The invention relates to the technical field of image processing, and discloses a method for classifying and recognizing the visible components of a stool microscopic examination image based on machine vision. It uses the level set method for image segmentation of fecal microscopic images, and then the shape contour for the segmented visible component, in turn based on the morphological characteristics of primary classification and recognition based on parity HOG+VSM training classifier, finally get the high precision formation classification recognition results, so that patients receive timely treatment. In addition, the method has the advantages of high precision, fast processing speed and good user experience, so it is convenient for practical application and popularization.
【技术实现步骤摘要】
基于机器视觉的粪便镜检图像有形成分的分类识别方法
本专利技术涉及图像处理
,具体地,涉及一种基于机器视觉的粪便镜检图像有形成分的分类识别方法。
技术介绍
粪便镜检作为医院三大常规检测之一,在临床检验中的地位举足轻重。它通过显微镜对粪便样本图片分析判别,以便获得机体的病理变化和原因。据粗略统计,一个大型的市级三甲医院平均每一天的粪便常规检测量有上百例左右。但是长期以来,传统的显微镜图像检测都是通过人工分类完成计数的,由检验人员将样本涂抹在玻璃片上用显微镜观察视野下的有形成分的种类和数量等,并进行人工分类。这种有形成分的分类识别方法存在很多不足:(1)检验工作量大,效率低,连续工作很容易因客观因素导致错误的识别;(2)样本放置时间过久会影响样本的质量,给识别和处理带来很大的干扰;(3)对样本的识别分析容易受到视觉疲劳等的限制,掺杂了较强的主观因素而缺乏客观的标准。这种传统且仅靠人工识别和检测的方式显得越来越不合适,当遇到检测高峰期时,由于不能及时、准确地得到检验结果,将会耽误病人就诊。机器视觉是人工智能正在快速发展的一个分支,简单说来就是用机器代替人眼来做测量和判断。现有基于机器视觉对粪便镜检图像的分类识别,主要包括了如下两个部分的内容:一是对图像的分割;二是对各有形成分的分类识别。粪便常规检测的主要目的是获取其中的有形成分来判别病因,总体来说粪便镜检细胞图像有如下几个特点:(1)图像成分复杂,边缘信息多变,噪声影响较大;(2)图像中细胞个体差异较大,釆集时间、采集环境不同都会使图像发生变化;(3)图像中细胞重叠破裂情况较多,给图像分割带来了一定的困难。 ...
【技术保护点】
一种基于机器视觉的粪便镜检图像有形成分的分类识别方法,其特征在于,包括训练阶段和识别阶段,其中,识别阶段包括如下步骤:S101.应用水平集方法对第一粪便镜检图像进行图像分割处理,得到第一图像,所述第一图像包含有若干个有形成分的形状轮廓;S102.基于形状轮廓从所述第一图像中提取各个有形成分的几何特征,然后根据几何特征筛选出与各种有形成分类型匹配的目标有形成分;S103.针对不同有形成分类型,提取筛选出的各个目标有形成分的HOG特征,然后采用与该有形成分类型对应的且在训练阶段中基于HOG特征进行训练的SVM分类器,对筛选出的目标有形成分进行校验识别,剔除与该有形成分类型不匹配的目标有形成分;S104.针对不同有形成分类型,在所述第一图像中对匹配的各个目标有形成分进行标记,得到第三图像。
【技术特征摘要】
1.一种基于机器视觉的粪便镜检图像有形成分的分类识别方法,其特征在于,包括训练阶段和识别阶段,其中,识别阶段包括如下步骤:S101.应用水平集方法对第一粪便镜检图像进行图像分割处理,得到第一图像,所述第一图像包含有若干个有形成分的形状轮廓;S102.基于形状轮廓从所述第一图像中提取各个有形成分的几何特征,然后根据几何特征筛选出与各种有形成分类型匹配的目标有形成分;S103.针对不同有形成分类型,提取筛选出的各个目标有形成分的HOG特征,然后采用与该有形成分类型对应的且在训练阶段中基于HOG特征进行训练的SVM分类器,对筛选出的目标有形成分进行校验识别,剔除与该有形成分类型不匹配的目标有形成分;S104.针对不同有形成分类型,在所述第一图像中对匹配的各个目标有形成分进行标记,得到第三图像。2.如权利要求1所述的基于机器视觉的粪便镜检图像有形成分的分类识别方法,其特征在于,所述训练阶段包括如下步骤:S201.应用水平集方法对第二粪便镜检图像进行图像分割处理,得到第二图像,所述第二图像包含有若干个有形成分的形状轮廓;S202.基于形状轮廓从所述第二图像中提取各个有形成分的几何特征,然后根据几何特征筛选出与各种有形成分类型匹配的目标有形成分;S203.针对不同有形成分类型,提取经过人工校验识别后匹配保留的所有目标有形成分的HOG特征,然后基于所述HOG特征训练得到与该有形成分类型对应的SVM分类器。3.如权利要求1或2所述的基于机器视觉的粪便镜检图像有形成分的分类识别方法,其特征在于,在所述应用水平集方法对粪便镜检图像进行图像分割处理的步骤中,包含如下步骤:S301.对粪便镜检图像I分别进行灰度化处理和HSI转化处理,得到对应的灰度图像Igray和HSI图像IHSI,同时设置初始化曲线C0,并根据所述初始化曲线C0初始化水平集函数所述水平集函数采用离散网格形式表示,其中,i和j分别为网格点(i,j)的标识序号;S302.按照如下公式计算自适应可变权重系数v(Igray):v(Igray)=c·sgn(Δ(Gσ×Igray))·|▽(Gσ×Igray)|式中,c为大于0的第一常数,sgn()为符号函数,σ为标准差,Gσ为采用标准差为σ的高斯滤波器,Gσ×Igray为对灰度图像Igray进行高斯滤波后的结果,Δ为拉普拉斯算子符号,▽为梯度算子符号,||为绝对值符号,同时按照如下公式对HSI图像IHSI进行整合处理,得到HS分量合成图像IHS:式中,RI、GI和BI分别为粪便镜检图像I中对应的R颜色值、G颜色值和B颜色值,▽为梯度算子符号,为在HSI图像IHSI中对应像素点的H分量邻域均值,为在HSI图像IHSI中对应像素点的S分量邻域均值,k为数值大于0的第一可调参数,b为数值大于0且小于1的第二可调参数;S303.按照如下公式计算水平集速度停止函数g(▽I):式中,qgray为对灰度图像Igray进行导向滤波的结果,qHS为对HS分量合成图像IHS进行导向滤波的结果,▽为梯度算子符号,||为绝对值符号,η为第三可调参数,m为介于2~5之间的第四可调参数;S304.按照如下公式获取能量泛函数的水平集表达φt:
【专利技术属性】
技术研发人员:罗林,
申请(专利权)人:四川沃文特生物技术有限公司,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。