实验。实验测试结果如图9所示。实验一宫颈细胞平均识别率为87.31%，实 验二宫颈细胞平均识别率为72. 31 %，实验=宫颈细胞平均识别率为72. 30%，实验四宫颈 细胞平均识别率为66. 94%，实验五宫颈细胞平均识别率为75. 52%。由实验数据可W得出 实验一方法相比实验二、S、四、五宫颈细胞平均识别率提高了 11. 79% -20. 37%。因此，本 发明最终采用实验一识别方法即多特征整合的宫颈细胞识别方法，达到了女性宫颈癌早期 诊断，及时发现宫颈癌的早期病变的目的。
[0113] 本发明另一方面提供宫颈细胞特征识别装置，如图10所示，所述宫颈细胞特征识 别装置包括细胞图像输入接收模块10、细胞图像分析模块20、细胞图像比较判断模块30， 其中所述细胞图像输入接收模块10接收细胞图像的输入并输出至所述细胞图像分析模块 20,所述细胞图像分析模块20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20与所述细胞图像比较判断模块30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30,所述细胞图像比较判断模块30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。
[0114] 另外，如图10所示，所述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30连接用于提示细胞图像分类判断结果的判断结果提示模块40,所述判断结果提示模 块40包括语音或/和图像提示。
[0115] W上实施例仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的 技术人员来说，本发明可W有各种更改和变化。凡在本发明的创造性精神和原则之内，所作 的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 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： SlOO :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 ; S200 :对步骤SlOO中获得到的所述K个二维本征模态函数分量MF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以得到幅频特性和相频特性； S300 :对步骤S200中获得到的所述幅频特性、所述相频特性以及步骤SlOO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； 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； 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以进行测试细胞图像分类识别。2. 如权利要求1所述的多特征整合的宫颈细胞图像特征提取与识别方法，其特征在于 步骤SlOO中的二维经验模态分解过程包括如下步骤： SllO :利用像素点的8领域值比较法确定输入图像信号htl (m，η)第k级第1次筛选后 被所有的极大值max (m, η)与极小值min (m, η); S120 :将所有的所述极大值与所述极小值分别构造Denaulay三角形网格，由双三次样 条插值求取所述极大值构成的极大值点包络面ema!U (m，η)和所述极小值构成的极小值点包 络面 emin，！ (m, η); 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； S140 :按公式：hk，1+1(m,n) = huO^rO-e^dm，]!)计算第k个IMF分量的第1次筛选 值；S150:计算筛选终止条件S，并判断S彡τ是否成立，若不成立则返回步骤SllO进行 第1+1次筛选，直至S < τ是成立，其中」 τ为阈值； S160 :获取第k个二维本征模态函数分星IMtiMtkUii, n; = nk l uii, η;，并获取第k个残 差分量 rk (m，n) = Iv1 (m，n) -IMFk (m，η); 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。3. 如权利要求1所述的多特征整合的宫颈细胞图像特征提取与识别方法，其特征在于 步骤S300中的奇异值分解过程 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 Ioopcount = 1，初始化误差值Err = realmax，初始化矩阵s = a'，初始化矩阵V = eye(sizea2)，初始化矩阵 u = eye(sizeal); 然后按如下步骤进行分解： S310 :对矩阵s'执行QR分解：[q, s] = qr (s'），获取矩阵u = u*q，对矩阵s'再次执 行 QR 分解：[q, s] = qr (s'），获取矩阵 V = v*q ; S320 :利用步骤S310中获取的矩阵s，提取矩阵s的上三角矩阵，计算公式如下： e = triu (s, 1)，对所述上三角矩阵e，求取其二范数E ; 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 ; S340 :利用步骤S320、S330中获取的二范数值E、F计算误差值Err = E/F，计数器 Ioopcount 加 1 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 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η = 1 ; S370 :提取步骤S360中获取的矩阵ss的第η个值ssn，赋值s (η，η)为ssn的绝对值， 判断ssn是否为0,判断结果为是，u(:，n) = -u(:，η)，η = n+1，并执行步骤S380 ;判断结 果为否，η = n+1，并执行步骤S380 ; S380 :判断η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。4. 如权利要求1所述的多特征整合的宫颈细胞图像特征提取与识别方法，其特征在于 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。5. -种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如权利要求1中的步骤S100、S200、S300、 S400对细胞图像进行分析以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，并按照权利要求1中的步骤S500对输入的所述宫颈细胞图像进行分类判断。6. 如权利要求5所述的宫颈细胞特征识别装置，其特征在于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/和图像提示。
【专利摘要】本发明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及宫颈细胞特征识别装置,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：对宫颈细胞图像进行二维经验模态分解；进行二维傅里叶变换，开展幅频和相频特性分析以得到幅频特性和相频特性；作奇异值分解，获得奇异值分解后的特征值；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；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以进行测试细胞图像分类识别。本发明可以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。
【IPC分类】G06K9/00, G06K9/62
【公开号】CN104881631
【申请号】CN201510181052
【发明人】陈锦, 罗晓曙, 刘艳红
【申请人】广西师范大学
【公开日】2015年9月2日
【申请日】2015年4月16日