[发明专利]基于多特征和多分类器的骨髓细胞分类识别方法及系统

说明书

本发明公开了一种基于多特征和多分类器的骨髓细胞分类识别方法及系统，基于3个迁移学习分类器对骨髓细胞进行训练测试；分别提取骨髓细胞图像数据集的纹理特征LBP，形状特征HOG和颜色特征HSV并进行融合得到特征融合图像，利用Keras模型融合算法对3个迁移分类器进行融合，得到融合分类器，并利用在单个分类器中取得最好测试准确率的特征融合图像对融合分类器进行训练，得到测试准确率最好的多特征多分类器融合模型；对骨髓细胞图像中的骨髓细胞进行定位分割，得到模型应用数据集；并利用测试效果最好的多特征多分类器融合模型对该数据集进行测试，得到最终的模型应用效果。本发明结合不同特征和不同分类器的优势，提高了骨髓细胞的测试分类准确率。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于多特征和多分类器的骨髓细胞分类识别方法及系统。

背景技术

计算机辅助技术相比于人工识别来说，具有许多天然的优势。第一，它的识别速度快，效率高。一般而言，具有丰富经验的检验人员很少，而骨髓细胞图像却很多，人工识别的话必然导致效率极其低下。而好的算法和机器能够一分钟扫描识别出几十甚至上百张图像，大大提高了效率。第二，识别准确率高。有些检验人员的经验并不丰富，在识别过程中很可能会出现错误，这样对于诊断疾病不利。而计算机辅助识别系统只要设计好模型算法，那么就能达到一个不错的识别准确率。第三，细胞分割出色。人工往往在观察细胞时，由于细胞之间相互粘连，有时很难将它们分开，大大降低了识别的效率。而计算机辅助识别系统能够将细胞之间分割开，这样就能够方便地对单独细胞进行识别。

多种特征以及多种分类器融合模型的构建能够更加全面和有效地识别骨髓细胞，进而能够有效地计算出细胞比例和数量，具有很高的应用实践价值。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于多特征和多分类器的骨髓细胞分类识别方法及系统，利用纹理特征，形状特征和颜色特征等多种融合特征，同时结合多种分类器融合模型来提高测试分类准确率，解决骨髓细胞的分类识别问题。

本发明采用以下技术方案：

基于多特征和多分类器的骨髓细胞分类识别方法，包括以下步骤：

S1、根据骨髓细胞原始图像建立原始图像数据集；对原始图像数据集进行定位、分割和数据增强处理，得到骨髓细胞图像数据集；

S2、构建VGG16，DenseNet121和ResNet50迁移分类器，并用步骤S1中的骨髓细胞图像数据集进行训练和测试，得到三种迁移分类器的测试准确率；

S3、从步骤S1得到的骨髓细胞图像数据集中的图像提取纹理特征LBP，形状特征HOG和颜色特征HSV；利用加权图像融合算法对提取的纹理特征LBP，形状特征HOG和颜色特征HSV特征图像进行融合得到特征融合图像，构建特征融合图像数据集，利用步骤S2构建的VGG16，DenseNet121和ResNet50迁移分类器对特征融合图像数据集进行训练并测试，得到每个迁移分类器中测试准确率最高的特征融合图像；

S4、利用Keras模型融合算法对步骤S2构建的VGG16，DenseNet121和ResNet50迁移分类器进行融合得到4个融合分类器，利用4个融合分类器对步骤S3得到的测试准确率最高的特征融合图像进行训练和测试，确定测试准确率最高的多特征多分类器融合模型；利用准确率最高的多特征多分类器融合模型对细胞图像进行分类识别。

具体的，步骤S1具体为：

S101、获取骨髓细胞数据集BCI和ASDML，建立骨髓细胞数据集；

S102、从ASDML数据集和BCI数据集中选择嗜酸性粒细胞，淋巴细胞，单核细胞，原始粒细胞和嗜中性粒细胞作为原始骨髓细胞数据集；

S103、骨髓细胞定位和分割；

S104、对步骤S103分割后的骨髓细胞图像进行中值滤波处理；