多特征整合的宫颈细胞图像特征提取与识别方法及宫颈细胞特征识别装置的制造方法
【技术领域】
[0001] 本发明属于医学细胞图像处理领域，具体设及一种多特征整合的宫颈细胞图像特 征提取与识别方法及宫颈细胞特征识别装置。
【背景技术】
[0002] 宫颈癌是女性中最常见的恶性肿瘤之一。宫颈癌从早期到晚期一般需要8-10年， 而且没有显著的症状。因此，宫颈癌的早期诊断对于及时发现宫颈癌早期病变，将宫颈癌消 灭在萌芽状态从而挽救女性患者的生命具有重要的意义。在宫颈癌的筛查方法中，宫颈细 胞学筛查方法被认为是预防宫颈癌最有效的手段之一。宫颈细胞诊断技术已经成为女性宫 颈癌临床诊断、病理分析W及治疗的重要辅助技术。临床已经证实每年检查一次宫颈癌恶 化致死率可W降低92%。人工宫颈细胞学检查是一项单调乏味、耗时、易出错的工作。随着 计算机和医疗技术的不断发展，对宫颈细胞检测提出了新的要求一一 '陕速化、高精度、智能 化。因此，开发一种计算机辅助自动宫颈细胞筛选与诊断系统十分重要，有助于帮助女性患 者预防宫颈癌的发生。
[0003] 目前的宫颈细胞图像特征提取方法是仅在细胞图像的空间域中提取其特征，该类 方法造成了部分宫颈细胞图像信息的丢失W及宫颈细胞图像特征提取的不充分，导致识别 精度低，且不利于实现对宫颈细胞图像的自动识别分类。
【发明内容】
[0004] 本发明旨在解决现有技术中存在的技术问题之一。
[0005] 1998年化ang根据单频分量信号本身的特征提出了一种提取单频分量的方 法--经验模态分解方法（EmpiricalModeDecomposition,EMD),经验模态分解能够从时 变的信号中分解出保持信号自身性质不变的单频信号分量。
[0006] 经验模态分解是一种完全自适应的分解过程。EMD方法中的信号要满足一定的条 件：
[0007] (1)数据信号中至少包含一个极大值和一个极小值两个极值点；
[000引 （2)特征尺度用极值点之间的时间间隔定义；
[0009] 做当整个数据序列没有极值点，而只有拐点时，它能够在进行一阶或多阶的求导 运算后重建极值点，最后可W将各模态积分得到各成分。
[0010] EMD方法的目的就是将数据中的不同特征尺度加W分解区分开来，把复杂 的信号分解为从高频到低频的若干阶简单的单分量固有模态函数（IntrinsicMode 化nction，IM巧组合。各IMF需要满足如下两个条件；
[ocm] (1)在整个信号长度上，一个IMF的极值点和过零点数目必须相等或至多只相差 一个；
[0012] (2)在任意时刻，由极大值点定义的上包络线和由极小值点定义的下包络线的平 均值为零。
[0013] EMD方法可W从一维推广到二维，法国J.Nunes提出了对二维信号直接分解的二 维经验模态分解方法炬idimensionalEmpiricalModeDecomposition，BEMD)。二维经验 模态分解是对EMD的进一步发展，在图像处理领域中发挥了其优良的特性，得到了广泛的 应用。本发明将二维经验模态分解方法引入到宫颈细胞图像处理领域中，为宫颈细胞图像 特征提取与识别提供了新方法。
[0014] 为此，本发明一方面提供一种多特征整合的宫颈细胞图像特征提取与识别方法， 可W充分提取宫颈细胞图像特征，提高识别精度，而且便于自动识别分类。
[0015] 本发明提供的一种多特征整合的宫颈细胞图像特征提取与识别方法，包括如下步 骤：
[0016] S100 ;对宫颈细胞图像进行二维经验模态分解，得到1个残差分量和频率由高到 低依次递减的前K个二维本征模态函数分量IMF ;
[0017]S200 ;对步骤S100中获得到的所述K个二维本征模态函数分量IMF和所述1个残 差分量进行二维傅里叶变换，开展幅频和相频特性分析W得到幅频特性和相频特性；
[001引S300 ;对步骤S200中获得到的所述幅频特性、所述相频特性W及步骤S100中获得 的所述K个二维本征模态函数分量及所述1个残差值分量作奇异值分解，获得奇异值分解 后的特征值；
[0019] S400 ;将获得的所述奇异值分解后的特征值构成宫颈细胞图像特征向量；
[0020] S500 ;依据最小欧氏距离检索方法对宫颈细胞测试样本图像的特征向量与细胞特 征数据库中的基准训练细胞图像特征进行相似性比较W进行测试细胞图像分类识别。
[0021] 在步骤100中所采用的二维经验模态分解是一种在时频域都具有良好表征信号 局部特征能力的时频分析方法，采用二维经验模态分解提取宫颈细胞图像的特征既能表征 宫颈细胞的频率信息又能兼顾空间位置信息，该分解方法是从信号本身的尺度特征出发分 解信号，是完全由数据驱动分解的方法，无需像小波变换需要选取基函数；二维经验模态分 解即具有多尺度多分辨率的优势，又具有自适应分解信号的能力。在步骤200中进行二维 傅里叶变换又可W准确提取细胞图像的幅频与相频特性，因此获得的特征多。在步骤S300 中，奇异值分解达到了对细胞图像特征向量的有效降维。奇异值分解（SingularValue Decomposition,SVD)是一种有效的代数特征提取方法，矩阵的奇异值是唯一的，同时奇异 值具有稳定性，比例不变性，旋转和平移不变性等性质。因此，二维经验模态分解、二维傅里 叶变换和奇异值分解的多特征整合识别技术对宫颈细胞图像特征的充分、精确提取，提高 了宫颈细胞识别的速度与准确率。
[0022] 进一步的，步骤S100中的二维经验模态分解过程包括如下步骤：
[002引 S110 ;利用像素点的8领域值比较法确定输入图像信号hk，i (m, n)第k级第1次筛 选后被所有的极大值max(m，n)与极小值min(m，n);
[0024] S120 ;将所有的所述极大值与所述极小值分别构造DenaulayS角形网格，由双S 次样条插值求取所述极大值构成的极大值点包络面(m，n)和所述极小值构成的极小值 点包络面emh，i(m，n);
[0025] S130;通过算术平均值计算所述极大值点包络面与所述极小值点包络面的平均包 络面；
[0026]S140 ;按公式；hk，w(m,n) =hk，i(m,n)-emean，i(m,n)计算第k个IMF分量的第 1 次 筛选值；
[0027] S150 ;计算筛选终止条件S，并判断S《T是否成立，若不成立则返回步骤S110进 行第1 + 1次筛选，直至S《T是成立，其中
T为阔值；
[002引 S160 ;获取第k个二维本征模态函数分量IMFIMFk(m，n) =hk，i(m,n)，并获取第k 个残差分量fk(m,n)=町_1(m,n)-IMFk(m,n);
[0029] S170 ;判断是否达到预定分解级数k，如果为否，则返回步骤SllO进行第k+1级第 1次筛选，直至达到预定分解级数k，完成宫颈细胞图像的二维经验模态分解，获得k个二维 本征模态函数IMF分量和1个残差分量。
[0030] 进一步的，步骤S300中的奇异值分解过程为
[0031] 首先设矩阵a为奇异值分解的矩阵，计算获得矩阵a的大小，行列数分别为 sizeal，sizea2,初始化最大循环次数loopmax= 100*max(sizeal,sizea2)，初始化计数 器loopcount= 1，初始化误差值化r=realmax，初始化矩阵S=a'，初始化矩阵V= 巧e(sizea2)，初始化矩阵U=巧e(sizeal);
[0032] 然后按如下步骤进行分解：
[003引 S310 ;对矩阵s'执行QR分解；虹S] =qr(s'），获取矩阵U=u*q，对矩阵s'再 次执行QR分解；虹S] =qr(s'），获取矩阵V=v*q;
[0034] S320 ;利用步骤S310中获取的矩阵S，提取矩阵S的上S角矩阵，计算公式如下：
[0035] e=triu(s, 1)，对所述上S角矩阵e，求取其二范数E;
[0036] S330 ;计算步骤S310中获取的矩阵S主对角线的二范数值F，判断F是否为0,判 断结果为是，F= 1，执行步骤S340 ;判断结果为否，执行步骤S340 ;
[0037] S340 ;利用步骤S320、S330中获取的二范数值E、F计算误差值化r=E/F，计数器 loopcount方口 1
[003引 S350 ;判断所述误差值Err是否小于预设误差tol或计数器计数大于预设最大循 环次数，判断结果均为是，执行步骤S360 ;否则，返回执行步骤S310