[发明专利]一种基于改进K-means及卷积神经网络的白细胞提取和分类方法

权利要求书

1.一种基于改进K-means及卷积神经网络的白细胞提取和分类方法，其特征在于，包括如下步骤：

步骤S1、在提取白细胞之前，先进行颜色空间的分解，采用有利于白细胞分割的颜色分量；

步骤S2、根据细胞图像灰度分布对K-means聚类算法进行改进，选定初始聚类中心，使图像中所有像素按就近原则进行初始聚类，并对FWSA-KM算法的欧式距离进行改进；

步骤S3、采用改进的K-means算法进行细胞核和细胞质的提取；

步骤S4、采用分水岭算法来分离复杂粘连的白细胞部分；

步骤S5、采用卷积神经网络对提取分离的白细胞进行实验，实现粘连白细胞的识别；

所述步骤S2具体实现如下：

步骤S21、对细胞图像灰度进行直方图分布统计来选定初始聚类中心，使得图像所有像素按就近原则进行初始聚类；

步骤S22、基于非欧氏距离，改进特征权重，对K-means进行改进，得到Improved-KM聚类算法，即将该算法目标函数中的χ_ik和v_jk的欧氏距离|χ_ik-v_jk|修改为非欧氏距离由此得到改进的Improved-KM聚类算法的目标函数为：

所述步骤S22中，Improved-KM聚类算法步骤如下：

步骤S221、目标函数：其中U＝(u_ij)_n×c是隶属度矩阵；如果第i个数据点x_i属于第j个类，则u_ij＝1，否则u_ij＝0，并且而V＝[v₁,v₂,…,v_c]是c个聚类中心构成的矩阵；同时式子满足：

步骤S222、最优隶属度矩阵和聚类中心矩阵中的元素为：和

步骤S223、通过迭代求解三个最小化问题；

步骤S224：令和则a_k度量了聚类在第k维特征上总的类内紧致性，b_k度量了聚类在第k维特征上总的类间分离性度量；

步骤S225、用新的目标函数求解如下特征权重矩阵：

其中满足：

步骤S226、设为第t步迭代的特征权重，则下式表示为第t+1步的特征权重：其中特征权重调节差量如下：

为了使满足约束条件对特征权重公式进行规范化处理，得到特征权重

2.根据权利要求1所述的一种基于改进K-means及卷积神经网络的白细胞提取和分类方法，其特征在于，所述步骤S1具体实现如下：

步骤S11、建立彩色模型：对白细胞染色处理，使其在色调分量(H)空间和饱和分量(S)空间对应的细胞质区域以及白细胞区域都与背景图像存在着较强的对比度；

步骤S12、在后续分割中，设置饱和分量空间和色调分量空间中阈值，将白细胞的细胞核区域以及白细胞区域粗略地从细胞图像中提取出来。

3.根据权利要求1所述的一种基于改进K-means及卷积神经网络的白细胞提取和分类方法，其特征在于，所述步骤S3具体实现如下：

步骤S31、白细胞的提取：通过观察不同细胞图像的不同色彩模型的不同分量来选择，再进行聚类分割；

步骤S32、细胞核的提取：利用聚类后的二值图像含有大量的噪声且噪声普遍面积小的特点计算出每个连通区域的面积，剔除小于阈值的连通区域面积，填充在细胞核区域之中小的孔洞；

步骤S33、细胞质的提取：将提取出的白细胞减去白细胞核的方法来得到细胞质部分，再进行重新恢复彩色像。

4.根据权利要求1所述的一种基于改进K-means及卷积神经网络的白细胞提取和分类方法，其特征在于，所述步骤S4具体实现如下：

步骤S41、对于有粘连在一起的白细胞，进行去噪和孔洞填充处理；

步骤S42、用分水岭分割算法将粘连在一起的白细胞进行分割处理。

5.根据权利要求1所述的一种基于改进K-means及卷积神经网络的白细胞提取和分类方法，其特征在于，所述步骤S5中，所述卷积神经网络由输入层、卷积层、采样层、连接层和输出层构成；输入层输入需要分类的图像，由卷积层提取出相应的特征，为加速学习速度通过采样层下采样减少需要神经元个数同时保留有用信息，连接层通过激活函数将分类结果输入至输出层，输出层的维度为所需分类的类别数。