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

本发明专利技术涉及图像处理技术领域，公开了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。其先运用水平集方法对粪便镜检图像进行图像分割，然后针对分割得到的有形成分的形状轮廓，依次进行基于形态特征的初级分类和基于HOG+VSM训练分类器的校验识别，最终快速得到高精度的有形成分分类识别结果，以便病人及时得到就诊。此外，该方法还具有图像分割精确度高、处理速度快和用户体验好等优点，便于实际应用和推广。

Classification and recognition method of visible components of fecal microscopic images based on machine vision

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。由于图像的质量直接关系到检测结果的精确性，所以图像获取是非常重要的步骤。迄今为止，粪便镜下常规检测经历的三个阶段：(1)纯手工镜检阶段：检验人员先将从患者身上采集的标本进行涂片处理，然后将光学显微镜调整到最佳位置通过肉眼观察涂片标本，得出检验结果；(2)半自动镜检阶段：智能化监视器自动输出图像样本，无需对显微镜和涂片进行操作，检测人员通过直接观察输出的图像进行检测；(3)全自动智能检测阶段：通过监视器输出的样本图像进行图像处理等过程实现样本的自动检测与分析，检测人员一般不参与分析识别过程，只有在有特殊需要时才参与分析。但是到目前为止，对全自动智能检测的研究还处于完全不成熟阶段。对有形成分的分类识别精度和速度都有待提升。
技术实现思路
针对前述现有技术的问题，本专利技术提供了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，其先运用水平集方法对粪便镜检图像进行图像分割，然后针对分割得到的有形成分的形状轮廓，依次进行基于形态特征的初级分类和基于HOG+VSM训练分类器的校验识别，最终快速得到高精度的有形成分分类识别结果，以便病人及时得到就诊。此外，该方法还具有图像分割精确度高、处理速度快和用户体验好等优点，便于实际应用和推广。本专利技术采用的技术方案,提供了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，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。优化的，在所述训练阶段中包括如下步骤：201.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。优化的，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：式中，K为演化曲线的曲率，div()为取余函数，μ和λ分别为对应项的权重系数，φ为水平集函数，δ()为正则化的狄拉克函数，Δ为拉普拉斯算子符号，▽为梯度算子符号，||为绝对值符号；S305.根据如下水平集运动方程进行曲线演化：式中，Δt为演化时间步长，k为初始值为0的整数，为在kΔt演化时刻使用离散网格形式表示的水平集函数，为在(k+1)Δt演化时刻使用离散网格形式表示的水平集函数，i和j分别为网格点(i,j)的标识序号；S306.根据(k+1)Δt演化时刻的水平集函数获取其中的零水平集，即演化后的曲线Ck+1，然后判断是否满足Ck＝Ck+1，若不满足，则令k＝k+1，返回步骤S305继续进行迭代演化，否则终止曲线演化，将演化得到的曲线Ck+1作为图像中有形成分的形状轮廓。进一步优化的，所述对粪便镜检图像I进行灰度化处理的公式如下：Igray＝RI*0.299+GI*0.587+BI*0.114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。进一步优化的，所述对粪便镜检图像I进行HSI转化处理的公式如下：式中，H、S和I分别为HSI图像中对应的三个分量值，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，min()为取本文档来自技高网...

【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