一种基于云计算的生物识别系统的制作方法

本发明涉及云计算领域，具体涉及一种基于云计算的生物识别系统。

背景技术：

传统的识别技术都是采用本地识别软件进行识别，因此要求终端必须具有较强的CPU和足够大的存储空间来存储尽可能多的数据。严重限制了识别技术的发展。

技术实现要素：

为解决上述问题，本发明旨在提供一种基于云计算的生物识别系统。

本发明的目的采用以下技术方案来实现：

一种基于云计算的生物识别系统，包括细胞识别模块和语音识别模块，所述细胞识别模块用于确认用户身份，所述语音识别模块由语音识别终端、决策器、通信网络、云计算端和本地语音识别器组成。

本发明的有益效果为：低成本，高性能，易扩展，广泛应用于基于云计算的识别领域。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是语音识别模块的结构示意图。

图2是细胞识别模块的结构示意图。

附图标记：

细胞识别模块1、细胞图像分割单元11、特征提取单元12、分类识别单元13。

具体实施方式

结合以下应用场景对本发明作进一步描述。

应用场景1

参见图1、图2，本应用场景的一个实施例的一种基于云计算的生物识别系统，包括细胞识别模块和语音识别模块，所述细胞识别模块用于确认用户身份，所述语音识别模块由语音识别终端、决策器、通信网络、云计算端和本地语音识别器组成。

优选地，语音识别终端把采集到的语音片段进行模数转换后，传送到决策器进行决策，若决策值小于规定的阈值，决策器就通过通信网络将语音数据上传至云计算端进行语音识别，反馈结果至语音识别终端，若决策值大于规定的阈值，决策器就将语音数据传送给本地语音识别器进行语音识别，反馈结果至语音识别终端。

本优选实施例能够加快识别速度。

优选地，所述语音识别终端为手机。

本优选实施例能够很方便的应用在日常生活中。

优选的，所述细胞识别模块1包括细胞图像分割单元11、特征提取单元12、分类识别单元13；所述细胞图像分割单元11用于区分由细胞图像采集模块采集的细胞图像中的背景、细胞核和细胞质；所述特征提取单元12用于对细胞图像的纹理特征进行提取；所述分类识别单元13用于根据纹理特征利用分类器实现对细胞图像分类识别。

本优选实施例构建了细胞识别模块1的单元架构。

优选的，所述细胞图像分割单元11包括图像转换子单元、噪声去除子单元、粗分割子单元、细胞核中心标定子单元、精确分割子单元，具体为：

(1)图像转换子单元，用于将采集的细胞图像转化为灰度图像；

(2)噪声去除子单元，用于对灰度图像进行去噪处理，包括：

对于像素点(x,y)，选取其3×3的邻域S_x,y和(2N+1)×(2N+1)的邻域L_x,y，N为大于等于2的整数；

首先对像素点是否为边界点进行判断，设定阈值T，T∈[13,26]，计算像素点(x,y)与其邻域S_x,y中每个像素点的灰度差值，并与阈值T进行比较，若灰度差值大于阈值T的个数大于等于6，则像素点(x,y)为边界点，否则，像素点(x,y)为非边界点；

若(x,y)为边界点，则进行如下降噪处理：

式中，h(x,y)为降噪后像素点(x,y)的灰度值，q(x,y)为降噪前像素点(x,y)的灰度值，σ为像素点(x,y)邻域L_x,y内灰度值标差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示邻域L_x,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点，k表示邻域L_x,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点的数量；

若(x,y)为非边界点，则进行如下降噪处理：

式中，h(x,y)为降噪后像素点(x,y)的灰度值，q(i,j)代表图像中点(i,j)处的灰度值，w(i,j)为邻域L_x,y内点(i,j)对应的高斯权重；

(3)粗分割子单元，用于对去噪后的细胞图像中的背景、细胞质、细胞核进行粗划分，具体为：

将每个像素(x,y)用一个四维特征向量表示：

式中，h(x,y)代表(x,y)的灰度值，h_ave(x,y)代表其邻域S_x,y灰度均值，h_med(x,y)代表其邻域S_x,y灰度中值，h_sta(x,y)代表其邻域S_x,y灰度方差；

采用K-means聚类法将其划分为背景、细胞质、细胞核三类；

(4)细胞核中心标定子单元，用于对细胞核中心进行标定：

由粗分割子单元得到细胞核大致区域，设细胞核区域包含n个点：(x₁,y₁),…,(x_n,y_n)，对该区域进行灰度加权标定和几何中心标定，取其平均值作为细胞核中心(x_z,y_z)：

(5)精确分割子单元，用于对细胞核、细胞质进行精确分割；

构建从细胞核中心(x_z,y_z)到细胞核和细胞质边界点(x_p,y_p)的有向线段的距离表示向下取整；

沿线段以单位长度进行采样可以得到dis_p个点若采样点的坐标不是整数，其灰度值通过周围像素线性插值得到；

点(x_i,y_i)处沿线段方向的灰度差：

hd(x_i,y_i)＝h(x_i-1,y_i-1)-h(x_i,y_i)

定义灰度差抑制函数：

点(x_i,y_i)处沿线段方向的梯度gra(x_i,y_i)：

选取梯度最大的值点作为细胞核和细胞质的精确边缘。

本优选实施例设置噪声去除子单元，有效融合了中心像素与邻域像素的空间临近性和灰度相似性来进行降噪处理，在图像中的平坦区域，邻域内像素灰度值相差不大，采用高斯滤波器对灰度值进行加权滤波，在变化剧烈的边界区域，行边界保持滤波，有利于图像边缘的保持；采用K均值聚类提取细胞核和细胞质粗轮廓，可有效去除噪声的干扰；设置细胞核中心标定子单元，便于后续对细胞核和细胞质轮廓进行精确定位；精确分割子单元充分利用了方向信息，克服了炎症细胞对边缘图的干扰，能够准确提取出细胞核和细胞质边缘。

优选的，所述对细胞图像的纹理特征进行提取，包括：

(1)基于改进的灰度共生矩阵法求取细胞图像的综合灰度共生矩阵，所述综合灰度共生矩阵体现了细胞在不同方向上的纹理特征：

设在0°、45°、90°、135°四个方向上的灰度共生矩阵分别为h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°)，所对应的矩阵元素项目为X₁、X₂、X₃、X₄，则综合灰度共生矩阵的计算公式为：

H(x,y,d)＝w₁h(x,y,d,0°)+w₂h(x,y,d,45°)+w₃h(x,y,d,90°)+w₄h(x,y,d,135°)

综合灰度共生矩阵元素数目为：

式中，d表示距离，d的取值范围为[2,4]，w_i为加权系数,i＝1,2,3,4，其由四个方向中的每个方向上的灰度共生矩阵对应的对比度参数计算，设四个方向上的灰度共生矩阵对应的对比度参数分别为D_i，均值为i＝1,2,3,4，则加权系数w_i的计算公式为：

(2)利用所述综合灰度共生矩阵和矩阵元素项目获取所需的四个纹理特征参数：对比度、方差和、能量和均值；

(3)对所述四个纹理特征参数进行归一化处理，最终获得归一化的纹理特征值。

本优选实施例基于改进的灰度共生矩阵法，采用设置加权系数的方式求取细胞图像的综合灰度共生矩阵，进而提取细胞在指定四个方向上的纹理特征，解决了由于外部干扰(如细胞图像采集时光照角度造成的影响、气体的流动干扰等)造成的细胞的纹理特征参数值在不同方向上有较大差别的问题，提高了细胞图像纹理特征提取的精度；选定对比度、方差和、能量和均值四个纹理特征，去掉了冗余和重复的特征参数；对所述四个纹理特征参数进行归一化处理，方便了后续的细胞图像的分类识别处理。

在此应用场景中，设定阈值T＝13，d＝2，图像去噪效果相对提高了5％，细胞图像特征的提取精度提高了8％。

应用场景2

参见图1、图2，本应用场景的一个实施例的一种基于云计算的生物识别系统，包括细胞识别模块和语音识别模块，所述细胞识别模块用于确认用户身份，所述语音识别模块由语音识别终端、决策器、通信网络、云计算端和本地语音识别器组成。

优选地，语音识别终端把采集到的语音片段进行模数转换后，传送到决策器进行决策，若决策值小于规定的阈值，决策器就通过通信网络将语音数据上传至云计算端进行语音识别，反馈结果至语音识别终端，若决策值大于规定的阈值，决策器就将语音数据传送给本地语音识别器进行语音识别，反馈结果至语音识别终端。

本优选实施例能够加快识别速度。

优选地，所述语音识别终端为手机。

本优选实施例能够很方便的应用在日常生活中。

优选的，所述细胞识别模块1包括细胞图像分割单元11、特征提取单元12、分类识别单元13；所述细胞图像分割单元11用于区分由细胞图像采集模块采集的细胞图像中的背景、细胞核和细胞质；所述特征提取单元12用于对细胞图像的纹理特征进行提取；所述分类识别单元13用于根据纹理特征利用分类器实现对细胞图像分类识别。

本优选实施例构建了细胞识别模块1的单元架构。

优选的，所述细胞图像分割单元11包括图像转换子单元、噪声去除子单元、粗分割子单元、细胞核中心标定子单元、精确分割子单元，具体为：

(1)图像转换子单元，用于将采集的细胞图像转化为灰度图像；

(2)噪声去除子单元，用于对灰度图像进行去噪处理，包括：

对于像素点(x,y)，选取其3×3的邻域S_x,y和(2N+1)×(2N+1)的邻域L_x,y，N为大于等于2的整数；

首先对像素点是否为边界点进行判断，设定阈值T，T∈[13,26]，计算像素点(x,y)与其邻域S_x,y中每个像素点的灰度差值，并与阈值T进行比较，若灰度差值大于阈值T的个数大于等于6，则像素点(x,y)为边界点，否则，像素点(x,y)为非边界点；

若(x,y)为边界点，则进行如下降噪处理：

式中，h(x,y)为降噪后像素点(x,y)的灰度值，q(x,y)为降噪前像素点(x,y)的灰度值，σ为像素点(x,y)邻域L_x,y内灰度值标差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示邻域L_x,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点，k表示邻域L_x,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点的数量；

若(x,y)为非边界点，则进行如下降噪处理：

式中，h(x,y)为降噪后像素点(x,y)的灰度值，q(i,j)代表图像中点(i,j)处的灰度值，w(i,j)为邻域L_x,y内点(i,j)对应的高斯权重；

(3)粗分割子单元，用于对去噪后的细胞图像中的背景、细胞质、细胞核进行粗划分，具体为：

将每个像素(x,y)用一个四维特征向量表示：

式中，h(x,y)代表(x,y)的灰度值，h_ave(x,y)代表其邻域S_x,y灰度均值，h_med(x,y)代表其邻域S_x,y灰度中值，h_sta(x,y)代表其邻域S_x,y灰度方差；

采用K-means聚类法将其划分为背景、细胞质、细胞核三类；

(4)细胞核中心标定子单元，用于对细胞核中心进行标定：

由粗分割子单元得到细胞核大致区域，设细胞核区域包含n个点：(x₁,y₁),…,(x_n,y_n)，对该区域进行灰度加权标定和几何中心标定，取其平均值作为细胞核中心(x_z,y_z)：

(5)精确分割子单元，用于对细胞核、细胞质进行精确分割；

构建从细胞核中心(x_z,y_z)到细胞核和细胞质边界点(x_p,y_p)的有向线段的距离表示向下取整；

沿线段以单位长度进行采样可以得到dis_p个点若采样点的坐标不是整数，其灰度值通过周围像素线性插值得到；

点(x_i,y_i)处沿线段方向的灰度差：

hd(x_i,y_i)＝h(x_i-1,y_i-1)-h(x_i,y_i)

定义灰度差抑制函数：

点(x_i,y_i)处沿线段方向的梯度gra(x_i,y_i)：

选取梯度最大的值点作为细胞核和细胞质的精确边缘。

本优选实施例设置噪声去除子单元，有效融合了中心像素与邻域像素的空间临近性和灰度相似性来进行降噪处理，在图像中的平坦区域，邻域内像素灰度值相差不大，采用高斯滤波器对灰度值进行加权滤波，在变化剧烈的边界区域，行边界保持滤波，有利于图像边缘的保持；采用K均值聚类提取细胞核和细胞质粗轮廓，可有效去除噪声的干扰；设置细胞核中心标定子单元，便于后续对细胞核和细胞质轮廓进行精确定位；精确分割子单元充分利用了方向信息，克服了炎症细胞对边缘图的干扰，能够准确提取出细胞核和细胞质边缘。

优选的，所述对细胞图像的纹理特征进行提取，包括：

(1)基于改进的灰度共生矩阵法求取细胞图像的综合灰度共生矩阵，所述综合灰度共生矩阵体现了细胞在不同方向上的纹理特征：

设在0°、45°、90°、135°四个方向上的灰度共生矩阵分别为h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°)，所对应的矩阵元素项目为X₁、X₂、X₃、X₄，则综合灰度共生矩阵的计算公式为：

H(x,y,d)＝w₁h(x,y,d,0°)+w₂h(x,y,d,45°)+w₃h(x,y,d,90°)+w₄h(x,y,d,135°)

综合灰度共生矩阵元素数目为：

式中，d表示距离，d的取值范围为[2,4]，w_i为加权系数,i＝1,2,3,4，其由四个方向中的每个方向上的灰度共生矩阵对应的对比度参数计算，设四个方向上的灰度共生矩阵对应的对比度参数分别为D_i，均值为i＝1,2,3,4，则加权系数w_i的计算公式为：

(2)利用所述综合灰度共生矩阵和矩阵元素项目获取所需的四个纹理特征参数：对比度、方差和、能量和均值；

(3)对所述四个纹理特征参数进行归一化处理，最终获得归一化的纹理特征值。

本优选实施例基于改进的灰度共生矩阵法，采用设置加权系数的方式求取细胞图像的综合灰度共生矩阵，进而提取细胞在指定四个方向上的纹理特征，解决了由于外部干扰(如细胞图像采集时光照角度造成的影响、气体的流动干扰等)造成的细胞的纹理特征参数值在不同方向上有较大差别的问题，提高了细胞图像纹理特征提取的精度；选定对比度、方差和、能量和均值四个纹理特征，去掉了冗余和重复的特征参数；对所述四个纹理特征参数进行归一化处理，方便了后续的细胞图像的分类识别处理。

在此应用场景中，设定阈值T＝15，d＝2，图像去噪效果相对提高了6％，细胞图像特征的提取精度提高了8％。

应用场景3

参见图1、图2，本应用场景的一个实施例的一种基于云计算的生物识别系统，包括细胞识别模块和语音识别模块，所述细胞识别模块用于确认用户身份，所述语音识别模块由语音识别终端、决策器、通信网络、云计算端和本地语音识别器组成。

优选地，语音识别终端把采集到的语音片段进行模数转换后，传送到决策器进行决策，若决策值小于规定的阈值，决策器就通过通信网络将语音数据上传至云计算端进行语音识别，反馈结果至语音识别终端，若决策值大于规定的阈值，决策器就将语音数据传送给本地语音识别器进行语音识别，反馈结果至语音识别终端。

本优选实施例能够加快识别速度。

优选地，所述语音识别终端为手机。

本优选实施例能够很方便的应用在日常生活中。

优选的，所述细胞识别模块1包括细胞图像分割单元11、特征提取单元12、分类识别单元13；所述细胞图像分割单元11用于区分由细胞图像采集模块采集的细胞图像中的背景、细胞核和细胞质；所述特征提取单元12用于对细胞图像的纹理特征进行提取；所述分类识别单元13用于根据纹理特征利用分类器实现对细胞图像分类识别。

本优选实施例构建了细胞识别模块1的单元架构。

优选的，所述细胞图像分割单元11包括图像转换子单元、噪声去除子单元、粗分割子单元、细胞核中心标定子单元、精确分割子单元，具体为：

(1)图像转换子单元，用于将采集的细胞图像转化为灰度图像；

(2)噪声去除子单元，用于对灰度图像进行去噪处理，包括：

对于像素点(x,y)，选取其3×3的邻域S_x,y和(2N+1)×(2N+1)的邻域L_x,y，N为大于等于2的整数；

首先对像素点是否为边界点进行判断，设定阈值T，T∈[13,26]，计算像素点(x,y)与其邻域S_x,y中每个像素点的灰度差值，并与阈值T进行比较，若灰度差值大于阈值T的个数大于等于6，则像素点(x,y)为边界点，否则，像素点(x,y)为非边界点；

若(x,y)为边界点，则进行如下降噪处理：

式中，h(x,y)为降噪后像素点(x,y)的灰度值，q(x,y)为降噪前像素点(x,y)的灰度值，σ为像素点(x,y)邻域L_x,y内灰度值标差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示邻域L_x,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点，k表示邻域L_x,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点的数量；

若(x,y)为非边界点，则进行如下降噪处理：

式中，h(x,y)为降噪后像素点(x,y)的灰度值，q(i,j)代表图像中点(i,j)处的灰度值，w(i,j)为邻域L_x,y内点(i,j)对应的高斯权重；

(3)粗分割子单元，用于对去噪后的细胞图像中的背景、细胞质、细胞核进行粗划分，具体为：

将每个像素(x,y)用一个四维特征向量表示：

式中，h(x,y)代表(x,y)的灰度值，h_ave(x,y)代表其邻域S_x,y灰度均值，h_med(x,y)代表其邻域S_x,y灰度中值，h_sta(x,y)代表其邻域S_x,y灰度方差；

采用K-means聚类法将其划分为背景、细胞质、细胞核三类；

(4)细胞核中心标定子单元，用于对细胞核中心进行标定：

由粗分割子单元得到细胞核大致区域，设细胞核区域包含n个点：(x₁,y₁),…,(x_n,y_n)，对该区域进行灰度加权标定和几何中心标定，取其平均值作为细胞核中心(x_z,y_z)：

(5)精确分割子单元，用于对细胞核、细胞质进行精确分割；

构建从细胞核中心(x_z,y_z)到细胞核和细胞质边界点(x_p,y_p)的有向线段的距离表示向下取整；

沿线段以单位长度进行采样可以得到dis_p个点若采样点的坐标不是整数，其灰度值通过周围像素线性插值得到；

点(x_i,y_i)处沿线段方向的灰度差：

hd(x_i,y_i)＝h(x_i-1,y_i-1)-h(x_i,y_i)

定义灰度差抑制函数：

点(x_i,y_i)处沿线段方向的梯度gra(x_i,y_i)：

选取梯度最大的值点作为细胞核和细胞质的精确边缘。

本优选实施例设置噪声去除子单元，有效融合了中心像素与邻域像素的空间临近性和灰度相似性来进行降噪处理，在图像中的平坦区域，邻域内像素灰度值相差不大，采用高斯滤波器对灰度值进行加权滤波，在变化剧烈的边界区域，行边界保持滤波，有利于图像边缘的保持；采用K均值聚类提取细胞核和细胞质粗轮廓，可有效去除噪声的干扰；设置细胞核中心标定子单元，便于后续对细胞核和细胞质轮廓进行精确定位；精确分割子单元充分利用了方向信息，克服了炎症细胞对边缘图的干扰，能够准确提取出细胞核和细胞质边缘。

优选的，所述对细胞图像的纹理特征进行提取，包括：

(1)基于改进的灰度共生矩阵法求取细胞图像的综合灰度共生矩阵，所述综合灰度共生矩阵体现了细胞在不同方向上的纹理特征：

设在0°、45°、90°、135°四个方向上的灰度共生矩阵分别为h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°)，所对应的矩阵元素项目为X₁、X₂、X₃、X₄，则综合灰度共生矩阵的计算公式为：

H(x,y,d)＝w₁h(x,y,d,0°)+w₂h(x,y,d,45°)+w₃h(x,y,d,90°)+w₄h(x,y,d,135°)

综合灰度共生矩阵元素数目为：

式中，d表示距离，d的取值范围为[2,4]，w_i为加权系数,i＝1,2,3,4，其由四个方向中的每个方向上的灰度共生矩阵对应的对比度参数计算，设四个方向上的灰度共生矩阵对应的对比度参数分别为D_i，均值为i＝1,2,3,4，则加权系数w_i的计算公式为：

(2)利用所述综合灰度共生矩阵和矩阵元素项目获取所需的四个纹理特征参数：对比度、方差和、能量和均值；

(3)对所述四个纹理特征参数进行归一化处理，最终获得归一化的纹理特征值。

本优选实施例基于改进的灰度共生矩阵法，采用设置加权系数的方式求取细胞图像的综合灰度共生矩阵，进而提取细胞在指定四个方向上的纹理特征，解决了由于外部干扰(如细胞图像采集时光照角度造成的影响、气体的流动干扰等)造成的细胞的纹理特征参数值在不同方向上有较大差别的问题，提高了细胞图像纹理特征提取的精度；选定对比度、方差和、能量和均值四个纹理特征，去掉了冗余和重复的特征参数；对所述四个纹理特征参数进行归一化处理，方便了后续的细胞图像的分类识别处理。

在此应用场景中，设定阈值T＝18，d＝3，图像去噪效果相对提高了7％，细胞图像特征的提取精度提高了7％。

应用场景4

参见图1、图2，本应用场景的一个实施例的一种基于云计算的生物识别系统，包括细胞识别模块和语音识别模块，所述细胞识别模块用于确认用户身份，所述语音识别模块由语音识别终端、决策器、通信网络、云计算端和本地语音识别器组成。

优选地，语音识别终端把采集到的语音片段进行模数转换后，传送到决策器进行决策，若决策值小于规定的阈值，决策器就通过通信网络将语音数据上传至云计算端进行语音识别，反馈结果至语音识别终端，若决策值大于规定的阈值，决策器就将语音数据传送给本地语音识别器进行语音识别，反馈结果至语音识别终端。

本优选实施例能够加快识别速度。

优选地，所述语音识别终端为手机。

本优选实施例能够很方便的应用在日常生活中。

优选的，所述细胞识别模块1包括细胞图像分割单元11、特征提取单元12、分类识别单元13；所述细胞图像分割单元11用于区分由细胞图像采集模块采集的细胞图像中的背景、细胞核和细胞质；所述特征提取单元12用于对细胞图像的纹理特征进行提取；所述分类识别单元13用于根据纹理特征利用分类器实现对细胞图像分类识别。

本优选实施例构建了细胞识别模块1的单元架构。

优选的，所述细胞图像分割单元11包括图像转换子单元、噪声去除子单元、粗分割子单元、细胞核中心标定子单元、精确分割子单元，具体为：

(1)图像转换子单元，用于将采集的细胞图像转化为灰度图像；

(2)噪声去除子单元，用于对灰度图像进行去噪处理，包括：

对于像素点(x,y)，选取其3×3的邻域S_x,y和(2N+1)×(2N+1)的邻域L_x,y，N为大于等于2的整数；

首先对像素点是否为边界点进行判断，设定阈值T，T∈[13,26]，计算像素点(x,y)与其邻域S_x,y中每个像素点的灰度差值，并与阈值T进行比较，若灰度差值大于阈值T的个数大于等于6，则像素点(x,y)为边界点，否则，像素点(x,y)为非边界点；

若(x,y)为边界点，则进行如下降噪处理：

式中，h(x,y)为降噪后像素点(x,y)的灰度值，q(x,y)为降噪前像素点(x,y)的灰度值，σ为像素点(x,y)邻域L_x,y内灰度值标差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示邻域L_x,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点，k表示邻域L_x,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点的数量；

若(x,y)为非边界点，则进行如下降噪处理：

式中，h(x,y)为降噪后像素点(x,y)的灰度值，q(i,j)代表图像中点(i,j)处的灰度值，w(i,j)为邻域L_x,y内点(i,j)对应的高斯权重；

(3)粗分割子单元，用于对去噪后的细胞图像中的背景、细胞质、细胞核进行粗划分，具体为：

将每个像素(x,y)用一个四维特征向量表示：

式中，h(x,y)代表(x,y)的灰度值，h_ave(x,y)代表其邻域S_x,y灰度均值，h_med(x,y)代表其邻域S_x,y灰度中值，h_sta(x,y)代表其邻域S_x,y灰度方差；

采用K-means聚类法将其划分为背景、细胞质、细胞核三类；

(4)细胞核中心标定子单元，用于对细胞核中心进行标定：

由粗分割子单元得到细胞核大致区域，设细胞核区域包含n个点：(x₁,y₁),…,(x_n,y_n)，对该区域进行灰度加权标定和几何中心标定，取其平均值作为细胞核中心(x_z,y_z)：

(5)精确分割子单元，用于对细胞核、细胞质进行精确分割；

构建从细胞核中心(x_z,y_z)到细胞核和细胞质边界点(x_p,y_p)的有向线段的距离表示向下取整；

沿线段以单位长度进行采样可以得到dis_p个点若采样点的坐标不是整数，其灰度值通过周围像素线性插值得到；

点(x_i,y_i)处沿线段方向的灰度差：

hd(x_i,y_i)＝h(x_i-1,y_i-1)-h(x_i,y_i)

定义灰度差抑制函数：

点(x_i,y_i)处沿线段方向的梯度gra(x_i,y_i)：

选取梯度最大的值点作为细胞核和细胞质的精确边缘。

本优选实施例设置噪声去除子单元，有效融合了中心像素与邻域像素的空间临近性和灰度相似性来进行降噪处理，在图像中的平坦区域，邻域内像素灰度值相差不大，采用高斯滤波器对灰度值进行加权滤波，在变化剧烈的边界区域，行边界保持滤波，有利于图像边缘的保持；采用K均值聚类提取细胞核和细胞质粗轮廓，可有效去除噪声的干扰；设置细胞核中心标定子单元，便于后续对细胞核和细胞质轮廓进行精确定位；精确分割子单元充分利用了方向信息，克服了炎症细胞对边缘图的干扰，能够准确提取出细胞核和细胞质边缘。

优选的，所述对细胞图像的纹理特征进行提取，包括：

(1)基于改进的灰度共生矩阵法求取细胞图像的综合灰度共生矩阵，所述综合灰度共生矩阵体现了细胞在不同方向上的纹理特征：

设在0°、45°、90°、135°四个方向上的灰度共生矩阵分别为h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°)，所对应的矩阵元素项目为X₁、X₂、X₃、X₄，则综合灰度共生矩阵的计算公式为：

H(x,y,d)＝w₁h(x,y,d,0°)+w₂h(x,y,d,45°)+w₃h(x,y,d,90°)+w₄h(x,y,d,135°)

综合灰度共生矩阵元素数目为：

式中，d表示距离，d的取值范围为[2,4]，w_i为加权系数,i＝1,2,3,4，其由四个方向中的每个方向上的灰度共生矩阵对应的对比度参数计算，设四个方向上的灰度共生矩阵对应的对比度参数分别为D_i，均值为i＝1,2,3,4，则加权系数w_i的计算公式为：

(2)利用所述综合灰度共生矩阵和矩阵元素项目获取所需的四个纹理特征参数：对比度、方差和、能量和均值；

(3)对所述四个纹理特征参数进行归一化处理，最终获得归一化的纹理特征值。

本优选实施例基于改进的灰度共生矩阵法，采用设置加权系数的方式求取细胞图像的综合灰度共生矩阵，进而提取细胞在指定四个方向上的纹理特征，解决了由于外部干扰(如细胞图像采集时光照角度造成的影响、气体的流动干扰等)造成的细胞的纹理特征参数值在不同方向上有较大差别的问题，提高了细胞图像纹理特征提取的精度；选定对比度、方差和、能量和均值四个纹理特征，去掉了冗余和重复的特征参数；对所述四个纹理特征参数进行归一化处理，方便了后续的细胞图像的分类识别处理。

在此应用场景中，设定阈值T＝20，d＝4，图像去噪效果相对提高了8％，细胞图像特征的提取精度提高了6％。

应用场景5

参见图1、图2，本应用场景的一个实施例的一种基于云计算的生物识别系统，包括细胞识别模块和语音识别模块，所述细胞识别模块用于确认用户身份，所述语音识别模块由语音识别终端、决策器、通信网络、云计算端和本地语音识别器组成。

优选地，语音识别终端把采集到的语音片段进行模数转换后，传送到决策器进行决策，若决策值小于规定的阈值，决策器就通过通信网络将语音数据上传至云计算端进行语音识别，反馈结果至语音识别终端，若决策值大于规定的阈值，决策器就将语音数据传送给本地语音识别器进行语音识别，反馈结果至语音识别终端。

本优选实施例能够加快识别速度。

优选地，所述语音识别终端为手机。

本优选实施例能够很方便的应用在日常生活中。

优选的，所述细胞识别模块1包括细胞图像分割单元11、特征提取单元12、分类识别单元13；所述细胞图像分割单元11用于区分由细胞图像采集模块采集的细胞图像中的背景、细胞核和细胞质；所述特征提取单元12用于对细胞图像的纹理特征进行提取；所述分类识别单元13用于根据纹理特征利用分类器实现对细胞图像分类识别。

本优选实施例构建了细胞识别模块1的单元架构。

优选的，所述细胞图像分割单元11包括图像转换子单元、噪声去除子单元、粗分割子单元、细胞核中心标定子单元、精确分割子单元，具体为：

(1)图像转换子单元，用于将采集的细胞图像转化为灰度图像；

(2)噪声去除子单元，用于对灰度图像进行去噪处理，包括：

对于像素点(x,y)，选取其3×3的邻域S_x,y和(2N+1)×(2N+1)的邻域L_x,y，N为大于等于2的整数；

首先对像素点是否为边界点进行判断，设定阈值T，T∈[13,26]，计算像素点(x,y)与其邻域S_x,y中每个像素点的灰度差值，并与阈值T进行比较，若灰度差值大于阈值T的个数大于等于6，则像素点(x,y)为边界点，否则，像素点(x,y)为非边界点；

若(x,y)为边界点，则进行如下降噪处理：

式中，h(x,y)为降噪后像素点(x,y)的灰度值，q(x,y)为降噪前像素点(x,y)的灰度值，σ为像素点(x,y)邻域L_x,y内灰度值标差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示邻域L_x,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点，k表示邻域L_x,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点的数量；

若(x,y)为非边界点，则进行如下降噪处理：

式中，h(x,y)为降噪后像素点(x,y)的灰度值，q(i,j)代表图像中点(i,j)处的灰度值，w(i,j)为邻域L_x,y内点(i,j)对应的高斯权重；

(3)粗分割子单元，用于对去噪后的细胞图像中的背景、细胞质、细胞核进行粗划分，具体为：

将每个像素(x,y)用一个四维特征向量表示：

式中，h(x,y)代表(x,y)的灰度值，h_ave(x,y)代表其邻域S_x,y灰度均值，h_med(x,y)代表其邻域S_x,y灰度中值，h_sta(x,y)代表其邻域S_x,y灰度方差；

采用K-means聚类法将其划分为背景、细胞质、细胞核三类；

(4)细胞核中心标定子单元，用于对细胞核中心进行标定：

由粗分割子单元得到细胞核大致区域，设细胞核区域包含n个点：(x₁,y₁),…,(x_n,y_n)，对该区域进行灰度加权标定和几何中心标定，取其平均值作为细胞核中心(x_z,y_z)：

(5)精确分割子单元，用于对细胞核、细胞质进行精确分割；

构建从细胞核中心(x_z,y_z)到细胞核和细胞质边界点(x_p,y_p)的有向线段的距离表示向下取整；

沿线段以单位长度进行采样可以得到dis_p个点若采样点的坐标不是整数，其灰度值通过周围像素线性插值得到；

点(x_i,y_i)处沿线段方向的灰度差：

hd(x_i,y_i)＝h(x_i-1,y_i-1)-h(x_i,y_i)

定义灰度差抑制函数：

点(x_i,y_i)处沿线段方向的梯度gra(x_i,y_i)：

选取梯度最大的值点作为细胞核和细胞质的精确边缘。

本优选实施例设置噪声去除子单元，有效融合了中心像素与邻域像素的空间临近性和灰度相似性来进行降噪处理，在图像中的平坦区域，邻域内像素灰度值相差不大，采用高斯滤波器对灰度值进行加权滤波，在变化剧烈的边界区域，行边界保持滤波，有利于图像边缘的保持；采用K均值聚类提取细胞核和细胞质粗轮廓，可有效去除噪声的干扰；设置细胞核中心标定子单元，便于后续对细胞核和细胞质轮廓进行精确定位；精确分割子单元充分利用了方向信息，克服了炎症细胞对边缘图的干扰，能够准确提取出细胞核和细胞质边缘。

优选的，所述对细胞图像的纹理特征进行提取，包括：

(1)基于改进的灰度共生矩阵法求取细胞图像的综合灰度共生矩阵，所述综合灰度共生矩阵体现了细胞在不同方向上的纹理特征：

设在0°、45°、90°、135°四个方向上的灰度共生矩阵分别为h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°)，所对应的矩阵元素项目为X₁、X₂、X₃、X₄，则综合灰度共生矩阵的计算公式为：

H(x,y,d)＝w₁h(x,y,d,0°)+w₂h(x,y,d,45°)+w₃h(x,y,d,90°)+w₄h(x,y,d,135°)

综合灰度共生矩阵元素数目为：

式中，d表示距离，d的取值范围为[2,4]，w_i为加权系数,i＝1,2,3,4，其由四个方向中的每个方向上的灰度共生矩阵对应的对比度参数计算，设四个方向上的灰度共生矩阵对应的对比度参数分别为D_i，均值为i＝1,2,3,4，则加权系数w_i的计算公式为：

(2)利用所述综合灰度共生矩阵和矩阵元素项目获取所需的四个纹理特征参数：对比度、方差和、能量和均值；

(3)对所述四个纹理特征参数进行归一化处理，最终获得归一化的纹理特征值。

本优选实施例基于改进的灰度共生矩阵法，采用设置加权系数的方式求取细胞图像的综合灰度共生矩阵，进而提取细胞在指定四个方向上的纹理特征，解决了由于外部干扰(如细胞图像采集时光照角度造成的影响、气体的流动干扰等)造成的细胞的纹理特征参数值在不同方向上有较大差别的问题，提高了细胞图像纹理特征提取的精度；选定对比度、方差和、能量和均值四个纹理特征，去掉了冗余和重复的特征参数；对所述四个纹理特征参数进行归一化处理，方便了后续的细胞图像的分类识别处理。

在此应用场景中，设定阈值T＝26，d＝2，图像去噪效果相对提高了7.5％，细胞图像特征的提取精度提高了8％。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。