数据集上进行进一步实验，以评估该方法在纳米粒子、纤维、棒状物以及合成微结构等其他微观物体类别上的适用性。
