一种基于支持向量机的白细胞图像精确分割方法与系统技术方案

本发明专利技术公开了一种基于支持向量机的白细胞图像精确分割方法与系统，所述方法包括：细胞核初始定位与分割，粗略膨胀获得细胞大致区域标记图，利用颜色特征和支持向量机分类器进行细胞精确分割。本发明专利技术所述方法，一方面根据人类视觉显著性注意机制，模拟人眼对图像边缘变化的敏感性，提出利用边缘颜色点对聚类，实现细胞核区域准确快速分割；另一方面，本发明专利技术采用的支持向量机分类器具有良好的稳定性与抗干扰性，同时本发明专利技术充分利用颜色信息及像素点之间的空间关系，改进了支持向量机分类器训练的训练样本采样方式，从而可以实现细胞小图内白细胞的精准分割。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于支持向量机的白细胞图像精确分割方法与系统，所述方法包括：细胞核初始定位与分割，粗略膨胀获得细胞大致区域标记图，利用颜色特征和支持向量机分类器进行细胞精确分割。本专利技术所述方法，一方面根据人类视觉显著性注意机制，模拟人眼对图像边缘变化的敏感性，提出利用边缘颜色点对聚类，实现细胞核区域准确快速分割；另一方面，本专利技术采用的支持向量机分类器具有良好的稳定性与抗干扰性，同时本专利技术充分利用颜色信息及像素点之间的空间关系，改进了支持向量机分类器训练的训练样本采样方式，从而可以实现细胞小图内白细胞的精准分割。【专利说明】一种基于支持向量机的白细胞图像精确分割方法与系统
本专利技术属于图像处理
，更具体地，涉及一种基于支持向量机的白细胞图像精确分割方法与系统。
技术介绍
血细胞自动分割与识别技术是近年来图像处理技术的热门研究方向之一。白细胞数目的增加与减少可以作为判断人体是否受到感染或存在炎症的主要判据，所以，利用计算机视觉技术实现白细胞的自动统计与分类可以协助医生实现快速分析与诊断。一般而言，白细胞自动分类识别系统包含三个主要步骤:细胞分割、特征提取、分类识别。而特征提取和分类识别均依赖于细胞分割的结果。因此，细胞分割是细胞分类识别系统中极其关键的步骤，保证细胞分割的精确性、鲁棒性、智能性和实时性是实现细胞分类识别系统的基础。目前，典型的白细胞自动分割算法大都针对传统的标准染色方法(如Wright氏和Giemsa氏染色法)得到的染色效果图，其染色效果良好，图像颜色稳定，但其存在的严重缺陷是染色时间过长，难以满足临床检测诊断的实时性要求，同时会比较多地存在白细胞与红细胞粘连的情况，增加了准确分割的难度。为了改正传统染色方法存在的缺陷，科学家们已经专利技术了一种针对血液图像的新型快速染色试剂，该试剂的染色速度大大提高，每张图的染色时间从几十分钟减少到十几秒，同时会溶解掉红细胞，去除了白细胞与红细胞粘连的可能性。但快速染色带来的问题是染色不均匀且含有未彻底溶解掉的红细胞杂质。到目前为止，还没有一种有效的自动分割方法不仅能针对传统的标准染色图像，也能针对快速染色图像产生较好的图像分割效果。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于支持向量机的白细胞图像精确分割方法与系统，其目的在于不仅能够针对标准染色白细胞图像实现精确分害I]，也能够针对快速染色白细胞图像实现精确分割。为实现上述目的，按照本专利技术的一个方面，提供了一种基于支持向量机的白细胞图像精确分割方法，包括:(I)细胞核初始定位与分割:对原始染色白细胞彩色图像进行滤波处理并提取图像边缘，进而获取边缘特定邻域内的颜色点对，对颜色点对像素点进行聚类计算，并根据聚类结果对所述原始染色白细胞彩色图像进行全图扫描，对细胞核区域和非细胞核区域进行标记，将细胞核区域作为前景区域；(2)粗略膨胀获得细胞大致区域标记图:对步骤(I)中滤波处理后的彩色图像进行过分割，得到多个不规则小区域；并对所述前景区域进行形态学膨胀，得到所述多个不规则小区域与膨胀后的前景区域相交的小区域集合；判断所述小区域集合中的小区域是否包含有图像边缘像素点，若有则将其从所述小区域集合中去除，得到处理后的小区域集合；将所述处理后的小区域集合与膨胀后的前景区域取并集，得到细胞大致区域标记图；(3)利用颜色特征和支持向量机SVM分类器进行细胞精确分割:对原始染色白细胞彩色图像进行中值滤波，获得各个像素点在邻域内的红绿蓝三通道颜色中值；利用步骤(2)中过分割得到的多个不规则小区域和细胞大致区域标记图，分别对细胞区域和非细胞区域采样相同个数的样本训练点；基于所述样本训练点训练得到支持向量机模型，利用所述支持向量机模型对原始染色白细胞彩色图像进行分类，得到细胞精确分割图像。本专利技术所述方法，一方面根据人类视觉显著性注意机制，模拟人眼对图像边缘变化的敏感性，提出利用边缘颜色点对聚类，实现细胞核区域准确快速分割；另一方面，本专利技术采用的支持向量机分类器具有良好的稳定性与抗干扰性，同时本专利技术充分利用颜色信息及像素点之间的空间关系，改进了支持向量机分类器训练的训练样本采样方式，从而可以实现细胞小图内白细胞的精准分割。优选地,所述步骤(I)具体包括:(11)对原始染色白细胞彩色图像进行滤波处理，并将滤波后的彩色图像转换为灰度图像；(12)获取所述灰度图像的边缘，对每个边缘像素点，计算其邻域窗口内灰度值最大、最小的两个像素点，将这两个像素点的颜色值构成一组颜色点对；(13)对所有边缘像素点的颜色点对进行聚类，训练得到混合高斯模型，并获得各类颜色点对的三通道颜色均值，将三通道颜色均值最低的一类记为细胞核类；(14)利用所述高斯混合模型对所述滤波后的彩色图像进行全图扫描，判断各像素点是否是细胞核类像素点，并对细胞核类像素点和非细胞核类像素点进行二值标记，将细胞核区域标记为前景区域。以上所述优选步骤(I)的优势在于其原理简单，且模拟人类视觉显著性注意机制、利用所述的边缘颜色点对训练混合高斯模型，能够在保证训练有效性和稳定性的前提下，大幅减少训练像素点数目，提高了算法速度。优选地,所述对原始染色白细胞彩色图像进行滤波处理具体为:利用meanshift方法对原始染色白细胞彩色图像进行滤波处理；需要指出的是，这里的滤波算法也可采用髙斯滤波、中值滤波、均值滤波等常用低通滤波算法，但是采用meanshift滤波的好处在于其综合考虑了空间与颜色距离，能够把一些小的纹理平滑掉，同时能够保留真正的边缘，为后续提取准确边缘做好准备。优选地,所述获取灰度图像的边缘具体为:对所述灰度图像利用canny算子提取图像边缘点。需要指出的是，这里也可以使用其他边缘提取算子(如:Sobel算子、Prewitt算子、Roberts算子、Laplacian算子),然而实验测试证明:相比而言，canny算子能够更准确地提取实际边缘。优选地，所述计算灰度图像边缘点的颜色点对具体为:对于每个边缘像素点，获取其5X5邻域窗口内灰度最大、最小的两个像素点，并取这两个像素点的红绿蓝三通道颜色值构成颜色点对。通过选取边缘像素点5X5邻域内像素点对的颜色信息作为聚类的输入特征，可以有效获取各类别典型像素点、降低聚类时的噪声干扰。优选地，所述对所有边缘像素点的颜色点对进行聚类并标记细胞核类具体为:对所有边缘点的颜色点对利用混合高斯模型的EM算法进行聚类，将所有的像素点分为4类，训练得到混合高斯模型；获取4个类别的颜色均值，并将颜色均值灰度化后具有最低灰度的类别标记为细胞核类。利用EM算法求解混合高斯模型已经是十分成熟的方法，且细胞核染色较深且相对稳定均匀，内聚性好。实验证明:利用混合高斯模型能够准确分割细胞核区域。优选地，所述对滤波处理后的彩色图像进行过分割具体为利用分水岭算法对所述滤波处理后的彩色图像进行过分割。当然，也可以采用其他过分割方法，例如模糊C均值、k_means(k均值)、基于EM求解的混合高斯模型等，但综合权衡过分割小区域的颜色一致性以及算法的时间损耗与复杂程度，分水岭分割性能相对最优。优选地，所述步骤(3)中分别对细胞区域和非细胞区域采样相同个数的样本训练点具体包括:对细胞区域和非细胞区域分配相同个数的样本文档来自技高网...

【技术保护点】
一种基于支持向量机的白细胞图像精确分割方法，其特征在于，包括：（1）细胞核初始定位与分割：对原始染色白细胞彩色图像进行滤波处理并提取图像边缘，进而获取边缘特定邻域内的颜色点对，对颜色点对像素点进行聚类计算，并根据聚类结果对所述原始染色白细胞彩色图像进行全图扫描，对细胞核区域和非细胞核区域进行标记，将细胞核区域作为前景区域；（2）粗略膨胀获得细胞大致区域标记图：对步骤（1）中滤波处理后的彩色图像进行过分割，得到多个不规则小区域；并对所述前景区域进行形态学膨胀，得到所述多个不规则小区域与膨胀后的前景区域相交的小区域集合；判断所述小区域集合中的小区域是否包含有图像边缘像素点，若有则将其从所述小区域集合中去除，得到处理后的小区域集合；将所述处理后的小区域集合与膨胀后的前景区域取并集，得到细胞大致区域标记图；（3）利用颜色特征和支持向量机分类器进行细胞精确分割：对原始染色白细胞彩色图像进行中值滤波，获得各个像素点在邻域内的红绿蓝三通道颜色中值；利用步骤（2）中过分割得到的多个不规则小区域和细胞大致区域标记图，分别对细胞区域和非细胞区域采样相同个数的样本训练点；基于所述样本训练点训练得到支持向量机模型，利用所述支持向量机模型对原始染色白细胞彩色图像进行分类，得到细胞精确分割图像。...

【技术特征摘要】

【专利技术属性】
技术研发人员：汪国有，王勇，郑馨，王然，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：