真彩色细胞显微图像自动识别技术的研究

论文摘要

血液涂片的检查是临床中血液病诊断和分类的必要手段。血液病是一类危及生命的疾病,近年来,由于环境的污染,化学废料及物理因素等的影响,使得患该类疾病的人数日益增多,因此对血液病的早期诊断和鉴别具有十分重要的意义。通常血液病专家是在显微镜下根据血细胞形态及细胞化学染色等特性来进行诊断的,这种纯视觉的估计存在着观察者自己及观察者间可重复性差的问题。为此,研究血细胞自动识别分类及分析技术,以客观地完成血细胞的定量分析及计算机辅助诊断显得越发重要。随着数字图像处理技术和模式识别与人工智能技术的发展,将图像处理技术应用于医学应用领域中是近三十年来发展起来的新兴技术,其中白细胞图像自动识别是运用计算机处理医学显微图像并识别对象物的代表性课题之一,它能通过计算机的辅助诊断提高诊断的正确性。本文基于24-bit真彩色白细胞显微图像,就如何运用计算机图像处理和识别技术实现其自动分析进行了深入研究和探讨。围绕血细胞在临床常规染色条件下的识别分类这一应用性课题,针对外周血白细胞特点,对其识别和分类的关键技术——血细胞的图像分割、自动检出、特征提取和识别分类几个方面展开较深入的研究,旨在提高白细胞识别和分类的正确率。论文的主要工作如下:（1）图像的自动分割是白细胞自动识别技术中的关键一步,也是进行识别分类的基础。当染色良好时,通过在彩色空间选取固定阈值进行分割便能得到较好的分割结果,但通常这一条件很难满足。为此,本文提出了一种融合灰度空间、彩色信息和数学形态学梯度信息的血细胞图像自动分割算法,以完成对血细胞（胞核和胞浆）的分割。在灰度空间,通过改进的迭代阈值分割算法,对白细胞的胞核进行了精确的定位和检出。通过彩色空间变换,有效地利用了图像中血细胞胞浆的颜色信息及先验知识,并且为了抑制过度分割,充分利用梯度信息,合理地对白细胞的胞核和胞浆进行了标记。在灰度梯度图像上提取血细胞的轮廓,并分别赋予不同的标记,表明数学形态梯度算法较传统的边缘检测算子具有更好的边缘提取能力。仿真结果验证了该算法对彩色白细胞图像分割的有效性。（2）血细胞的特征提取是对其进行分类识别的基础,将细胞从复杂背景中分割之后,下一步就要从图像中找出血细胞可区分特征,并进行分析和分类,也就是对细胞进行特征提取。本文在细胞图像分割的基础上,深入地分析了白细胞图像的特征描述,抽取了形态特征、色度和亮度特征、彩色特征、纹理特征及颗粒特征。为了充分利用血细胞的颗粒特征,提出了一种圆形颗粒检测的图像处理技术来提取胞浆颗粒,实验表明,该检测技术能有效提取胞浆颗粒,仿真结果验证了该特征的有效性。（3）在分类方面,为了解决常见的特征维数高、类别多的分类问题,提高正确率,研究了支持向量机在血细胞分类问题中的应用,对各类血细胞进行了自动分类,通过分析支持向量机的分类机理,研究了分类器的构建及参数选择问题。同时设计了三层BP神经网络分类器对血细胞进行分类。最后使用交叉验证方法验证了支持向量机的分类性能,并将其与BP神经网络分类结果进行比较分析,实验结果证明了支持向量机在有限样本集中分类的稳定性。论文最后对全文进行了总结,并对下一步的研究工作进行了展望。

论文目录

• 摘要
• ABSTRACT
• 缩略词注释表
• 第一章 绪论
• 1.1 课题研究背景及意义
• 1.2 血液样本说明
• 1.3 白细胞形态
• 1.4 血细胞自动识别技术的研究现状
• 1.4.1 图像预处理和图像分割
• 1.4.2 特征提取和描述
• 1.4.3 细胞分类识别
• 1.5 论文的主要工作和创新点
• 1.6 论文的结构安排
• 第二章 彩色血细胞图像分割理论基础
• 2.1 图像分割的定义
• 2.2 常用的细胞图像分割算法
• 2.2.1 传统的分割算法
• 2.2.2 最新的分割算法
• 2.3 血细胞图像的彩色空间
• 2.4 本章小结
• 第三章 融合灰度和梯度信息的彩色细胞图像分割
• 3.1 改进的迭代阈值分割算法分割血细胞图像
• 3.1.1 胞核分割
• 3.1.2 胞浆分割
• 3.2 基于数学形态学梯度特征的轮廓提取
• 3.2.1 数学形态学
• 3.2.2 基于数学形态学梯度的轮廓检测
• 3.3 细胞的自动检出
• 3.4 血细胞分割结果分析
• 3.5 本章小结
• 第四章 血细胞分类特征的提取
• 4.1 几何特征的提取
• 4.1.1 几何特征提取的方法
• 4.1.2 几何特征的提取结果
• 4.2 色度和亮度特征的提取
• 4.2.1 色度和亮度特征提取方法
• 4.2.2 色度和亮度特征的提取结果
• 4.3 彩色特征的提取
• 4.3.1 彩色特征提取方法
• 4.3.2 彩色特征的提取结果
• 4.4 纹理特征的提取
• 4.4.1 纹理特征的提取方法
• 4.4.2 纹理特征的提取结果
• 4.5 胞浆颗粒特征的提取
• 4.5.1 颗粒特征的提取方法
• 4.5.2 颗粒特征的提取结果
• 4.6 本章小结
• 第五章 血细胞分类器的设计
• 5.1 神经网络分类器
• 5.1.1 BP神经元及BP网络模型
• 5.1.2 BP网络的设计
• 5.1.3 BP网络的学习算法
• 5.2 支持向量机算法
• 5.2.1 经验风险最小化（ERM）
• 5.2.2 结构风险最小化（SRM）
• 5.2.3 支持向量机
• 5.2.4 SVM分类器的构建
• 5.3 BP网络和SVM分类对比实验结果分析
• 5.4 本章小结
• 第六章 总结和展望
• 6.1 工作总结
• 6.2 今后的工作方向
• 参考文献
• 致谢
• 作者攻读硕士学位期间发表的论文
• 学位论文评阅及答辩情况表