r>[0039] S360 ;提取所述矩阵S的主对角线，生成sizeal行、sizea2列的零矩阵SS，初始化 n= 1 ；
[0040] S370 ;提取步骤S360中获取的矩阵SS的第n个值ssn，赋值S(n，n)为ssn的绝 对值，判断ssn是否为0,判断结果为是，u(:，n) = -u(:，n)，n=n+1，并执行步骤S380 ;判 断结果为否，n=n+1,并执钉步骤S380 ;
[004US380 ;判断n是否小于矩阵SS的长度，判断结果为是，输出矩阵s即为奇异值分解 的特征值；判断结果为否，返回执行步骤S370。
[0042] 进一步的，所述步骤S500中的细胞特征数据库中的基准训练细胞图像特征是由 各种不同类别状态的宫颈细胞图像按权利要求1中的步骤S100、S200、S300、S400获得的。
[0043]本发明另一方面提供宫颈细胞特征识别装置，能够快速准确的对宫颈细胞进行筛 选判断，所述宫颈细胞特征识别装置包括细胞图像输入接收模块、细胞图像分析模块、细胞 图像比较判断模块，其中所述细胞图像输入接收模块接收细胞图像的输入并输出至所述细 胞图像分析模块，所述细胞图像分析模块采用上述多特征整合的宫颈细胞图像特征提取与 识别方法中的步骤S100、S200、S300、S400对细胞图像进行分析W获得宫颈细胞图像特征 向量，所述细胞图像分析模块与所述细胞图像比较判断模块连接并将所获得宫颈细胞图像 特征向量输送至所述细胞图像比较判断模块，所述细胞图像比较判断模块包括存储有基准 训练细胞图像特征的细胞特征数据库，并按照上述多特征整合的宫颈细胞图像特征提取与 识别方法中的步骤S500对输入的所述宫颈细胞图像进行分类判断。
[0044] 进一步的，供宫颈细胞特征识别装置还包括与细胞图像比较判断模块连接用于提 示细胞图像分类判断结果的判断结果提示装置，所述判断结果提示装置包括语音或/和图 像提不。
【附图说明】
[0045] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变 得明显和容易理解，其中：
[0046] 图1为本发明的多特征整合的宫颈细胞图像特征提取与识别方法原理示意图；
[0047] 图2为本发明的多特征整合的宫颈细胞图像特征提取与识别方法中二维经验模 态分解原理示意图；
[0048] 图3为本发明的多特征整合的宫颈细胞图像特征提取与识别方法中奇异值分解 原理示意图；
[0049] 图4为7类宫颈细胞图像；其中图4(a)为鱗状细胞癌细胞图像（carcinoma ins;Uu)，图4(b)为轻度鱗状上皮内病变细胞图像（li曲tdysplastic)，图4(c)为 中度鱗状上皮内病变细胞图像（moderatedysplastic);图4(d)为正常柱状细胞图像 (normalcolumnar),4(e)为正常中层细胞图像（normalintermediate),图 4(f)为正常 表层细胞图像（normalsuperficiel)，图4(g)为重度鱗状上皮内病变细胞图像（severe dysplastic)；
[0化0] 图5为7类宫颈细胞图像二维经验模态分解的=级分解结果；其中，每行从左到右 分别为图4中对应类型宫颈细胞的灰度图，第1级IMF分量，第2级IMF分量，第3级IMF分量W及残差分量；
[0051] 图6为7类宫颈细胞图像灰度图与二维经验模态分解的=级分解分量的幅频特性 图。其中，每行从左到右分别为图4中对应类型宫颈细胞的灰度图幅频特性图，第1级IMF 分量幅频特性图，第2级IMF分量幅频特性图，第3级IMF分量幅频特性图W及残差分量幅 频特性图；
[0052]图7为7类宫颈细胞图像灰度图与二维经验模态分解的S级分解分量的相频特性 图。其中，每行从左到右分别为图4中对应类型宫颈细胞的灰度图相频特性图，第1级IMF 分量相频特性图，第2级IMF分量相频特性图，第3级IMF分量相频特性图W及残差分量相 频特性图；
[005引图8为7类宫颈细胞图像二维经验模态分解IMF1分量的奇异值分解提取的特征 值对比曲线图；
[0054]图9为本发明宫颈细胞识别实验曲线图；
[0化5]图10为本发明的宫颈细胞特征识别装置组成示意图。
【具体实施方式】
[0056] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实 施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施 例及实施例中的特征可W相互组合。
[0057] 在下面的描述中阐述了很多具体细节W便于充分理解本发明，但是，本发明还可 W采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具 体实施例的限制。
[0化引下面参照图1-3对本发明实施例的多特征整合的宫颈细胞图像特征提取与识别 方法做进一步的描述。
[0化9]如图1所示，本发明的多特征整合的宫颈细胞图像特征提取与识别方法的原理示 意图，包括如下步骤：
[0060] 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;
[0061] 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；
[0062]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；
[0063] 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；
[0064] 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。
[00化]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。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。
[0066] 步骤一中获得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的过程是对宫颈细胞图像进行二维经验模态分解的过程，具体的分解过程为：
[0067] 设输入宫颈细胞图像为I(m，n)，其中m，n分别为宫颈细胞图像像素点的横坐标与 纵坐标，初始化残差项r。(m，n) =I(m，n)，第k级分解第1次筛选值为hk,i(m，n)，其中k为 二维经验模态分解级数，k= 1，2,. . .，K，1为筛选次数，初始化k= 1，1 = 1，然后按W下 步骤进行分解
[0068] 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);
[0069]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);
[0070] 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，即
[0071] 514〇;按公式屯，14(111，]1)=11、1(111，]1)-6。6。。，1加，11)计算第1^个加。分量的第1次 筛选值；
[007引 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；
[007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);
[0074] 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