基于间隔自适应特征选择融合的宫颈细胞图像分类方法技术

本发明专利技术提供一种基于间隔自适应特征选择融合的宫颈细胞图像分类方法，包括如下步骤：(1)针对原始宫颈细胞图像中检测到的每个单细胞图像，进行去噪预处理后，采用分水岭分割算法提取出细胞核、细胞质区域；(2)提取宫颈细胞图像的纹理、形状、颜色特征；(3)基于间隔自适应方法进行细胞特征优化；(4)训练双层多示例超限学习机，确定训练误差最小化的MI‑ELM模型参数；(5)基于已训练的超限学习机模型，对检测到的未知单细胞图像进行分类识别。本发明专利技术利用先验概率信息增强新特征判别性，联合优化特征子类和分类策略的多示例超限学习模型，提高特征利用率进而提升对象分类准确率和效率，又可以优化组合不同特征子类再进行高效地细胞二分类。

【技术实现步骤摘要】
基于间隔自适应特征选择融合的宫颈细胞图像分类方法
本专利技术属于计算机视觉领域，具体涉及一种基于间隔自适应特征选择融合的宫颈细胞图像分类方法。
技术介绍
进行妇科宫颈癌筛查时，医师读图的目的是从宫颈细胞图像中辨认出异常细胞和正常细胞，根据异常细胞的数目和病变情况来判断检查者患癌症的可能性，而随着宫颈细胞智能筛查系统研究的兴起，借助计算机辅助分析宫颈细胞图像，检测出图像中异常细胞是最终最重要的目标。对于宫颈细胞筛查系统而言，准确率和效率是异常细胞筛查系统的两个重要方面。一方面，在宫颈细胞异分类系统中，需要根据宫颈细胞的不同特征来实现分类，而细胞本身有大量的特征，且其不同的特征对分类的贡献能力不同，所以如何选择并组合这些特征以更好地实现分类，对异常检测识别系统而言具有重要意义。特征选择融合是剔除对象冗余特征、提高特征利用率进而提升对象分类准确率和效率的一种优化组合技术。为更优组合特征模式以实现对异常宫颈细胞更准确地分类。在进行细胞图像分割和特征抽取后，特征选择融合是能够提升智能分析系统效率的一个关键环节，所以需要对宫颈细胞特征进行选择融合，以为后续的宫颈细胞分类识别奠定一个良好的基础。另一方面，首先，在宫颈细胞分类识别系统中，正常细胞与异常细胞在特征上存在诸多差异性，这些差异就是我们进行异常细胞检测的基本依据，宫颈细胞的不同类别的特征在分类过程中的作用不同。一个宫颈细胞样本的不同特征子类作为多示例学习中样本对象的不同方面，将每个细胞样本的不同特征子类进行组合优化，就是对多示例学习的不同示例进行组合优化的过程。另外，分类算法是实现细胞分类的重要落脚点，算法的效率和精度直接影响宫颈细胞分类识别系统的性能。因此，从上述特征优化和分类算法两个方面来讲，宫颈细胞图像的识别精度和识别效率均有待于进一步提高。
技术实现思路
本专利技术要解决的技术问题是提供一种基于间隔自适应特征选择融合的宫颈细胞图像分类方法，利用先验概率信息增强新特征判别性，同时剔除对象冗余特征，最后设计一种联合优化特征子类和分类策略的多示例超限学习模型，能够提高特征利用率进而提升对象分类准确率和效率，又可以优化组合不同特征子类再进行高效地细胞二分类。为解决上述技术问题，本专利技术的实施例提供一种基于间隔自适应特征选择融合的宫颈细胞图像分类方法，包括如下步骤：(1)针对原始宫颈细胞图像中检测到的每个单细胞图像，进行去噪预处理后，采用分水岭分割算法提取出细胞核、细胞质区域；(2)提取宫颈细胞图像的纹理、形状、颜色特征；(3)基于间隔自适应方法进行细胞特征优化；(4)训练双层多示例超限学习机，确定训练误差最小化的MI-ELM模型参数；(5)基于已训练的超限学习机模型，对检测到的未知单细胞图像进行分类识别。其中，步骤(2)的具体步骤为：(2-1)提取宫颈细胞图像细胞核和细胞质HSV色彩空间的灰度共生矩阵(GLCM)纹理特征Pδ；(2-2)提取宫颈细胞图像形状特征：包括细胞区域面积、细胞拟合椭圆短轴、细胞拟合椭圆长轴、细胞拟合椭圆伸长率、细胞区域圆度、细胞区域周长、细胞核区域面积、细胞核拟合椭圆短轴、细胞核拟合椭圆长轴、细胞核拟合椭圆伸长率、细胞核区域周长、细胞核区域圆度、细胞核与细胞质面积比、细胞核相对位置；(2-3)提取宫颈细胞图像颜色特征：分别来自LAB三个通道，包括细胞核和细胞质区域的均值、方差、最大值和最小值。其中，步骤(3)的具体步骤为：(3-1)随机选出一个样本x，然后找出x的两个最近邻居样本，这两个样本分别来自x的同一类别和不同类别；(3-2)计算样本x到两个邻居样本的两个距离值d(·)；(3-3)求两个距离之差的绝对值作为间隔ρi＝d(xi-NM(xi))-d(xi-NH(xi))，其中，xi为随机选出的样本，NM(xi)表示样本xi最近的异类样本，NH(xi)表示样本xi最近的同类样本；(3-4)计算柱状先验概率其中，c为细胞的样本标签，为预测标签，Pc为时的类别概率；(3-5)根据间隔计算得到新权重其中，Pprior为柱状细胞先验概率，xk为随机选取的第k个样本，为xk的最近的异类样本，为xk的最近的同类样本。其中，步骤(4)的具体步骤为：(4-1)基于KKT最优化定理，将原始目标函数转换为对偶形式：其中拉格朗日乘子αi对应于第i个训练样本的“bag”，β是网络权重，g(χi)表示的是相应于第i个包的隐层输出向量，ξi是松弛变量，C是正则化系数，ti是标签；(4-2)计算对偶目标函数的KKT条件：(4-3)整理上述KKT条件分别得：αi＝Cξi，g(χi)β＝ti-ξi；(4-4)最后得到MI-ELM的训练模型：其中，本专利技术的上述技术方案的有益效果如下：本专利技术采用间隔自适应特征融合方法，在更大权向量空间内搜索多值特征选择权向量，引入训练数据的先验概率信息增强新特征的判别性，得到细胞各类特征优化组合模式，而后用训练好的多示例超限学习模型(MI-ELM)对单个细胞分类，确定测试细胞样本中的正常和异常细胞。本专利技术设计利用先验概率信息增强新特征判别性，同时剔除对象冗余特征，最后设计一种联合优化特征子类和分类策略的多示例超限学习模型，能够提高特征利用率进而提升对象分类准确率和效率，又可以优化组合不同特征子类再进行高效地细胞二分类。附图说明图1为本专利技术中间隔自适应特征选择融合示意图；图2为本专利技术中MI-ELM神经网络结构示意图；图3为本专利技术中细胞核相对位置特征示意图。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。本专利技术提供了一种间隔自适应特征选择融合的多示例超限学习机宫颈细胞图像分类方法，采用间隔自适应特征融合方法，在更大权向量空间内搜索多值特征选择权向量，引入训练数据的先验概率信息增强新特征的判别性，得到细胞各类特征优化组合模式。而后用训练好的多示例超限学习模型(MI-ELM)对单个细胞分类，确定测试细胞样本中的正常和异常细胞。本专利技术设计利用先验概率信息增强新特征判别性，同时剔除对象冗余特征。基于上述理论，本专利技术提供一种基于间隔自适应特征选择融合的宫颈细胞图像分类方法，包括如下步骤：(1)针对原始宫颈细胞图像中检测到的每个单细胞图像，进行去噪预处理后，采用分水岭分割算法提取出细胞核、细胞质区域；(2)提取宫颈细胞图像的纹理、形状、颜色特征；具体步骤为：(2-1)提取宫颈细胞图像细胞核和细胞质HSV色彩空间的灰度共生矩阵(GLCM)纹理特征Pδ；(2-2)提取宫颈细胞图像形状特征：包括细胞区域面积、细胞拟合椭圆短轴、细胞拟合椭圆长轴、细胞拟合椭圆伸长率、细胞区域圆度、细胞区域周长、细胞核区域面积、细胞核拟合椭圆短轴、细胞核拟合椭圆长轴、细胞本文档来自技高网...

【技术保护点】
1.一种基于间隔自适应特征选择融合的宫颈细胞图像分类方法，其特征在于，包括如下步骤：/n(1)针对原始宫颈细胞图像中检测到的每个单细胞图像，进行去噪预处理后，采用分水岭分割算法提取出细胞核、细胞质区域；/n(2)提取宫颈细胞图像的纹理、形状、颜色特征；/n(3)基于间隔自适应方法进行细胞特征优化；/n(4)训练双层多示例超限学习机，确定训练误差最小化的MI-ELM模型参数；/n(5)基于已训练的超限学习机模型，对检测到的未知单细胞图像进行分类识别。/n

【技术特征摘要】
1.一种基于间隔自适应特征选择融合的宫颈细胞图像分类方法，其特征在于，包括如下步骤：
(1)针对原始宫颈细胞图像中检测到的每个单细胞图像，进行去噪预处理后，采用分水岭分割算法提取出细胞核、细胞质区域；
(2)提取宫颈细胞图像的纹理、形状、颜色特征；
(3)基于间隔自适应方法进行细胞特征优化；
(4)训练双层多示例超限学习机，确定训练误差最小化的MI-ELM模型参数；
(5)基于已训练的超限学习机模型，对检测到的未知单细胞图像进行分类识别。


2.根据权利要求1所述的基于间隔自适应特征选择融合的宫颈细胞图像分类方法，其特征在于，步骤(2)的具体步骤为：
(2-1)提取宫颈细胞图像细胞核和细胞质HSV色彩空间的灰度共生矩阵纹理特征Pδ；
(2-2)提取宫颈细胞图像形状特征：包括细胞区域面积、细胞拟合椭圆短轴、细胞拟合椭圆长轴、细胞拟合椭圆伸长率、细胞区域圆度、细胞区域周长、细胞核区域面积、细胞核拟合椭圆短轴、细胞核拟合椭圆长轴、细胞核拟合椭圆伸长率、细胞核区域周长、细胞核区域圆度、细胞核与细胞质面积比、细胞核相对位置；
(2-3)提取宫颈细胞图像颜色特征：分别来自LAB三个通道，包括细胞核和细胞质区域的均值、方差、最大值和最小值。


3.根据权利要求1所述的基于间隔自适应特征选择融合的宫颈细胞图像分类方法，其特征在于，步骤(3)的具体步骤为：
(3-1)随机选出一个样本xi，然后找出xi的两个最...

【专利技术属性】
技术研发人员：赵理莉，管致锦，杨晋朝，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32