一種基于相關(guān)向量機(jī)的白細(xì)胞自動(dòng)識(shí)別方法
【專利摘要】本發(fā)明提出了一種基于相關(guān)向量機(jī)的白細(xì)胞自動(dòng)識(shí)別方法，所述方法利用血液顯微圖像特征的色調(diào)信息，通過基于相關(guān)向量機(jī)的灰度圖像分割方法完成色調(diào)圖像的粗分割；借助模糊細(xì)胞神經(jīng)網(wǎng)絡(luò)FCNN檢出所有白細(xì)胞；使用聚類分析法確定閾值，結(jié)合閾值分割和二值形態(tài)學(xué)方法對包含單個(gè)白細(xì)胞的局部圖像分別進(jìn)行細(xì)分割；在前一步得到的局部圖像的基礎(chǔ)上，提取最具有代表性的白細(xì)胞特征，包括形態(tài)、彩色和紋理等三類共47個(gè)特征；利用支持向量機(jī)完成對白細(xì)胞的識(shí)別與分類。該方法分類識(shí)別效果理想，穩(wěn)定性高，具有較好的魯棒性。為醫(yī)生診斷提供有價(jià)值的信息，有助于對細(xì)胞進(jìn)行快速、準(zhǔn)確地定量分析研究。
【專利說明】一種基于相關(guān)向量機(jī)的白細(xì)胞自動(dòng)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于醫(yī)學(xué)圖像處理【技術(shù)領(lǐng)域】，具體指的是一種基于相關(guān)向量機(jī)的白細(xì)胞自動(dòng)識(shí)別方法。
【背景技術(shù)】
[0002]通過對血液中各類白細(xì)胞數(shù)量和形態(tài)的改變進(jìn)行檢驗(yàn)，常常能夠?yàn)獒t(yī)生診斷提供有價(jià)值的信息，有助于對一些疾病的確診。定量細(xì)胞學(xué)、分子生物學(xué)、細(xì)胞免疫學(xué)等新的醫(yī)學(xué)分支的出現(xiàn)，使得對細(xì)胞進(jìn)行快速、準(zhǔn)確地定量分析研究的要求顯得更為迫切。然而，由專家通過顯微鏡用肉眼檢驗(yàn)，費(fèi)時(shí)費(fèi)力，工作量十分繁重，且識(shí)別誤差受專家的經(jīng)驗(yàn)、疲勞程度等主觀因素影響較大。隨著計(jì)算機(jī)圖像處理技術(shù)、模式識(shí)別及神經(jīng)網(wǎng)絡(luò)的迅速發(fā)展，利用這些先進(jìn)技術(shù)來輔助進(jìn)行血細(xì)胞形態(tài)識(shí)別和計(jì)數(shù)已經(jīng)成為血液學(xué)檢驗(yàn)技術(shù)發(fā)展的必然趨勢。國內(nèi)外研究表明，白細(xì)胞圖像分割，即將細(xì)胞核、細(xì)胞漿與背景分離，是整個(gè)白細(xì)胞自動(dòng)識(shí)別系統(tǒng)中最基本也是最為關(guān)鍵的一個(gè)環(huán)節(jié)，其準(zhǔn)確性和穩(wěn)定性直接影響到系統(tǒng)的識(shí)別準(zhǔn)確率和運(yùn)行速度。原因在于光照、染色等客觀因素會(huì)引起細(xì)胞顯微圖像的成像質(zhì)量下降，并且難以控制。所以，同一個(gè)白細(xì)胞在不同外部條件下有可能在顏色、背景，甚至顆粒方面表現(xiàn)不同。有時(shí)候由于操作不規(guī)范，顯微圖像中的白細(xì)胞可能被污潰污染。加之光照、染色等因素的不一致性使得彼此的區(qū)別變得更加困難。
[0003]相關(guān)向量機(jī)是在貝葉斯框架下進(jìn)行的，在先驗(yàn)參數(shù)的結(jié)構(gòu)下基于主動(dòng)相關(guān)決策理論來移除不相關(guān)的點(diǎn)，從而獲得稀疏化的一種新的監(jiān)督學(xué)習(xí)方法。
[0004]HLS (Hue, Lightness, Saturation色調(diào)、亮度、飽和度)模型是一種常用的視覺顏色模型。
[0005]支持向量機(jī)將特征向量映射到一個(gè)更高維的空間里，在這個(gè)空間里建立一個(gè)最大間隔超平面。它在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中。

【發(fā)明內(nèi)容】

[0006]本發(fā)明所要解決的技術(shù)問題是為了克服現(xiàn)有技術(shù)的不足，提出一種對血液顯微圖像中的白細(xì)胞實(shí)現(xiàn)自動(dòng)識(shí)別和分類的方法。所述方法顯著提高整個(gè)白細(xì)胞自動(dòng)識(shí)別計(jì)數(shù)系統(tǒng)的使用性能，大大減輕醫(yī)生閱片的勞動(dòng)強(qiáng)度，提高診斷精度，便于對細(xì)胞進(jìn)行快速準(zhǔn)確的定量分析研究。
[0007]為了解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是:
[0008]一種基于相關(guān)向量機(jī)的白細(xì)胞自動(dòng)識(shí)別方法，包括如下步驟:
[0009]步驟A，采集彩色血液顯微圖像數(shù)據(jù)；
[0010]步驟B，對步驟A得到的顯微圖像數(shù)據(jù)進(jìn)行中值濾波，得到中值濾波圖像。
[0011]步驟C，將步驟B得到的中值濾波圖像映射到HLS彩色空間，得到色調(diào)圖像；
[0012]步驟D，對步驟C得到的色調(diào)圖像使用基于相關(guān)向量機(jī)的灰度圖像分割方法進(jìn)行分割，得到粗分割圖像；
[0013]步驟E,對步驟D得到的粗分割圖像，使用模糊細(xì)胞神經(jīng)網(wǎng)絡(luò)(Fuzzy CellularNeural Network一FCNN)檢出其中的白細(xì)胞區(qū)域圖像；
[0014]步驟F，對步驟E得到的每個(gè)白細(xì)胞區(qū)域圖像，使用聚類分析法確定閾值，結(jié)合閾值分割和二值形態(tài)學(xué)方法進(jìn)行細(xì)分割，得到細(xì)胞核局部圖像、細(xì)胞漿局部圖像和背景圖像；
[0015]步驟G，對步驟F得到的細(xì)胞核局部圖像和細(xì)胞漿局部圖像抽取最具有代表性的47個(gè)特征；
[0016]步驟H，將步驟G獲得的47個(gè)特征作為輸入向量，利用支持向量機(jī)完成對白細(xì)胞的識(shí)別與分類；
[0017]步驟I，待步驟E得到的全部白細(xì)胞區(qū)域圖像處理完畢，統(tǒng)計(jì)并輸出對步驟A得到的圖像數(shù)據(jù)的最終識(shí)別結(jié)果。
[0018]步驟D中，所述色調(diào)圖像粗分割的過程如下:
[0019]步驟D-1，對所述步驟C得到的色調(diào)圖像構(gòu)建一個(gè)直方圖；
[0020]步驟D-2，借助相關(guān)向量機(jī)對步驟D-1得到的直方圖進(jìn)行函數(shù)擬合，找到相關(guān)向量集;
[0021]步驟D-3，在步驟D-2找到的相關(guān)向量集中自適應(yīng)選擇閾值，即根據(jù)擬合曲線的一階導(dǎo)數(shù)信息，選擇位于負(fù)值向正值過渡拐點(diǎn)附近的相關(guān)向量作為閾值；
[0022]步驟D-4，用步驟D-3獲得的閾值對步驟C得到的色調(diào)圖像進(jìn)行閾值分割。
[0023]步驟G中，所述細(xì)胞核局部圖像和細(xì)胞漿局部圖像特征抽取的過程如下:
[0024]步驟G-1，對步驟F得到的細(xì)胞核局部圖像和細(xì)胞漿局部圖像抽取7個(gè)形態(tài)特征參數(shù)，以定量描述白細(xì)胞、細(xì)胞核的葉數(shù)、形狀、大小、輪廓的規(guī)則程度；
[0025]步驟G-2，對步驟F得到的細(xì)胞核局部圖像和細(xì)胞漿局部圖像抽取24個(gè)彩色特征參數(shù)，以定量描述白細(xì)胞、細(xì)胞核和細(xì)胞漿的亮度、色調(diào)、飽和度；
[0026]步驟G-3，對步驟F得到的細(xì)胞核局部圖像抽取16個(gè)統(tǒng)計(jì)紋理參數(shù)，以定量描述細(xì)胞核的紋理特征。
[0027]本發(fā)明的有益效果是:本發(fā)明提出了一種基于相關(guān)向量機(jī)的白細(xì)胞自動(dòng)識(shí)別方法，所述方法利用血液顯微圖像特征的色調(diào)信息，通過基于相關(guān)向量機(jī)的灰度圖像分割方法完成色調(diào)圖像的粗分割；借助FCNN檢出所有白細(xì)胞；使用聚類分析法確定閾值，結(jié)合閾值分割和二值形態(tài)學(xué)方法對包含單個(gè)白細(xì)胞的局部圖像分別進(jìn)行細(xì)分割；在前一步得到的局部圖像的基礎(chǔ)上，提取最具有代表性的白細(xì)胞特征，包括形態(tài)、彩色和紋理等三類共47個(gè)特征；利用支持向量機(jī)完成對白細(xì)胞的識(shí)別與分類。該方法分類識(shí)別效果理想，穩(wěn)定性高，具有較好的魯棒性。為醫(yī)生診斷提供有價(jià)值的信息，有助于對細(xì)胞進(jìn)行快速、準(zhǔn)確地定量分析研究。
【專利附圖】

【附圖說明】
[0028]圖1是本發(fā)明的基于相關(guān)向量機(jī)的血液白細(xì)胞識(shí)別方法的流程圖。
[0029]圖2是根據(jù)本發(fā)明的基于相關(guān)向量機(jī)的灰度圖像分割方法的流程圖。
[0030]圖3是根據(jù)本發(fā)明的特征抽取方法的流程圖。[0031]圖4是細(xì)胞核凹度參數(shù)計(jì)算示意圖。
【具體實(shí)施方式】
[0032]下面結(jié)合附圖，對本發(fā)明提出的基于相關(guān)向量機(jī)的白細(xì)胞自動(dòng)識(shí)別方法進(jìn)行詳細(xì)說明:
[0033]如圖1所示，本發(fā)明的基于相關(guān)向量機(jī)的白細(xì)胞自動(dòng)識(shí)別方法，其步驟如下
[0034]步驟101，采集彩色血液顯微圖像數(shù)據(jù)；
[0035]步驟102，對步驟101得到的顯微圖像數(shù)據(jù)進(jìn)行預(yù)處理；
[0036]步驟103，對步驟102得到的預(yù)處理后的圖像進(jìn)行HLS顏色空間轉(zhuǎn)換，得到色調(diào)圖像；
[0037]步驟104，對步驟103得到的色調(diào)圖像，運(yùn)用基于相關(guān)向量機(jī)的灰度圖像分割方法將白細(xì)胞分割出來，得到粗分割圖像；
[0038]步驟105，對步驟104得到的粗分割圖像，使用FCNN檢出所有的白細(xì)胞區(qū)域圖像；
[0039]步驟106，對步驟105得到的每個(gè)白細(xì)胞區(qū)域圖像，使用聚類分析法確定閾值，結(jié)合閾值分割和二值形態(tài)學(xué)方法進(jìn)行細(xì)分割，得到細(xì)胞核局部圖像、細(xì)胞漿局部圖像和背景圖像；
[0040]步驟107，對步驟106得到的細(xì)胞核局部圖像和細(xì)胞漿局部圖像抽取最具有代表性的47個(gè)特征；
[0041 ] 步驟108，將步驟107獲得的47個(gè)特征作為輸入向量，利用支持向量機(jī)完成對白細(xì)胞的識(shí)別與分類；
[0042]步驟109，待所有白細(xì)胞局部圖像處理完畢輸出統(tǒng)計(jì)結(jié)果。
[0043]下面結(jié)合圖2-4詳細(xì)說明本發(fā)明的基于相關(guān)向量機(jī)的白細(xì)胞自動(dòng)識(shí)別方法。1.輸入顯微圖像
[0044]輸入一幅彩色血液顯微圖像V(A)KU , n是圖像中像素的個(gè)數(shù)，I (Xi)是像素點(diǎn)Xi
的像素向量。
[0045]2.預(yù)處理
[0046]這里采用中值濾波。
[0047]3.色彩空間轉(zhuǎn)換
[0048]通過大量的比較實(shí)驗(yàn)，我們發(fā)現(xiàn)HLS中的色調(diào)分量對光照的變化不敏感，對用不同顏色的染色劑得到的細(xì)胞顯微圖像能夠保持良好的一致性，有助于后續(xù)處理。所以我們將輸入圖像由RGB彩色空間映射到HLS彩色空間。其中色調(diào)分量的轉(zhuǎn)換方法如下:
[0049]設(shè)RGB空間的顏色值(r, g, b)的每個(gè)分量范圍為[0，I,…，255]，令
[0050]V' =max (r, g, b)，u' =min (r, g, b)及
【權(quán)利要求】
1.一種基于相關(guān)向量機(jī)的白細(xì)胞自動(dòng)識(shí)別方法，其特征在于，包括如下步驟: 步驟A，采集彩色血液顯微圖像數(shù)據(jù)； 步驟B，對步驟A得到的顯微圖像數(shù)據(jù)進(jìn)行中值濾波，得到中值濾波圖像； 步驟C，將步驟B得到的中值濾波圖像映射到HLS彩色空間，得到色調(diào)圖像； 步驟D，對步驟C得到的色調(diào)圖像粗分割，使用基于相關(guān)向量機(jī)的灰度圖像分割方法進(jìn)行分割，得到粗分割圖像； 步驟E，對步驟D得到的粗分割圖像，使用模糊細(xì)胞神經(jīng)網(wǎng)絡(luò)FCNN檢出其中的白細(xì)胞區(qū)域圖像； 步驟F，對步驟E得到的每個(gè)白細(xì)胞區(qū)域圖像，使用聚類分析法確定其閾值，結(jié)合閾值分割和二值形態(tài)學(xué)方法進(jìn)行細(xì)分割，分別得到細(xì)胞核局部圖像、細(xì)胞漿局部圖像和背景圖像； 步驟G，對步驟F得到的細(xì)胞核局部圖像和細(xì)胞漿局部圖像分別抽取47個(gè)特征； 步驟H，將步驟G獲得的47個(gè)特征作為輸入向量，利用支持向量機(jī)完成對白細(xì)胞的識(shí)別與分類； 步驟I，待步驟E得到的全部白細(xì)胞區(qū)域圖像處理完畢，統(tǒng)計(jì)并輸出對步驟A得到的圖像數(shù)據(jù)的最終識(shí)別結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種基于相關(guān)向量機(jī)的白細(xì)胞自動(dòng)識(shí)別方法，其特征在于，步驟D中，所述對色調(diào)圖像粗分割，其具體過程如下: 步驟D-1，對所述步驟C得到的色調(diào)圖像構(gòu)建一個(gè)直方圖； 步驟D-2，借助相關(guān)向量機(jī)對步驟D-1得到的直方圖進(jìn)行函數(shù)擬合，得到其擬合曲線和相關(guān)向量集； 步驟D-3，在步驟D-2找到的相關(guān)向量集中自適應(yīng)選擇閾值，即根據(jù)擬合曲線的一階導(dǎo)數(shù)信息，確定負(fù)值向正值過渡拐點(diǎn)，選擇距離該拐點(diǎn)最近的相關(guān)向量作為閾值； 步驟D-4，用步驟D-3獲得的閾值對步驟C得到的色調(diào)圖像進(jìn)行閾值分割。
3.根據(jù)權(quán)利要求1所述的一種基于相關(guān)向量機(jī)的白細(xì)胞自動(dòng)識(shí)別方法，其特征在于，步驟G中，所述細(xì)胞核局部圖像和細(xì)胞漿局部圖像特征抽取，其具體過程如下: 步驟G-1，對步驟F得到的細(xì)胞核局部圖像和細(xì)胞漿局部圖像抽取7個(gè)形態(tài)特征參數(shù)，以定量描述白細(xì)胞、細(xì)胞核的葉數(shù)、形狀、大小、輪廓的規(guī)則程度； 步驟G-2，對步驟F得到的細(xì)胞核局部圖像和細(xì)胞漿局部圖像抽取24個(gè)彩色特征參數(shù)，以定量描述白細(xì)胞、細(xì)胞核和細(xì)胞漿的亮度、色調(diào)、飽和度； 步驟G-3，對步驟F得到的細(xì)胞核局部圖像抽取16個(gè)統(tǒng)計(jì)紋理參數(shù)，以定量描述細(xì)胞核的紋理特征。
【文檔編號】G06K9/46GK103679184SQ201310656438
【公開日】2014年3月26日 申請日期:2013年12月6日 優(yōu)先權(quán)日:2013年12月6日
【發(fā)明者】王敏 申請人:河海大學(xué)