[发明专利]一种基于nu‑支持向量机的白细胞分类方法

说明书

技术领域

本发明涉及一种基于nu-支持向量机的白细胞分类方法，属于医学图像处理技术领域。

背景技术

通过对血液中各类白细胞数量和形态的改变进行检验，常常能够为医生诊断提供有价值的信息，有助于对一些疾病的确诊。定量细胞学、分子生物学、细胞免疫学等新的医学分支的出现，使得对细胞进行快速、准确地定量分析研究的要求显得更为迫切。然而，由专家通过显微镜用肉眼检验，费时费力，工作量十分繁重，且识别误差受专家的经验、疲劳程度等主观因素影响较大。随着计算机图像处理技术、模式识别及神经网络的迅速发展，利用这些先进技术来辅助进行血细胞形态识别和计数已经成为血液学检验技术发展的必然趋势。国内外研究表明，白细胞图像分割，即将细胞核、细胞浆与背景分离，是整个白细胞自动识别系统中最基本也是最为关键的一个环节，其准确性和稳定性直接影响到系统的识别准确率和运行速度。原因在于光照、染色等客观因素会引起细胞显微图像的成像质量下降，并且难以控制。所以，同一个白细胞在不同外部条件下有可能在颜色、背景，甚至颗粒方面表现不同。有时候由于操作不规范，显微图像中的白细胞可能被污渍污染。加之光照、染色等因素的不一致性使得彼此的区别变得更加困难。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于nu-支持向量机的白细胞分类方法。所述方法显著提高整个白细胞自动识别计数系统的使用性能，大大减轻医生阅片的劳动强度，提高诊断精度，便于对细胞进行快速准确的定量分析研究。

技术方案：为了解决上述技术问题，本发明所采用的技术方案是：

一种基于nu-支持向量机的白细胞分类方法，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；HLS(Hue，Lightness，Saturation色调、亮度、饱和度)模型是一种常用的视觉颜色模型。

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。

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。

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。