一种白带显微图像中上皮细胞的智能识别方法技术

一种白带显微图像中上皮细胞的智能识别方法，包括使用显微镜拍摄图像，进行图像处理，图像处理步骤包括灰度处理、二值化处理、形态学处理、填充、腐蚀，得到的图像进行连通区域标记，保留各个连通区域的外接矩形长和宽的最小值大于85和最大值大于130,面积大于4600和周长大于550的连通区域为疑似上皮细胞的区域；重新将疑似区域进行图像处理，计算得到的最大连通区域的特征值，与上皮细胞的特征值进行比对，保留符合特征的区域输入BP神经网络，判断是否为上皮细胞。本发明专利技术能够准确、快速地得出检测结果，消除人工操作效率低下、精度不高的影响，具有重要的学术价值，而且有着广阔的前景，创造可观的社会经济效益。

Intelligent identification method of epithelial cell in leucorrhea microscopic image

A vaginal epithelial cells in microscopic image recognition method, including the use of microscope images, image processing, image processing steps including gray processing, binarization processing, morphological processing, filling, corrosion, the image component labeling, keep each connected region rectangle length and minimum width more than 85 and the maximum value is greater than 130, an area of more than 4600 and the perimeter is greater than 550 connected region for suspected epithelial cells of the region; again the suspected area of image processing, the calculated maximum connected region eigenvalue, and compare the characteristics of epithelial cells, the reserved area input to the BP neural network in line with the characteristics of judgment, whether epithelial cells. The invention can quickly and accurately obtain the test results, the elimination of manual operation effect of low precision and low efficiency, which has important academic value, but also has broad prospects, creating considerable social and economic benefits.

【技术实现步骤摘要】
一种白带显微图像中上皮细胞的智能识别方法
本专利技术属于医学数字图像处理领域，具体指的是一种白带显微图像中上皮细胞的智能识别方法。
技术介绍
白带常规检查是妇科疾病诊断应用最广泛的一项检查，通过观察显微图像里各种细胞的分布情况来判断白带的清洁度，从而确定是否有炎症。其中上皮细胞所占的面积是决定白带清洁度的一个重要因素。目前的检测方法是将白带与0.9％NACL溶液混合制成玻片，由医生在显微镜下观察，因白带中细胞种类繁多，成分复杂，细胞相互交织和面积大小不易区分等特点，这种检查方式是凭借医务人员的经验判断，掺杂了许多主观因素，同时效率低下、精度不高，致使人工识别的持久性、稳定性和客观性难以保证。本方法利用计算机数字图像处理技术与生物医学相结合，实现细胞的智能识别，快速有效地检测出白带中的上皮细胞，从而提高临床的诊断效率。
技术实现思路
本专利技术的目的是针对医院白带检测中现有技术的不足，提出了一种白带显微图像中上皮细胞的智能识别方法，从而达到简便、高效、精确的检测出白带样本中的上皮细胞，大大降低医生的劳动强度，提高检测的速度和精度。本专利技术采取的技术方案是一种白带显微图像中上皮细胞的智能识别方法，该方法包括如下步骤：步骤1：使用显微镜拍摄白带与0.9％NACL溶液混合制成溶液涂抹玻片后的图像；步骤2：对步骤1拍摄的显微图像进行灰度处理，得到灰度图像；步骤3：去除步骤2得到的灰度图像的复杂背景；步骤4：对步骤3得到的图进行二值化；步骤5：对步骤4得到的图进行形态学操作，去除目标较小的区域；步骤6：对步骤5得到的图像进行填充；步骤7：对步骤6得到的填充图像进行腐蚀；步骤8：对步骤7得到的图像进行连通区域标记，根据标记号提取相应区域；步骤9：对步骤8标记后的图像，计算各个连通区域的外接矩形,面积和周长，根据设定的阈值进行对比，筛选出疑似上皮细胞的区域；步骤10：对步骤9筛选出来的每个连通区域的坐标，裁剪出步骤2在相同坐标对应的区域的灰度图像；步骤11：对步骤10裁剪出来的每个区域，用水平集弱边缘检测模型检测其边缘，分割出目标区域；步骤12：分别统计步骤11得到的每个目标区域的平均灰度值、像素方差、平滑度和一致性，计算其特征值；步骤13：对步骤11分割出的每个目标区域进行二值化；步骤14：对步骤13得到的每个二值化的图，进行闭运算；步骤15：对步骤14得到的每个闭运算图像进行连通区域标记，并找到每个区域最大的连通区域；步骤16：计算步骤15找到的每个最大的连通区域的面积，周长和离心率等特征，并计算其特征值；步骤17：对步骤12和步骤16统计出的每个区域的特征值与上皮细胞的标准特征值进行比对，保留与上皮细胞特征相符的区域；步骤18：对步骤17留下来的区域特征输入BP神经网络，由BP神经网络判断是否为上皮细胞；步骤19：统计上皮细胞的面积，输出结果；其中步骤4的具体步骤为：步骤4-1：对已经去除背景的图像进行形态学底帽变换，得到底帽变换图像；步骤4-2：对顶帽图像使用最大类间方差法得到的灰度阈值；步骤4-3：将灰度图像各像素点灰度值与灰度阈值比较，若大于阈值则对该点灰度赋值255，若小于阈值则对该点灰度赋值0，得到二值图像。步骤5的具体步骤为：步骤5-1：对二值化的图先用半径为4的圆形结构元素腐蚀，得到腐蚀后的图；步骤5-2：再对腐蚀的图用半径为3的圆形结构元素膨胀，得到膨胀后的图，即是去除目标较小的区域后的图；步骤9的具体步骤为：步骤9-1：计算连通区域的外接矩形，保留外接矩形的长和宽的最小值大于85和最大值大于130的连通区域；步骤9-2：计算剩下的连通区域的面积，经过面积筛选保留面积大于4600的连通区域；步骤9-3：计算剩下连通区域的周长，保留周长大于550的连通区域；步骤11的具体步骤是：步骤11-1：采用梯度下降法得到的水平集演化方程检测每个区域的弱边缘，水平集演化方程为：其中u,λ,v为常数，δε(z)是Dirac函数，g为边缘探测函数，φ是水平集函数；步骤11-2：根据边缘分离出目标区域；步骤12的具体步骤为：步骤12-1：计算目标区域的平均灰度值和像素方差；步骤12-2：计算目标区域的平滑度，平滑度的计算公式为：R＝1-1/(1+σ2)其中，σ是标准偏差，R是平滑度；步骤12-3：计算目标区域的一致性，一致性的计算公式为：其中，U是一致性，p(zi)是一个区域中的灰度级直方图，i＝1,2,3,...L-1为对应的直方图，L是可区分的灰度级数目。步骤13的具体步骤为：步骤13-1：对分割出来的图像使用最大类间方差法得到的灰度阈值；步骤13-2：将灰度图像各像素点灰度值与灰度阈值比较，若大于阈值则对该点灰度赋值0，若小于阈值则对该点灰度赋值255，得到取反的二值图像。步骤14的具体步骤为：步骤14-1：先用半径为3的圆形模板对二值图进行膨胀，得到膨胀的图；步骤14-2：再用半径为3的圆形模板对膨胀后的图进行腐蚀，得到腐蚀后的图，即是闭运算之后的图；步骤15的具体步骤为：步骤15-1：对每个区域的二值图像进行连通域标记；步骤15-2：计算每个区域所有标记的连通域的面积，找到面积最大的连通区域；步骤16的具体步骤为：步骤16-1：计算每个区域的面积和周长；步骤16-2：计算离心率，离心率计算公式为：其中，e为离心率，c为半焦距，a为长半轴；步骤17的具体步骤为：步骤17-1：经过面积筛选，保留面积大于4600的区域；步骤17-2：经过周长筛选，保留周长大于550的区域；步骤17-3：经过离心率筛选，保留离心率大于0.3的区域；步骤17-4：经过灰度值和像素方差筛选，保留灰度值在90～180之间和像素方差在90到2000之间的区域；步骤17-5：经过平滑度的筛选，平滑度保留在0.004～0.006之间的区域；步骤17-6：经过一致性的筛选，一致性保留在0.95～1之间的区域；步骤18的具体步骤为：步骤18-1：建立BP神经网络模型，包括输入层、隐含层和输出层，输入层有两个神经元，隐含层有五个神经元，输出层有一个神经元，使用S型函数激活，给各个层连接的权值分别赋一个区间(-1,1)内的随机数，同时初始化神经网络的阈值；步骤18-2：将训练样本输入BP神经网络训练，同时输入步骤15和16计算的特征值，设置期望输出为1是上皮细胞，0为杂质；步骤18-3：计算隐含层各神经元的输入和输出，在利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δ0(k)；步骤18-4：利用输出层各神经元的δ0(k)和隐含层各神经元的输出来修正连接权值，再利用隐含层各神经元的偏导数和输入层各神经元的输入修正连接权；步骤18-5：计算全局误差，直到期望输出与实际输出的误差小于0.0001时结束这一轮的学习；步骤18-6：将需要检测的样本输入已经学习完成的BP神经网络，输出大于0.6为上皮细胞，输出小于0.6为杂质，保留识别为上皮细胞的区域。附图说明图1是本专利技术的一种白带显微图像中上皮细胞的智能识别方法的流程图。具体实施方式下面结合附图，对本专利技术的一种白带上皮细胞的自动检测方法进行详细说明：步骤1：使用显微镜拍摄白带与0.9％NACL溶液混合制成溶液的图像；步骤2：对步骤1拍摄的显微图像进行灰度处理，得到灰度图像；步骤3：去除步本文档来自技高网...

【技术保护点】
一种白带显微图像中上皮细胞的智能识别方法，其特征在于，该方法的具体过程为：步骤1：使用显微镜拍摄白带与0.9％NACL溶液混合制成溶液涂抹玻片后的图像；步骤2：对步骤1拍摄的显微图像进行灰度处理，得到灰度图像；步骤3：去除步骤2得到的灰度图像的复杂背景；步骤4：对步骤3得到的图进行二值化；步骤5：对步骤4得到的图进行形态学操作，去除目标较小的区域；步骤6：对步骤5得到的图像进行填充；步骤7：对步骤6得到的填充图像进行腐蚀；步骤8：对步骤7得到的图像进行连通区域标记，根据标记号提取相应区域；步骤9：对步骤8标记后的图像，计算各个连通区域的外接矩形,面积和周长，根据设定的阈值进行对比，筛选出疑似上皮细胞的区域；步骤10：对步骤9筛选出来的每个连通区域的坐标，裁剪出步骤2在相同坐标对应的区域的灰度图像；步骤11：对步骤10裁剪出来的每个区域，用水平集弱边缘检测模型检测其边缘，分割出目标区域；步骤12：分别统计步骤11得到的每个目标区域的平均灰度值、像素方差、平滑度和一致性，计算其特征值；步骤13：对步骤11分割出的每个目标区域进行二值化；步骤14：对步骤13得到的每个二值化的图，进行闭运算；步骤15：对步骤14得到的每个闭运算图像进行连通区域标记，并找到每个区域最大的连通区域；步骤16：计算步骤15找到的每个最大的连通区域的面积，周长和离心率等特征，并计算其特征值；步骤17：对步骤12和步骤16统计出的每个区域的特征值与上皮细胞的标准特征值进行比对，保留与上皮细胞特征相符的区域；步骤18：对步骤17留下来的区域特征输入BP神经网络，由BP神经网络判断是否为上皮细胞；步骤19：统计上皮细胞的面积，输出结果。...

【技术特征摘要】
1.一种白带显微图像中上皮细胞的智能识别方法，其特征在于，该方法的具体过程为：步骤1：使用显微镜拍摄白带与0.9％NACL溶液混合制成溶液涂抹玻片后的图像；步骤2：对步骤1拍摄的显微图像进行灰度处理，得到灰度图像；步骤3：去除步骤2得到的灰度图像的复杂背景；步骤4：对步骤3得到的图进行二值化；步骤5：对步骤4得到的图进行形态学操作，去除目标较小的区域；步骤6：对步骤5得到的图像进行填充；步骤7：对步骤6得到的填充图像进行腐蚀；步骤8：对步骤7得到的图像进行连通区域标记，根据标记号提取相应区域；步骤9：对步骤8标记后的图像，计算各个连通区域的外接矩形,面积和周长，根据设定的阈值进行对比，筛选出疑似上皮细胞的区域；步骤10：对步骤9筛选出来的每个连通区域的坐标，裁剪出步骤2在相同坐标对应的区域的灰度图像；步骤11：对步骤10裁剪出来的每个区域，用水平集弱边缘检测模型检测其边缘，分割出目标区域；步骤12：分别统计步骤11得到的每个目标区域的平均灰度值、像素方差、平滑度和一致性，计算其特征值；步骤13：对步骤11分割出的每个目标区域进行二值化；步骤14：对步骤13得到的每个二值化的图，进行闭运算；步骤15：对步骤14得到的每个闭运算图像进行连通区域标记，并找到每个区域最大的连通区域；步骤16：计算步骤15找到的每个最大的连通区域的面积，周长和离心率等特征，并计算其特征值；步骤17：对步骤12和步骤16统计出的每个区域的特征值与上皮细胞的标准特征值进行比对，保留与上皮细胞特征相符的区域；步骤18：对步骤17留下来的区域特征输入BP神经网络，由BP神经网络判断是否为上皮细胞；步骤19：统计上皮细胞的面积，输出结果。2.根据权利要求1所述的白带显微图像中上皮细胞的智能识别方法，其特征在于所述步骤4的具体过程为：步骤4-1：对已经去除背景的图像进行形态学底帽变换，得到底帽变换图像；步骤4-2：对顶帽图像使用最大类间方差法得到的灰度阈值；步骤4-3：将灰度图像各像素点灰度值与灰度阈值比较，若大于阈值则对该点灰度赋值255，若小于阈值则对该点灰度赋值0，得到二值图像。3.根据权利要求1所述的白带显微图像中上皮细胞的智能识别方法，其特征在于所述步骤5的具体过程为：步骤5-1：对二值化的图先用半径为4的圆形结构元素腐蚀，得到腐蚀后的图；步骤5-2：再对腐蚀的图用半径为3的圆形结构元素膨胀，得到膨胀后的图，即是去除目标较小的区域后的图。4.根据权利要求1所述的白带显微图像中上皮细胞的智能识别方法，其特征在于所述步骤9的具体过程为：步骤9-1：计算连通区域的外接矩形，保留外接矩形的长和宽的最小值大于85和最大值大于130的连通区域；步骤9-2：计算剩下的连通区域的面积，经过面积筛选保留面积大于4600的连通区域；步骤9-3：计算剩下连通区域的周长，保留周长大于550的连通区域。5.根据权利要求1所述的白带显微图像中上皮细胞的智能识别方法，其特征在于所述步骤11的具体过程为：步骤11-1：采用梯度下降法得到的水平集演化方程检测每个区域的弱边缘，水平集演化方程为：其中μ，λ，v为常数，δε(z)是Dirac函数，g为边缘探测函数，是水平集函数；步骤11-2：根据边缘分离出目标区域。6.根据权利要求1所述的白带显微图像中上皮细胞的智能识别方法，其特征在于所述步骤12的具体过程为：步骤1...

【专利技术属性】
技术研发人员：陈仕隆，胡静蓉，易少宾，
申请(专利权)人：宁波摩视光电科技有限公司，
类型：发明
国别省市：浙江,33