技術(shù)特征：

1.一種白帶顯微圖像中上皮細(xì)胞的智能識別方法，其特征在于，該方法的具體過程為：

步驟1：使用顯微鏡拍攝白帶與0.9％NACL溶液混合制成溶液涂抹玻片后的圖像；

步驟2：對步驟1拍攝的顯微圖像進(jìn)行灰度處理，得到灰度圖像；

步驟3：去除步驟2得到的灰度圖像的復(fù)雜背景；

步驟4：對步驟3得到的圖進(jìn)行二值化；

步驟5：對步驟4得到的圖進(jìn)行形態(tài)學(xué)操作，去除目標(biāo)較小的區(qū)域；

步驟6：對步驟5得到的圖像進(jìn)行填充；

步驟7：對步驟6得到的填充圖像進(jìn)行腐蝕；

步驟8：對步驟7得到的圖像進(jìn)行連通區(qū)域標(biāo)記，根據(jù)標(biāo)記號提取相應(yīng)區(qū)域；

步驟9：對步驟8標(biāo)記后的圖像，計算各個連通區(qū)域的外接矩形,面積和周長，根據(jù)設(shè)定的閾值進(jìn)行對比，篩選出疑似上皮細(xì)胞的區(qū)域；

步驟10：對步驟9篩選出來的每個連通區(qū)域的坐標(biāo)，裁剪出步驟2在相同坐標(biāo)對應(yīng)的區(qū)域的灰度圖像；

步驟11：對步驟10裁剪出來的每個區(qū)域，用水平集弱邊緣檢測模型檢測其邊緣，分割出目標(biāo)區(qū)域；

步驟12：分別統(tǒng)計步驟11得到的每個目標(biāo)區(qū)域的平均灰度值、像素方差、平滑度和一致性，計算其特征值；

步驟13：對步驟11分割出的每個目標(biāo)區(qū)域進(jìn)行二值化；

步驟14：對步驟13得到的每個二值化的圖，進(jìn)行閉運(yùn)算；

步驟15：對步驟14得到的每個閉運(yùn)算圖像進(jìn)行連通區(qū)域標(biāo)記，并找到每個區(qū)域最大的連通區(qū)域；

步驟16：計算步驟15找到的每個最大的連通區(qū)域的面積，周長和離心率等特征，并計算其特征值；

步驟17：對步驟12和步驟16統(tǒng)計出的每個區(qū)域的特征值與上皮細(xì)胞的標(biāo)準(zhǔn)特征值進(jìn)行比對，保留與上皮細(xì)胞特征相符的區(qū)域；

步驟18：對步驟17留下來的區(qū)域特征輸入BP神經(jīng)網(wǎng)絡(luò)，由BP神經(jīng)網(wǎng)絡(luò)判斷是否為上皮細(xì)胞；

步驟19：統(tǒng)計上皮細(xì)胞的面積，輸出結(jié)果。

2.根據(jù)權(quán)利要求1所述的白帶顯微圖像中上皮細(xì)胞的智能識別方法，其特征在于所述步驟4的具體過程為：

步驟4-1：對已經(jīng)去除背景的圖像進(jìn)行形態(tài)學(xué)底帽變換，得到底帽變換圖像；

步驟4-2：對頂帽圖像使用最大類間方差法得到的灰度閾值；

步驟4-3：將灰度圖像各像素點灰度值與灰度閾值比較，若大于閾值則對該點灰度賦值255，若小于閾值則對該點灰度賦值0，得到二值圖像。

3.根據(jù)權(quán)利要求1所述的白帶顯微圖像中上皮細(xì)胞的智能識別方法，其特征在于所述步驟5的具體過程為：

步驟5-1：對二值化的圖先用半徑為4的圓形結(jié)構(gòu)元素腐蝕，得到腐蝕后的圖；

步驟5-2：再對腐蝕的圖用半徑為3的圓形結(jié)構(gòu)元素膨脹，得到膨脹后的圖，即是去除目標(biāo)較小的區(qū)域后的圖。

4.根據(jù)權(quán)利要求1所述的白帶顯微圖像中上皮細(xì)胞的智能識別方法，其特征在于所述步驟9的具體過程為：

步驟9-1：計算連通區(qū)域的外接矩形，保留外接矩形的長和寬的最小值大于85和最大值大于130的連通區(qū)域；

步驟9-2：計算剩下的連通區(qū)域的面積，經(jīng)過面積篩選保留面積大于4600的連通區(qū)域；

步驟9-3：計算剩下連通區(qū)域的周長，保留周長大于550的連通區(qū)域。

5.根據(jù)權(quán)利要求1所述的白帶顯微圖像中上皮細(xì)胞的智能識別方法，其特征在于所述步驟11的具體過程為：

步驟11-1：采用梯度下降法得到的水平集演化方程檢測每個區(qū)域的弱邊緣，水平集演化方程為：

其中μ，λ，v為常數(shù)，δ_ε(z)是Dirac函數(shù)，g為邊緣探測函數(shù)，是水平集函數(shù)；

步驟11-2：根據(jù)邊緣分離出目標(biāo)區(qū)域。

6.根據(jù)權(quán)利要求1所述的白帶顯微圖像中上皮細(xì)胞的智能識別方法，其特征在于所述步驟12的具體過程為：

步驟12-1：計算目標(biāo)區(qū)域的平均灰度值和像素方差；

步驟12-2：計算目標(biāo)區(qū)域的平滑度，平滑度的計算公式為：

R＝1-1/(1+σ²)

其中，σ是標(biāo)準(zhǔn)偏差，R是平滑度；

步驟12-3：計算目標(biāo)區(qū)域的一致性，一致性的計算公式為：

其中，U是一致性，p(Z_i)是一個區(qū)域中的灰度級直方圖，i＝1,2,3,...L-1為對應(yīng)的直方圖，L是可區(qū)分的灰度級數(shù)目。

7.根據(jù)權(quán)利要求1所述的白帶顯微圖像中上皮細(xì)胞的智能識別方法，其特征在于所述步驟13的具體過程為：

步驟13-1：對分割出來的圖像使用最大類間方差法得到的灰度閾值；

步驟13-2：將灰度圖像各像素點灰度值與灰度閾值比較，若大于閾值則對該點灰度賦值0，若小于閾值則對該點灰度賦值255，得到取反的二值圖像。

8.根據(jù)權(quán)利要求1所述的白帶顯微圖像中上皮細(xì)胞的智能識別方法，其特征在于所述步驟14的具體過程為：

步驟14-1：先用半徑為3的圓形模板對二值圖進(jìn)行膨脹，得到膨脹的圖；步驟14-2：再用半徑為3的圓形模板對膨脹后的圖進(jìn)行腐蝕，得到腐蝕后的圖，即是閉運(yùn)算之后的圖。

9.根據(jù)權(quán)利要求1所述的白帶顯微圖像中上皮細(xì)胞的智能識別方法，其特征在于所述步驟15的具體過程為：

步驟15-1：對每個區(qū)域的二值圖像進(jìn)行連通域標(biāo)記；

步驟15-2：計算每個區(qū)域所有標(biāo)記的連通域的面積，找到面積最大的連通區(qū)域

10.根據(jù)權(quán)利要求1所述的白帶顯微圖像中上皮細(xì)胞的智能識別方法，其特征在于所述步驟16的具體過程為：

步驟16-1：計算每個區(qū)域的面積和周長；

步驟16-2：計算離心率，離心率計算公式為：

其中，e為離心率，c為半焦距，a為長半軸。

11.根據(jù)權(quán)利要求1所述的白帶顯微圖像中上皮細(xì)胞的智能識別方法，其特征在于所述步驟17的具體過程為：

步驟17-1：經(jīng)過面積篩選，保留面積大于4600的區(qū)域；

步驟17-2：經(jīng)過周長篩選，保留周長大于550的區(qū)域；

步驟17-3：經(jīng)過離心率篩選，保留離心率大于0.3的區(qū)域；

步驟17-4：經(jīng)過灰度值和像素方差篩選，保留灰度值在90～180之間和像素方差在90到2000之間的區(qū)域；

步驟17-5：經(jīng)過平滑度的篩選，平滑度保留在0.004～0.006之間的區(qū)域；

步驟17-6：經(jīng)過一致性的篩選，一致性保留在0.95～1之間的區(qū)域。

12.根據(jù)權(quán)利要求1所述的白帶顯微圖像中上皮細(xì)胞的智能識別方法，其特征在于所述步驟18的具體過程為：

步驟18-1：建立BP神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、隱含層和輸出層，輸入層有兩個神經(jīng)元，隱含層有五個神經(jīng)元，輸出層有一個神經(jīng)元，使用S型函數(shù)激活，給各個層連接的權(quán)值分別賦一個區(qū)間(-1,1)內(nèi)的隨機(jī)數(shù)，同時初始化神經(jīng)網(wǎng)絡(luò)的閾值；

步驟18-2：將訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，同時輸入步驟15和16計算的特征值，設(shè)置期望輸出為1是上皮細(xì)胞，0為雜質(zhì)；

步驟18-3：計算隱含層各神經(jīng)元的輸入和輸出，在利用網(wǎng)絡(luò)期望輸出和實際輸出，計算誤差函數(shù)對輸出層的各神經(jīng)元的偏導(dǎo)數(shù)δ₀(k)；

步驟18-4：利用輸出層各神經(jīng)元的δ₀(k)和隱含層各神經(jīng)元的輸出來修正連接權(quán)值，再利用隱含層各神經(jīng)元的偏導(dǎo)數(shù)和輸入層各神經(jīng)元的輸入修正連接權(quán)；

步驟18-5：計算全局誤差，直到期望輸出與實際輸出的誤差小于0.0001時結(jié)束這一輪的學(xué)習(xí)；

步驟18-6：將需要檢測的樣本輸入已經(jīng)學(xué)習(xí)完成的BP神經(jīng)網(wǎng)絡(luò)，輸出大于0.6為上皮細(xì)胞，輸出小于0.6為雜質(zhì)，保留識別為上皮細(xì)胞的區(qū)域。