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。
[0075] 经过二维经验模态分解，宫颈细胞图像I(m，n)被分解成下式：
[0076]
[0077] 本实施例中，图4所示，7类宫颈细胞图像作为训练细胞图像，其中a为鱗状细胞癌 细胞图像（carcinomainsitu),b为轻度鱗状上皮内病变细胞图像（li曲tdysplastic)，c为中度鱗状上皮内病变细胞图像（moderatedysplastic) ;d为正常柱状细胞图像 (normalcolumnar)，e为正常中层细胞图像（normalintermediate)，f为正常表层细胞图 像（normalsuperficiel)，g为重度鱗状上皮内病变细胞图像（severedysplastic);具体 对7类宫颈细胞图像二维经验模态分解的=级分解，其分解结果如图5所示，其中从左至右 数，第1列为宫颈细胞的灰度图、第2列为宫颈细胞的第1级IMF分量、第3列为宫颈细胞的 第2级IMF分量、第4列为宫颈细胞的第3级IMF分量、第5列为宫颈细胞的残差分量，即 al为鱗状细胞宫颈癌细胞的灰度图，a2为鱗状细胞宫颈癌细胞的第1级IMF分量，a3为鱗 状细胞宫颈癌细胞的第2级IMF分量、a4为鱗状细胞宫颈癌细胞的第3级IMF分量、a5为 鱗状细胞宫颈癌细胞的残差分量，依次类推其他细胞图像的二维经验模态分解结果bl、b2、 b3......
[007引在步骤S200中，对宫颈细胞图像的前K个二维本征模态函数分量IMF和1个残差 分量进行幅频（Ampl;Uude化equency，AF)和相频特性（Phase化equency，P巧分析。本实 施方式中采用二维离散傅里叶变换对二维分量进行时频分析，各二维分量信号的离散傅里 叶变换形式如下式：
[0079]
[0080]
[00 川 式中，u= 0, 1，2，...，M-1，V= 0, 1，2，...，N-1，i= 1，2，...，K，M、N分别为图像 的宽与高，IMFi(m，n)、rK(m，n)分别为步骤一中获得的宫颈细胞图像的二维本征模态函数分 量IMF和残差分量，F,V，)、f；Mw，v.')分别为步骤一中获得的宫颈细胞图像的二维本征模 态函数分量IMF和残差分量二维傅里叶变换的结果。
[0082] 傅里叶变换结果为复数形式，因此厂("，v)、f;.'、("，，..')可W写成：
[0085] 本实施例中，二维本征模态函数分量IMF和残差分量的幅频特性为：
[008引二维本征模态函数分量IMF和残差分量的相频特性为：
[0091] 7类宫颈细胞图像二维经验模态分解=级分解分量的幅频特性与相频特性分别如 图6、图7所示，其中图6从左至右分别为宫颈细胞灰度图幅频特性、第1级IMF分量幅频特 性、第2级IMF分量幅频特性、第3级IMF分量幅频特性、残差分量幅频特性；图7从左至右 分别为宫颈细胞灰度图相频特性、第1级IMF分量相频特性、第2级IMF分量相频特性、第 3级IMF分量相频特性、残差分量相频特性。
[0092] 本实施例中，步骤S300中的奇异值分解过程为：
[0093] 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= eye(sizea2)，初始化矩阵U=eye(sizeal);
[0094] 然后按如下步骤进行分解：
[00巧]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;
[0096] 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：
[0097]e=triu(s，1)，对所述上S角矩阵e，求取其二范数E;
[0098] 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 ;
[0099]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方日 1
[0100] 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[010US360;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 ；
[0102] 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，并执行步骤S380 ;
[0103]S380;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。
[0104] 奇异值分解（SingularValueDecomposition,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，本发明结合奇异值分解方法对宫颈细胞图像的二维经验模态分解分量及其幅 频、相频特征进行特征值提取。
[0105] 本发明采用奇异值分解对宫颈细胞图像的特征提取，图8为7类宫颈细胞图像的 二维经验模态分解IMF1分量特征曲线，由图8可W看出本实施例提取的特征曲线具有较大 的类间距离和明显的区分度。
[0106] 步骤S400中，执行二维经验模态分解分量幅频、相频特征及二维经验模态分解分 量奇异值分解提取的特征值构成的宫颈细胞图像的特征向量。【具体实施方式】为：
[0107] 2；'二レ/V巧；，?化V站化,,，?尸尸,J，其中C为宫颈细胞类别，i为宫颈细胞样本编 号，IMFi_3为IMF1-3分量特征向量，Resi化e4为残差分量特征向量，AF1_4为幅频特性特征向 量，PFi_4相频特性特征向量。
[0108] 如图1至图3所示，本实施例将7类宫颈细胞图像作为基准训练细胞图像按照上 述步骤S100、S200、S300、S400获得的图像特征向量形成细胞特征数据库，将测试宫颈细胞 的细胞图像照上述步骤S100、S200、S300、S400获得的图像特征向量，
[0109] 在步骤S500中，欧氏距离巧uclideanDistance)是一个通常采用的距离定义，指 在m维空间中两个点之间的距离，本实施中采用最小欧氏距离的方法对宫颈细胞图像的检 索识别，两宫颈细胞图像的特征向量的欧氏距离越小，说明两宫颈细胞图像的相似性越大。 令检索宫颈细胞图像特征向量为乂，k为宫颈细胞类别，i为宫颈细胞图像特征维数，则宫 颈细胞图像最小欧氏距离检索方式为：
[0110]
[01川式中，X为测试宫颈细胞图像的特征向量，cell_k为最小欧氏距离即相似性最大 检索宫颈细胞类别。
[0112] 本发明实验数据来于Herlev宫颈细胞图像数据集(hUp://I油s.fme.aegean. gr/decision/downloads)，Herlev宫颈细胞图像数据集由丹麦技术大学（Technical UniversityofDenmark)和Herlev大学医院化erlevUniversityHospital)联合开发， 图像的分辨率为0. 21微米/像素，共有917个宫颈单细胞图像，数据集中包含7类宫颈单 细胞，分别为；正常柱状细胞、正常中层细胞、正常表层细胞、轻度鱗状上皮内病变细胞、中 度鱗状上皮内病变细胞、重度鱗状上皮内病变细胞、鱗状细胞癌细胞，7类宫颈单细胞样本 图像如图4所示。本发明共设计五种实验，实验一；BEMD+AF+PF+SVD宫颈细胞识别；实验 二；BEMD+AF+SVD宫颈细胞识别；实验S;BEMD+PF+SVD宫颈细胞识别；实验四；BEMD+SVD宫 颈细胞识别；实验五；AF+PF+SVD宫颈细胞识别，其中实验四、五识别方法已在图像纹理识 别中应用，实验一、二、=为本实施例宫颈细胞图像识别所设计实验。每种实验分别将10%、 20%、30%、40%、50%、60%、70%、80%、90%宫颈细胞图像作为训练样本，其余作为测试 样本进行测试