过程能充分理解并据以实施。
[0074] 本发明全自动血细胞计数仪包括：血细胞识别装置、同步控制装置、自动送样装 置、输入输出装置和结果显示装置。
[0075] 本发明的血细胞识别统装置采用的识别方法如下：
[0076] 1、读入细胞图像，转化图像到HIS空间；
[0077] 2、直方图均衡化；
[0078] 3、图像平滑、分割、边缘修正；
[0079] 4、特征提取；
[0080] 5、识别细胞。
[0081] HSI模型是由孟塞尔提出的，它较RGB模式更符合人眼观察物体彩色的习惯与方 式，这使得它在处理色彩时显得直观而且自然。HIS模型中，H表示色调（Hue)，S表示饱和 度（Saturation)，I表示亮度（Intensity)。这个模型建立的基础是：（I)HSI模型之中像素 点的I分量与该点处图像的色彩信息没有联系。（2)H和S分量与人眼感知色彩的模式与习 惯相类似。由于HSI模型中的这三个分量与人感知自然界色彩的习惯相符，使得其应用在 一些基于人类视觉感知方式的彩色图像算法中的效果要好与其他的颜色模型。在HSI颜色 模型中，H分量的值表示为弧度，变化范围在[0,180]度之间；S分量表示为圆的半径长度 r，r越小，圆周转动过相同距离，H分量的值变换越大，即H分量的稳定性越差；I分量它反 映了颜色的灰度等级，从更直观的角度看来，就是圆柱体的高h。在圆柱体底平面上时，所有 点的颜色都为黑色而在顶部时所有点的颜色都为白色，此时在圆柱地面和顶面的H、S分量 的没有意义。
[0082] RGB空间到HSI空间的转化。
[0083] 由于人眼对血细胞的识别感知的过程带有明显的色彩感知成分，所以在处理图像 的过程中选择将图像由RGB空间映射至HSI空间，更符合人类在辨识有色目标时的习惯与 特点，本发明中，转换的过程如下：
[0084] 对于任何处在[0,1]区间的RGB值，其值所对应的HSI模型中的H、S、I分量的转 化公式为：
[0088] 直方图均衡。
[0089] 先将图像灰度化。灰度化之后图像的灰度值的分布情况可以有直方图反映出，它 可以看作是图像的灰度级函数，它的横坐标与纵坐标分别表示图像灰度值与灰度出现的频 度。它的本质是以累计分布函数变换法为基础的直方图修正法直方图均衡化的变换函数 为：
[0091] 式中：ω是积分变量，而
I就是r的累积积分函数。
[0092] 这里，累积积分函数看作是r的函数，并且函数单调地从0增加到1，所以这个变 换函数满足T(r)在0 < r < 1单值单调增加。在0 < r < 1内有0 < T(r) < 1的两个条 件。
[0093] 对式中的r求导，则
[0096] 由上述的结果可知，在变换后的变量s的定义域内的概率密度是均与分布的。因 此，使用r的累积分布函数作为变换函数，可使原图像变换为一张灰度值分布符合均匀概 率密度的新图像，能够使像素取值的动态范围得到扩展。对于离散的图像，则使用频率来代 替概率。
[0097] 图像平滑
[0098] 图像平滑是指通过一系列方法，如分析低频成分、主干部分或抑制图像噪声和干 扰高频成分，使图像亮度平缓渐变，减小突变梯度，改善图像质量的处理方法。例如高斯噪 声，即图像的每一点的噪声幅度的η维分布服从高斯分布，因此也被称为正态分布。对于随 机变量X，其概率密度函数记为Ν(μ，σ 2)，其中μ，〇2为分布的参数，分别为高斯分布的 期望和方差。其概率密度函数的公式为：
[0100] 本发明中使用的图像平滑的方法包括：插值方法，线性平滑方法，卷积法。在具体 情况下，选择图像平滑的处理方法要根据图像噪声类别的区别对待，才能达到理想的效果。 [0101] 图像分割：
[0102] 本发明采用最大类间差法分割。最大类间差法，有时也称之为大津算法，通常是被 人图像瓜分中阈值获取的最佳算法，该算法的特点是：（1)计算容易，算法效率高（2)不受 图像亮度和比拟度的波及。（3)性能最为稳定。因为最大类间差法的这些优点，其在数字图 像处理上获得了普遍的利用。它的算法原理基于图像的阈值分割，寻找图像中能将图像分 成背景和前景两局部的每个灰度值特性，当背景和前景之间的类间方差越大，即是意味着 构成图像的两局部的差异也越大，当局部前景错分为背景或局部背景错分为前景都会导致 图像的两局部差异变小。使用类间方差最大好处是总是将图像分割时选择错误而阈值的概 率降到最小。
[0103] 设灰度图像灰度级是L，则灰度范围为[0, L-1]，利用最大类间差法算法计算图像 的最佳阈值为：
[0104] t = Max [w0 (t) · (u0 (t) -u) ^w1 (t) · (U1 (t) -u)2]
[0105] 其中的变量为：当分割的阈值为t时，w。为背景比例，μ。为背景均值，w 前景比 例，P1为前景均值，μ为整幅图像的灰度均值。图像分割后对图像内部进行填充。
[0106] 细胞边界修正
[0107] 通过预处理后的图片需要进行必要的修正，又需要兼顾到细胞内部细微孔洞的消 除。修正的主要做法是通过选取适合的开闭运算，因为在预处理中提到过闭运算的本身的 特点适合对图像的边缘做出修正。
[0108] 若选择到合理的模板大小和次数，能很好的减少细胞边界的模糊对后面步骤可能 会出现的干扰。对于开运算和闭运算在选择次数上和模板参数的选择是对细胞边界修正过 程来说是至关重要的，从实验得到结果的效果来分析，选择适当的次数和模板大小能够很 好的达到修正边界的预期效果。
[0109] 细胞的特征提取
[0110] ⑴轮廓提取
[0111] 在识别细胞时，很重要的一点就是要对目标的轮廓进行提取。因为二值图像中不 同区域中都具有不同像素值，但对于相同的区域里的像素值是相同的。因而轮廓算法的实 现步骤为：顺序扫描图像中每一点，若图像中该点的8个近邻都是黑色像素时，说明该点为 内部点，删除该点，然后继续扫描下一个点，当图像中所有的点都扫描完毕时即获得了图像 轮廓的提取，此时获得的轮廓包含独立细胞与重叠细胞共同组成的闭连通区域。
[0112] ⑵获取细胞的特征
[0113] 在获得目标的轮廓之后可以计算出一些后续算法所需要细胞的主要形态学上的 特征。这之中包括圆心，周长，面积，形状等，在这里我们通过计算出这些特征来为最后的计 数统计来做好前期的数据准备，算法进行至此步骤的时实际上已经可以通过近似计算出连 通区域的个数来解决一些简单的独立细胞的识别问题。但是这种做法在面对一些大面积粘 连，重叠或者重合的细胞还是无法判断，会造成统计出来的数值大大的小于实际数值，但是 还不需要直接对这种情况做出判断，只需尽可能减少获得特征数据的误差，方便后面的计 算。
[0114] 提取连通区域的特征
[0115] 此处需要通过查询来提取出每个连通分量的周长，面积和质点，此时获得的数据 已经可以提交给细胞识别算法处理。
[0116] 连通区域的面积算法流程如下：
[0117] (1)若连通区域的总个数为，遍历1-n个连通区域；
[0118] (2)每对一个连通区域进行遍历时逐行，逐列遍历，记录下同行两个像素值不为0 的像素 P (X1, Y1)，P (X2, y2)之间的像素个数并相加，另此时的总和为N。
[0119] (3)若第i行没有一个不为0的像素则结束程序，此时的N值为所求面积。
[0120] 在全部扫描过Fn个连通区域后，统计出形状因子大于0. 85的连通区域且面积达 到设定的标准的最小面积标准T的个数，并计算这些连通区域的的总面积，就可以求得标 准细胞面积得期望，从而避免将已经产生重叠现象和干扰点被进入通的闭连通区域面积带 入计算平均细胞面积之中造成误差。在获得了标准细胞面积S的面积之后还需要进一步反 馈验证，即重新比对参与标准细胞面积期望S的连通区域，对大于S面积1. 5倍以上的连通 区域面积予以副除，随后重新计算标准面积S。标准细胞面积期望S的公式如下：
[0122] 其中X为形状因子大于0. 85且排除为干扰点可能性后的连通区域的个数，为Fi 至Fx个形状因子大于0. 85的连通区域的面积。
[0123] 通过这样方法选取后计算出来的面积作为标准细胞面积的好处有：
[0124] (1)由于形状因子的限制排除了那些因重叠面积增大的细胞参与到平均面积S的 计算值中，保证了标准细胞面积的准确性。
[0125] (2)因为形状因子与图像中独立细胞的大小无关，只与血细胞的形状有关，这样就 很好的适应了不同比例尺寸图片中血细