用于生物細(xì)胞顯微鏡圖像分類的特征子空間集成方法
【專利摘要】本發(fā)明公開(kāi)了一種用于生物細(xì)胞顯微鏡圖像分類的特征子空間集成方法，包括提取待分類的生物細(xì)胞顯微鏡圖像的特征；使用核主成分分析法（KPCA）對(duì)提取的生物細(xì)胞顯微鏡圖像的三種圖像特征構(gòu)建特征子空間模型，使每類生物細(xì)胞顯微鏡圖像具有三個(gè)特征子空間；采用每一類已訓(xùn)練好的三個(gè)特征子空間對(duì)待分類的生物細(xì)胞顯微鏡圖像重建三種圖像特征，得到由每一類中各特征子空間對(duì)待分類圖像特征的重建結(jié)果，通過(guò)各個(gè)特征子空間重建結(jié)果與原提取的圖像特征向量的比較獲得分類圖像對(duì)每一類的分類置信度；將待分類圖像將分類到置信度最高的類別當(dāng)中。該方法可以有效地降低特征維數(shù)，提高集成分類器的多樣性，進(jìn)一步提升分類效果。
【專利說(shuō)明】用于生物細(xì)胞顯微鏡圖像分類的特征子空間集成方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于智能圖像分析領(lǐng)域，尤其是生物細(xì)胞顯微鏡圖像的分類研究，具體涉及一種用于生物細(xì)胞顯微鏡圖像分類的特征子空間集成方法。
【背景技術(shù)】
[0002]細(xì)胞顯微鏡成像技術(shù)對(duì)于理解細(xì)胞的功能以及構(gòu)造方式是至關(guān)重要的，對(duì)于許多疾病的診斷、分類，細(xì)胞組織鏡下活檢已經(jīng)成為了診斷的金標(biāo)準(zhǔn)。然而，大量的病理活檢成像對(duì)于醫(yī)學(xué)圖像分析師來(lái)說(shuō)會(huì)造成巨大的工作負(fù)擔(dān)；人工檢測(cè)有時(shí)因?yàn)榉N種外部因素(如疲勞、經(jīng)驗(yàn)不足等)也很可能造成錯(cuò)檢和漏檢，因此，自動(dòng)的細(xì)胞顯微鏡圖像檢測(cè)技術(shù)成為近年來(lái)研究的熱點(diǎn)。
[0003]目前廣泛使用的亞細(xì)胞蛋白質(zhì)位置檢測(cè)方法是熒光顯微法。近年來(lái)，有很多基于熒光顯微鏡圖像的細(xì)胞檢測(cè)方法，以正細(xì)胞圖像分割為基礎(chǔ)，顯型檢測(cè)問(wèn)題就成為了一個(gè)多類的圖像分類問(wèn)題，包含兩個(gè)主要的步驟:特征表示和分類。
[0004]一般來(lái)說(shuō)，大部分的基于圖像的細(xì)胞結(jié)構(gòu)分析使用多種圖像特征的組合來(lái)表示圖像，例如，形態(tài)學(xué)、邊緣、紋理、幾何特征、矩，以及小波特征。近年來(lái)，圖像特征描述方法的進(jìn)步產(chǎn)生了一些“拿來(lái)即用”的特征提取方法，這些方法可以直接應(yīng)用于生物圖像分析領(lǐng)域。
[0005]另一方面，大量的機(jī)器學(xué)習(xí)和智能計(jì)算方法已經(jīng)進(jìn)入到生物體圖像分析領(lǐng)域，例如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。這些工具已經(jīng)廣泛地用于熒光顯微鏡圖像的分類以及亞細(xì)胞蛋白質(zhì)的分類中。然而，生物顯微鏡圖像具有一個(gè)顯著的特點(diǎn):圖像具有較大的類間相似性和類內(nèi)相異性，這決定了使用常用的分類器難以達(dá)到很好的分類邊界。此外，由于多種圖像特征的組合使用，特征的維數(shù)不斷增加，使得特征向量的維數(shù)超過(guò)了訓(xùn)練集的樣本數(shù)。本發(fā)明因此而來(lái)。
【發(fā)明內(nèi)容】
[0006]本發(fā)明目的在于提供一種用于生物細(xì)胞顯微鏡圖像分類的特征子空間集成方法，解決了現(xiàn)有技術(shù)中圖像分類效果差、分類精度差等問(wèn)題。
[0007]為了解決現(xiàn)有技術(shù)中的這些問(wèn)題，本發(fā)明提供的技術(shù)方案是:
[0008]一種用于生物細(xì)胞顯微鏡圖像分類的特征子空間集成方法，其特征在于所述方法包括以下步驟:
[0009](I)通過(guò)以下方法提取待分類的生物細(xì)胞顯微鏡圖像的特征:
[0010]i )將生物細(xì)胞顯微鏡圖像變換到不同的頻率子帶(Sub-band)中，然后對(duì)各個(gè)頻率子帶進(jìn)行特征統(tǒng)計(jì)；以及
[0011]ii)采用灰度共生矩陣的多個(gè)統(tǒng)計(jì)特征得到生物細(xì)胞顯微鏡圖像的全局紋理特征；以及
[0012]iii)通過(guò)完整局部二值模式提取生物顯微鏡圖像的局部紋理特征；
[0013](2)使用核主成分分析法(KPCA)對(duì)提取的生物細(xì)胞顯微鏡圖像的三種圖像特征構(gòu)建特征子空間模型，使每類生物細(xì)胞顯微鏡圖像具有三個(gè)特征子空間；
[0014](3)采用每一類已訓(xùn)練好的三個(gè)特征子空間對(duì)待分類的生物細(xì)胞顯微鏡圖像重建三種圖像特征，得到由每一類中各特征子空間對(duì)待分類圖像特征的重建結(jié)果，通過(guò)各個(gè)特征子空間重建結(jié)果與原提取的圖像特征向量的比較獲得分類圖像對(duì)每一類的分類置信度；將待分類圖像將分類到置信度最高的類別當(dāng)中。
[0015]優(yōu)選的，所述方法步驟(2)中核主成分分析法(KPCA)按照如下步驟進(jìn)行:
[0016]I)將所提取的η個(gè)圖像(每一圖像由m維特征向量描述)的一批數(shù)據(jù)記為一個(gè)
(mXn)維數(shù)據(jù)矩陣
【權(quán)利要求】
1.一種用于生物細(xì)胞顯微鏡圖像分類的特征子空間集成方法，其特征在于所述方法包括以下步驟: (1)通過(guò)以下方法提取待分類的生物細(xì)胞顯微鏡圖像的特征: i )將生物細(xì)胞顯微鏡圖像變換到不同的頻率子帶(Sub-band)中，然后對(duì)各個(gè)頻率子帶進(jìn)行特征統(tǒng)計(jì)；以及 ii)采用灰度共生矩陣的多個(gè)統(tǒng)計(jì)特征得到生物細(xì)胞顯微鏡圖像的全局紋理特征；以及 iii)通過(guò)完整局部二值模式提取生物細(xì)胞顯微鏡圖像的局部紋理特征； (2)使用核主成分分析法(KPCA)對(duì)提取的生物細(xì)胞顯微鏡圖像的三種圖像特征構(gòu)建特征子空間模型，使每類生物細(xì)胞顯微鏡圖像具有三個(gè)特征子空間； (3)采用每一類已訓(xùn)練好的三個(gè)特征子空間對(duì)待分類的生物細(xì)胞顯微鏡圖像重建三種圖像特征，得到由每一類中各特征子空間對(duì)待分類圖像特征的重建結(jié)果，通過(guò)各個(gè)特征子空間重建結(jié)果與原提取的圖像特征向量的比較獲得分類圖像對(duì)每一類的分類置信度；將待分類圖像將分類到置信度最高的類別當(dāng)中。
2.根據(jù)權(quán)利要求1所述的分類方法，其特征在于所述方法步驟(2)中核主成分分析法(KPCA)按照如下步驟進(jìn)行: 1)將所提取的η個(gè)圖像(每一圖像由m維特征向量描述)的一批數(shù)據(jù)記為一個(gè)(mXn)
維數(shù)據(jù)矩陣
3.根據(jù)權(quán)利要求1所述的分類方法，其特征在于所述方法中進(jìn)行待分類生物細(xì)胞顯微鏡圖像的分類方法具體步驟包括: 1)使用每一類已訓(xùn)練好的相應(yīng)特征子空間對(duì)待分類的生物細(xì)胞顯微鏡圖像的三種圖像特征分別進(jìn)行重建，得到由每一類中各特征子空間對(duì)待分類圖像特征的重建結(jié)果，即
Ym1、Ym2、Ym3
其中，m=l，...，(:，(:為總類別個(gè)數(shù)； 2)使用每一類已訓(xùn)練好的相應(yīng)特征子空間對(duì)Yl、Y2和Y3分別進(jìn)行重建(Preimagereconstruction),得到由每一類中各特征子空間對(duì)待分類圖像特征的重建結(jié)果，即
Y1m = KSm1. Y1；
【文檔編號(hào)】G06K9/66GK103902997SQ201210572602
【公開(kāi)日】2014年7月2日 申請(qǐng)日期:2012年12月26日 優(yōu)先權(quán)日:2012年12月26日
【發(fā)明者】張百靈, 張?jiān)聘? 申請(qǐng)人:西交利物浦大學(xué)