基于模糊积分多分类器融合的宫颈细胞图像识别方法及装置制造方法及图纸

本发明专利技术提供一种基于模糊积分多分类器融合的宫颈细胞图像识别方法及装置,宫颈细胞图像特征识别方法包括步骤S10：对单个宫颈细胞的图像进行预处理，使得细胞图像能突显细胞质、细胞核的边缘并剔除宫颈细胞图像背景；S20:对预处理后的宫颈细胞图像进行改进CV模型分割；S30：对分割后的宫颈细胞图像进行特征提取后采用遗传算法降维；S40:利用模糊积分对构造好的三个单分类器进行融合后对降维后的宫颈细胞图像进行识别。本发明专利技术的所提供的宫颈细胞图像识别方法能够精确分割宫颈细胞的细胞质细胞核，提高分割的速度，多分类器融合弥补了单一分类器的识别精度低的缺陷，从而提高了宫颈细胞的识别率。

【技术实现步骤摘要】

本专利技术属于医学细胞图像处理领域，具体涉及一种宫颈细胞图像识别方法及宫颈细胞识别装置。
技术介绍
宫颈细胞的癌变是一个连续发展的过程，从宫颈细胞的病变发展到严重的浸润癌一般时间比较漫长，如能初期诊断出来并进行治疗，相对难度较小，费用较低，而一旦发展成为浸润癌，那诊治就非常苦难而且费用高。在我国，宫颈细胞学检查已逐步成为女性常规的体检项目，因而医院的细胞涂片数量急剧增加，对于阅片医生是一项新的挑战，因此宫颈细胞涂片判读自动化就成了医学者们所期望达到的目标。在宫颈细胞识别研究中，由于细胞实际制片的操作过程中存在各种因素，获得的涂片细胞大多数情况下都会存在粘连重叠，背景含有杂质和染色颜色不一致的问题，宫颈细胞图像不能够准确有效地分割，导致后续特征提取不准确，同时，采用单一的分类器存在种种缺陷，造成了分类结果的误判，识别精度低，不利于实现对宫颈细胞图像的自动识别分类。
技术实现思路
本专利技术旨在解决现有技术中存在的技术问题之一。为此，本专利技术提供了一种宫颈细胞图像识别方法及宫颈细胞识别装置，可以实现准确又快速的识别宫颈细胞图像的类型。根据本专利技术第一方面提供的一种宫颈细胞图像识别方法包括如下步骤：S10：对单个宫颈细胞的图像进行预处理，使得细胞图像能突显细胞质、细胞核的边缘并剔除宫颈细胞图像背景；S20:对预处理后的宫颈细胞图像进行改进CV模型分割；S30：对分割后的宫颈细胞图像进行特征提取后采用遗传算法降维；S40:利用模糊积分对构造好的三个单分类器进行融合后对降维后的宫颈细胞图像进行识别；其中步骤S20包括如下具体过程：S21:利用梯度信息对背景剔除后的细胞图像进行拟合,具体为通过细胞图像轮廓线内部的梯度信息和细胞图像轮廓线外部的区域信息得到图像的能量泛函，即对轮廓线的内部用梯度信息和轮廓线的外部用灰度信息进行拟合；并且在所述S21过程中，结合梯度信息引入自适应权重项W对细胞图像的拟合中心进行加权计算；并且在加权计算过程中选取函数作为曲线演化停止项，同时去除噪声对边界检测的影响；使用取代模型中规则化的Dirac函数，来检测原理演化曲线的边缘；S22:对S21使用广义模糊算子设计一个分段函数作为模糊隶属度，形成改进后的CV活动轮廓模型演化规则，最终分割出宫颈细胞图像的细胞质和细胞核；步骤S30包括如下具体过程：S31:分别对宫颈细胞图像的细胞核、细胞质进行形态特征、色度特征、光密度特征的提取，融合LBP和GLCM进行纹理特征提取；S32:采用遗传算法对形态特征、色度特征、光密度特征及纹理特征进行特征选择，选出最优特征，实现对特征的降维；步骤S40包括以下具体过程：S41:分别构造支持向量机(SVM)分类器、K-近邻(KNN)分类器、人工神经网络(ANN)分类器；S42:利用模糊积分将构造支持向量机(SVM)分类器、K-近邻(KNN)分类器、人工神经网络(ANN)分类器进行融合后对宫颈细胞图像进行识别并输出识别结果。本专利技术的所提供的宫颈细胞图像识别方法中，引入自适应权重项W对拟合中心进行加权计算，从而降低CV模型对初始轮廓曲线大小的敏感性，能够精确分割宫颈细胞的细胞质细胞核；使用广义模糊算子设计一个分段函数作为模糊隶属度可以使模糊边界对演化曲线的吸引加强，提高分割的速度；利用模糊积分将三种分类器进行融合，弥补了单一分类器的识别精度低的缺陷，从而提高了宫颈细胞的识别率，实现宫颈细胞分类识别自动化。进一步的，在所述过程S42中，采用捕食与被捕食算法优化模糊测度后再进行识别。进一步的，在步骤S10中包括如下过程：S11:采用灰度转换方法将宫颈细胞图像从RGB颜色空间转换到CIELAB空间，提取L维度的图像,并采用归一化映射到[0,255]，形成灰度图像；S12:利用三维块匹配(BM3D)去噪算法对L维度的灰度图像进行去噪；S13；对宫颈细胞使用自适应双阈值分割算法，分割出细胞质、细胞核和背景，同时将背景的灰度值设为1，细胞质灰度设为0.5，细胞核的灰度值设为0，实现宫颈细胞图像的背景剔除。进一步的，在于所述CV活动轮廓模型演化规则遵循如下偏微分方程：∂φ∂t=|▿(φ)|[μdiv[▿φ|▿φ|]-λ1|▿U|2+λ2(U-m)2]·e-α|▿Gσ·U|·I′]]>并经过迭代后捕捉细胞边缘。进一步的，在于所述过程S42中，利用模糊积分将构造支持向量机(SVM)分类器、K-近邻(KNN)分类器、人工神经网络(ANN)分类器进行融合的过程进一步包括：S421:把所有的分类器作为一个集合，记作D＝{D1,D2,...,DL本文档来自技高网...

【技术保护点】
一种宫颈细胞图像识别方法，包括如下步骤：S10：对单个宫颈细胞的图像进行预处理，使得细胞图像能突显细胞质、细胞核的边缘并剔除宫颈细胞图像背景；S20:对预处理后的宫颈细胞图像进行改进CV模型分割；S30：对分割后的宫颈细胞图像进行特征提取后采用遗传算法降维；S40:利用模糊积分对构造好的三个单分类器进行融合后对降维后的宫颈细胞图像进行识别；其中步骤S20包括如下具体过程：S21:利用梯度信息对背景剔除后的细胞图像进行拟合,具体为通过细胞图像轮廓线内部的梯度信息和细胞图像轮廓线外部的区域信息得到图像的能量泛函，即对轮廓线的内部用梯度信息和轮廓线的外部用灰度信息进行拟合；并且在所述S21过程中，结合梯度信息引入自适应权重项W对细胞图像的拟合中心进行加权计算；并且在加权计算过程中选取函数作为曲线演化停止项，同时去除噪声对边界检测的影响；使用取代模型中规则化的Dirac函数，来检测原理演化曲线的边缘；S22:对S21使用广义模糊算子设计一个分段函数作为模糊隶属度，形成改进后的CV活动轮廓模型演化规则，最终分割出宫颈细胞图像的细胞质和细胞核；步骤S30包括如下具体过程：S31:分别对宫颈细胞图像的细胞核、细胞质进行形态特征、色度特征、光密度特征的提取，融合LBP和GLCM进行纹理特征提取；S32:采用遗传算法对形态特征、色度特征、光密度特征及纹理特征进行特征选择，选出最优特征，实现对特征的降维；步骤S40包括以下具体过程：S41:分别构造支持向量机(SVM)分类器、K‑近邻(KNN)分类器、人工神经网络(ANN)分类器；S42:利用模糊积分将构造支持向量机(SVM)分类器、K‑近邻(KNN)分类器、人工神经网络(ANN)分类器进行融合后对宫颈细胞图像进行识别并输出识别结果。...

【技术特征摘要】
1.一种宫颈细胞图像识别方法，包括如下步骤：S10：对单个宫颈细胞的图像进行预处理，使得细胞图像能突显细胞质、细胞核的边缘并剔除宫颈细胞图像背景；S20:对预处理后的宫颈细胞图像进行改进CV模型分割；S30：对分割后的宫颈细胞图像进行特征提取后采用遗传算法降维；S40:利用模糊积分对构造好的三个单分类器进行融合后对降维后的宫颈细胞图像进行识别；其中步骤S20包括如下具体过程：S21:利用梯度信息对背景剔除后的细胞图像进行拟合,具体为通过细胞图像轮廓线内部的梯度信息和细胞图像轮廓线外部的区域信息得到图像的能量泛函，即对轮廓线的内部用梯度信息和轮廓线的外部用灰度信息进行拟合；并且在所述S21过程中，结合梯度信息引入自适应权重项W对细胞图像的拟合中心进行加权计算；并且在加权计算过程中选取函数作为曲线演化停止项，同时去除噪声对边界检测的影响；使用取代模型中规则化的Dirac函数，来检测原理演化曲线的边缘；S22:对S21使用广义模糊算子设计一个分段函数作为模糊隶属度，形成改进后的CV活动轮廓模型演化规则，最终分割出宫颈细胞图像的细胞质和细胞核；步骤S30包括如下具体过程：S31:分别对宫颈细胞图像的细胞核、细胞质进行形态特征、色度特征、光密度特征的提取，融合LBP和GLCM进行纹理特征提取；S32:采用遗传算法对形态特征、色度特征、光密度特征及纹理特征进行特征选择，选出最优特征，实现对特征的降维；步骤S40包括以下具体过程：S41:分别构造支持向量机(SVM)分类器、K-近邻(KNN)分类器、人工神经网络(ANN)分类器；S42:利用模糊积分将构造支持向量机(SVM)分类器、K-近邻(KNN)分类器、人工神经网络(...

【专利技术属性】
技术研发人员：李文杰，罗晓曙，
申请(专利权)人：广西师范大学，
类型：发明
国别省市：广西;45