[发明专利]一种基于nu‑支持向量机的白细胞分类方法

权利要求书

1.一种基于nu-支持向量机的白细胞分类方法，其特征在于，包括如下步骤：

步骤A，采集彩色血液显微图像数据；

步骤B，对步骤A得到的显微图像数据进行中值滤波，得到中值滤波图像。

步骤C，将步骤B得到的中值滤波图像映射到HLS彩色空间，得到色调图像；

步骤D，对步骤C得到的色调图像使用基于nu-支持向量机的灰度图像分割方法进行分割，得到粗分割图像；

步骤E，对步骤D得到的粗分割图像，使用模糊细胞神经网络(Fuzzy Cellular Neural Network—FCNN)检出其中的白细胞区域图像；

步骤F，对步骤E得到的每个白细胞区域图像，使用聚类分析法确定阈值，结合阈值分割和二值形态学方法进行细分割，得到细胞核局部图像、细胞浆局部图像和背景图像；

步骤G，对步骤F得到的细胞核局部图像和细胞浆局部图像抽取最具有代表性的47个特征；

步骤H，将步骤G获得的47个特征作为输入向量，利用nu-支持向量机完成对白细胞的识别与分类；

步骤I，待步骤E得到的全部白细胞区域图像处理完毕，统计并输出对步骤A得到的图像数据的最终分类结果。

2.根据权利要求1所述的一种基于nu-支持向量机的白细胞分类方法，其特征在于，步骤D中，所述色调图像粗分割的过程如下：

步骤D-1，对所述步骤C得到的色调图像构建一个直方图；

步骤D-2，借助nu-支持向量机对步骤D-1得到的直方图进行函数拟合，找到支持向量集；

步骤D-3，在步骤D-2找到的支持向量集中自适应选择阈值，即根据拟合曲线的一阶导数信息，选择位于负值向正值过渡拐点附近的支持向量作为阈值；

步骤D-4，用步骤D-3获得的阈值对步骤C得到的色调图像进行阈值分割。

3.根据权利要求1所述的一种基于nu-支持向量机的白细胞分类方法，其特征在于，步骤G中，所述细胞核局部图像和细胞浆局部图像特征抽取的过程如下：

步骤G-1，对步骤F得到的细胞核局部图像和细胞浆局部图像抽取7个形态特征参数，以定量描述白细胞、细胞核的叶数、形状、大小、轮廓的规则程度；

步骤G-2，对步骤F得到的细胞核局部图像和细胞浆局部图像抽取24个彩色特征参数，以定量描述白细胞、细胞核和细胞浆的亮度、色调、饱和度；

步骤G-3，对步骤F得到的细胞核局部图像抽取16个统计纹理参数，以定量描述细胞核的纹理特征。

4.根据权利要求2所述的一种基于nu-支持向量机的白细胞分类方法，其特征在于，生成色调图像的直方图，将其中取值为零的项删除，剩余的非零项组成最终的直方图；

将直方图看作一个函数关系，借助nu-支持向量机找到稀疏的支持向量集；当支持向量集中的元素个数多于期望时，还需作进一步筛选，根据拟合曲线的一阶导数信息，选择位于负值向正值过渡拐点附近的支持向量作为阈值。

5.根据权利要求3所述的一种基于nu-支持向量机的白细胞分类方法，其特征在于，形态特征参数包括细胞面积、细胞浆与细胞面积比、细胞圆形度、细胞的核叶数、细胞核圆形度、细胞核的伸长度和细胞核凹度。

6.根据权利要求3所述的一种基于nu-支持向量机的白细胞分类方法，其特征在于，从三个变换矩阵中提取了16个统计纹理参数，三个图像变换矩阵定义如下：

(3a)灰度方差相关阵：矩阵元素定义为图像中某像点的δ邻域局部方差u与在θ方向上距离为d的像点的δ邻域局部方差v在图像中共同出现的概率；

(3b)灰度方差梯度相关阵：矩阵元素定义为在归一化的灰度方差图像和归一化的梯度图像中，某个灰度方差值与某个梯度值共同出现的像点对数；

(3c)近邻灰度相关阵。