[发明专利]基于人工蜂群算法的白细胞的检测方法

说明书

技术领域

本发明属于图像处理领域，特别涉及一种基于人工蜂群算法的白细胞检测的方法。

背景技术

人体血液白细胞通常又称为免疫细胞，在人体免疫系统起着重要的作用，在临床医学上可以通过观察不同类别的白细胞的数量和形态上的变化，从而判断人体机能的病理情况。因此，白细胞的检测是血常规检测的一项重要指标。目前，白细胞检测主要以显微镜和自动化血细胞分析仪为主，但是他们都有各自的缺点，例如人工镜检耗费的时间长、工作量大且乏味；自动化仪器不能检测白细胞形态的变化等缺点。

随着图像处理和模式识别等领域的不断进步与发展，这些技术可以应用到医学影像中，也可以应用在白细胞的检测。白细胞检测可以分为成边缘检测和椭圆检测两个步骤。椭圆检测的方法大致可以分为两类，一类为投票法，例如，Hough变换法和RANSAC算法等；另一类为优化算法，例如最小二乘拟合、遗产算法、人工蜂群算法等；在目前的实际应用中，最经典的方法是利用Hough变换来检测椭圆形的图像物体，Hough变换方法对于椭圆的部分缺失和噪声不敏感，具有很高的检测精度和鲁棒性，但是由于椭圆有五个自有参数，需要在五维参数空间进行积累，导致这种做法因为计算量和内存需求量过大而不切合实际，所以经典的Hough变换并不合适。而优化算法可以克服这些问题。求解最优化问题的方法可分为经典优化方法和智能优化算法。经典的优化算法包括梯度下降、单纯行法、共轭方向法、牛顿法等。经典优化算法对于一些复杂的、离散的或者多目标的系统很难有理想的优化结果。与经典的优化方法相比，人工蜂群算法对目标函数和约束几乎没有要求，在搜索过程中几乎不利用外部信息，仅以适应度函数作为进化依据，形成了以“生成+检验”为特征的人工智能技术。智能优化算法包括蚁群优化算法、粒子群优化算法、蜂群算法、差分算法等。粒子群算法虽然收敛速度快，但容易陷入局部最优解；差分算法虽然不易陷入局部最优解，但是收敛速度慢。人工蜂群算法具有操作简单、控制参数小、搜索精度高和鲁棒性较强的特点。

发明内容

本发明针对以上传统白细胞检测存在问题，提出一种基于人工蜂群算法的白细胞的检测方法，人工蜂群算法既能跳出局部最优解，也能很好地搜索到全局最优解的性能，有效提高了运行的速度与精度。

为实现上述目的，本发明提出的技术方案为基于人工蜂群算法的白细胞的检测方法，包括以下步骤：

步骤1：采用边缘检测处理图像，并且提取所有的边缘像素存储在矢量P中；

步骤2：初始化种群：初始化蜜源x_id，设定蜜源总数NP、控制参数limit、最大迭代次数，t＝1；

步骤3：计算蜜源的适应度值；

步骤4：雇佣蜂进行搜索产生新蜜源，计算其适应值并采用贪婪法选择较好的蜜源；

步骤5：雇佣蜂分享信息，跟随蜂采用轮盘赌原则计算蜜源被选择的概率，同时根据搜索公式在附近精细搜索；

步骤6：判断是否有食物源连续limit代没有更新，如果有则雇佣蜂变为侦查蜂，侦查蜂搜索产生新蜜源；如果没有则转到步骤8；

步骤7：记忆最优的蜜源位置；

步骤:8：t＝t+1；判断是否达到最大迭代次数，如果达到则终止输出最优解，否则重复步骤3-7；

步骤9：白细胞的图像被检测出。

进一步，上述步骤1中的边缘检测具体包括提取图片中白细胞细胞核椭圆形的边缘轮廓，然后进行椭圆检测，提取所有的边缘像素存储到矢量P中，P＝(P₁,P₂,…,P_n),n为图像上所有边缘像素的总和。

上述步骤2中每一个蜜源的位置都代表着一个可行的解的椭圆，每产生一个新的候选蜜源代表着一种新的候选椭圆，初始化所有蜜源的向量椭圆的基本方程可以表示为：

ax²+bxy+cy²+dx+ey+1＝0