[发明专利]一种宫颈脱落细胞核图像识别方法

权利要求书

1.一种宫颈脱落细胞核图像识别方法，其特征在于，包括以下步骤：

步骤1：输入宫颈脱落细胞核的训练及测试样本图像，将大部分样本选作训练集，小部分选作测试集；

步骤2：对宫颈脱落细胞核样本图像进行预处理；

步骤3：对宫颈脱落细胞核进行特征提取并对该样本图像进行归一化和标识；

步骤4：利用加权求和的方法构建混合核函数SVM分类器；

步骤5：利用大网格结合QPSO算法在搜索区域进行寻优，寻找最优的区域；

步骤6：利用中网格结合QPSO算法在最优的区域进行寻优，缩小最优区域；

步骤7：利用小网格结合QPSO算法在寻优后的区域进行寻优，寻找最优的混合核函数参数，建立最优的SVM分类器；

步骤8：利用优化后的新的SVM分类器完成对测试集宫颈脱落细胞核的识别分类。

2.根据权利要求1所述宫颈脱落细胞核图像识别方法，其特征在于：步骤1具体包括：获取大量的宫颈脱落细胞核样本，将获取的宫颈脱落细胞核分成两个部分，80%的宫颈脱落细胞核样本作为训练集，用于训练SVM分类器，20%的宫颈脱落细胞核样本作为测试集，用于测试构建的SVM分类器的训练效果和精度。

3.根据权利要求1所述宫颈脱落细胞核图像识别方法，其特征在于：步骤2具体包括：对图像进行降噪处理、细胞分割、归一化处理并标识，具体实现如下：

1）降噪处理方法是采用面积为3*3的模板进行高斯滤波方法实现：对整幅细胞核图像进行加权平均处理，用面积3*3的模板扫描每一个像素，用模板确定的邻域内像素的加权平均灰度值替代模板中心像素点的值，公式如下：

，

其中为点坐标，在图像处理中可认为是整数；是标准差；

2）细胞核分割处理，采用Otsu阈值分割算法和分水岭分割算法对细胞核进行分割；

a）Otsu法根据阈值把直方图分割成目标和背景两组代表阈值为时的类间方差，，分别为组产生的概率和均值，为整体图像的均值，两组间的类间差如下式：

，其中最优阈值；

b）分水岭分割算法计算分两个步骤，一个是排序过程，一个是淹没过程；

首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出结构进行判断及标注；

分水岭表示输入图像极大值点，为得到图像的边缘信息，通常把梯度图作为输入图像，即

，

式中，表示原始图像，表示梯度运算；

c）为降低分水岭算法产生的过度分割，对梯度图像进行阈值处理，消除灰度的微小变化产生的过度分割，即：式中，表示阈值。

4.根据权利要求1所述宫颈脱落细胞核图像识别方法，其特征在于：步骤3具体包括：对细胞核的表型特征和光学特征进行提取，计算特征向量；提取细胞核的表型特征包括细胞核的面积、周长、轴长、偏心率、质心等参数，细胞核的光学特征包括细胞核的光学密度方差、光学密度峰度、光强、最大光学密度等参数，计算这些特征的参数值，对这些特征参数进行Z-score归一化处理，避免训练得到的模型权重过小，引起数值计算不稳定，使参数优化时能以较快的速度收敛，如公式：

代表某一个具体分数，代表平均数，代表标准差；

对应样本图像的类别，进行标识。

5.根据权利要求1所述宫颈脱落细胞核图像识别方法，其特征在于：步骤4具体包括：选用基于径向的核函数RBF和多项式核函数POLY来构建混合核函数，POLY是全局性核函数，具有泛化能力强，学习能力弱的特点，RBF是局部性核函数，具有泛化能力弱，学习能力强的特点，故将全局性核函数POLY和局部性核函数RBF线性加权叠加构建新的核函数，提高核函数的泛化能力和学习能力，构建的混合核函数SVM模型为：

为混合权重系数，为惩罚因子，和是两个相近的向量，是多项式核函数参数，是径向基函数参数。