39、核识别与文本特征选择技术探索

核识别与文本特征选择技术探索

核识别的迭代条件模式方法

在图像分析领域，核识别是一项关键任务，尤其是在细胞学图像分析中，核分割是分析的重要步骤。传统的图像处理方法，如图像阈值处理、边缘检测或主动轮廓等，往往难以准确提取细胞核。而迭代条件模式（ICM）方法为核识别提供了一种新的途径。

似然函数与对数似然比

似然函数 (l(y|x)) 用于评估从给定配置 (x) 获得图像 (y) 的可能性。假设像素 (y_t) 条件独立，似然函数的形式为：
[l(y|x) = \prod_{y_t\in S(x)} g(y_t|\theta_N) \prod_{y_t\in S\setminus S(x)} g(y_t|\theta_B)]
其中，(g(y_t|\theta_N)) 和 (g(y_t|\theta_B)) 分别是定义细胞核和背景强度的统计模型的概率质量函数，(\theta_N) 和 (\theta_B) 代表这些模型的参数，(S(x)) 是配置 (x) 的轮廓。

由于似然值通常非常小，会导致数值计算问题，因此在使用最陡上升法或坐标优化法时，使用对数似然比更为方便：
[\ln\left(\frac{l(x^{(k - 1)} \cup u_j|y)}{l(x^{(k - 1)}|y)}\right) = \sum_{y_t\in S(x\cup u_j)} \ln\left(g(y_t|\theta_F)\right) + \sum_{y_t\in S\setminus S(x\cup u_j)} \ln\left(g(y_t|\theta_B)\right) - \sum_{y_t\in S(x)} \ln\left(g(y_t|