CN103793709A - 细胞识别方法和装置、以及尿液分析仪 - Google Patents

Abstract

本申请公开了细胞识别方法和装置、以及一种尿液分析仪。所述细胞识别方法，包括如下步骤：图像获取步骤，用于获取原始图像；失焦干扰去除步骤，用于将原始图像转换至频域，通过第一滤波器获取图像的高频信息，通过第二滤波器获取图像的边角信息，反变换至时域并提取图像的能量，从而获得经去噪后仅包括高频边角的图像；分割步骤，用于对高频边角图像进行高斯虚化处理，然后选择合适的门限值进行二值化，并标记出边角包围的细胞区域，从原始图像取回标记的区域覆盖的细胞细节信息，从而去除焦平面外的噪点的干扰；分类步骤，用于针对每一个细胞计算多个特征，并基于该多个特征对每一个目标进行分类。根据本申请的技术方案，能够在分割之前去噪。

Description

细胞识别方法和装置、以及尿液分析仪

技术领域

本发明涉及细胞识别技术领域。更具体地说，涉及能够更准确快速地识别尿沉积物中的红血细胞和白血细胞的方法和装置，还涉及包括该装置的尿液分析仪。

背景技术

正常人尿中可有很少量红血细胞、白血细胞、上皮细胞、结晶、以及粘液丝，罕见有透明管型，但是也有可能有过多的血细胞和异常上皮细胞和管型、以及细菌、滴虫、肿瘤细胞和病毒包涵体。

通常我们所进行的尿沉渣检查就是对上述尿中沉淀物定量进行检查。尿沉渣的检查目的是为了识别尿液中的细胞、结晶、细菌、寄生虫等各种病理成分，一般尿沉渣能较为准确地反映尿中的血细胞成分、管型、上皮细胞及结晶的实际情况。所以尿沉渣检测是一项辅助诊断、定位、鉴别及预后泌尿系统疾病重要常规试验项目。在一般性状检查或化学试验中不能发现的病理变化，通过沉淀检查就可以看出细微变化。

尿沉渣的检查指标通常包括对红血细胞、白血细胞等检测。然而，在实践中，由于显微镜图像背景是带噪的，并且细胞大小、形状和纹理均呈现很大的差异。图1示出了需要区分的不同对象类型的示例。从图1可以看出，在每一种类型中，仍然存在许多不同组的细胞或粒子。例如，红血细胞进一步包括四种不同的具体形态。因此，从尿沉渣中识别红血细胞（红血球）和白血细胞（白血球）是个困难的任务。

在现有技术中，首先对原始图像进行分割以提取目标对象（即，待识别细胞）。然后通过特征提取对细胞进行分类。常用的分割方法包括与活动轮廓（active contour）或水平集（levelset）方法融合的Sobel、Robert或Canny核。但是，活动轮廓和水平集方法由于迭代曲线演化步骤而非常耗时，并且这些轮廓方法和Sobel、Robert或Canny核都不能在分割之前去除失焦（模糊）噪声。

另外，现有技术中的特征提取方法（用以训练）非常耗时。复杂的方法包括SIFT（尺度不变特征变换）和局部灰度值不变方法，由于其涉及高斯微分（DOG，derivative of Gaussion）尺度空间构建，所以也非常耗时。尽管霍尔（haar）特征（Adaboost训练）方法在理论上比较简单，但是其训练处理由于仅采用简单特征（如，矩形特征）而非常耗时。

另外，现有技术中的特征提取方法只适于处理典型数据而不适于处理实际数据。

因此，期望提供一种用于在分割之前去噪并且在Adaboost之前进行特征提取的新方法组合。

发明内容

有鉴于此，本发明意欲提出新的细胞识别方法，以能够更准确快速地识别尿沉积物中的红血细胞和白血细胞。本发明还意欲提出新的细胞识别装置，以能够更准确快速地识别尿沉积物中的红血细胞和白血细胞。本发明还意欲提出一种包括上述细胞识别装置尿液分析仪。

根据本发明的一个方面，提供了一种细胞识别方法，包括如下步骤：

图像获取步骤，用于获取原始图像；

失焦干扰去除步骤，用于将原始图像转换至频域，通过第一滤波器获取图像的高频信息，通过第二滤波器获取图像的边角信息，反变换至时域并提取图像的能量，从而获得经去噪后仅包括高频边角的高频边角图像；

分割步骤，用于对高频边角图像进行高斯虚化处理，然后选择合适的门限值进行二值化，并标记出边角包围的细胞区域，从原始图像取回标记的区域覆盖的细胞细节信息，从而去除焦平面外的噪点的干扰；

分类步骤，用于针对每一个细胞计算多个特征，并基于该多个特征对每一个目标进行分类。

优选地，在根据本发明实施例的细胞识别方法中，

所述第一滤波器为logGabor滤波器，所述第二滤波器为复数值单演滤波器（complexedvalue monogenic filter），并且logGabor滤波器的传输函数为

$g\left(\mathrm{\ω}\right)=\exp \left(\frac{-{\left(\log (\mathrm{\ω}/{\mathrm{\ω}}_0)\right)}^2}{2{\left(\log (\mathrm{\β}/{\mathrm{\ω}}_0)\right)}^2}\right)$

其中ω₀为logGabor滤波器的中心频率，β为一常数，

复数值单演滤波器的传输函数为

$H=\frac{(j*u1-u2)}{\sqrt{{u1}^2+{u2}^2}}$

其中u1、u2分别是频率空间中的横坐标和纵坐标，且

优选地，在根据本发明实施例的细胞识别方法中，

所述多个特征包括至少一个如下特征：圆形度、矩形度、灰度共生矩阵对比度性质、灰度共生矩阵同性性质、灰度共生矩阵能量性质、目标对象图像与平均模板之间的互信息。

优选地，在根据本发明实施例的细胞识别方法中，

所述目标对象图像与平均模板之间的互信息通过相位特征间的匹配来获得，并且所述相位特征pf通过如下公式获得：

$\mathrm{pf}=\arctan \frac{f_{\log \mathrm{Gabor}}}{\sqrt{{\left(\mathrm{real}\left(h\right)\right)}^2+{\left(\mathrm{imagin}\left(h\right)\right)}^2}},$

其中 $f_{\log \mathrm{Gabor}}={\∫}_{-\∞}^{\∞}(F\left(k\right)*\log \mathrm{Gabor})e^{2\mathrm{\πikx}}\mathrm{dx},$ $h={\∫}_{-\∞}^{\∞}(F\left(k\right)*\log \mathrm{Gabor}*H)e^{2\mathrm{\πikx}}\mathrm{dx},$ F(k)是原始图像经傅里叶变换后的结果。

根据本发明的另一个方面，提供了一种细胞识别装置，包括：

图像获取单元，用于获取原始图像；

失焦干扰去除单元，用于对原始图像进行去噪处理，获得高频边角图像，包括：

傅里叶变换部件，用于将原始图像转换至频域；

第一滤波器，用于获取图像的高频信息；

第二滤波器，用于获取图像的边角信息；

傅里叶反变换部件，用于将经滤波的图像反变换至时域；

图像能量提取部件，用于提取图像的能量，从而获得经去噪后仅包括高频边角的高频边角图像；

分割单元，用于对高频边角图像进行高斯虚化处理，然后选择合适的门限值进行二值化，并标记出边角包围的细胞区域，从原始图像取回标记的区域覆盖的细胞细节信息，从而去除焦平面外的噪点的干扰；

分类单元，用于针对每一个细胞计算多个特征，并基于该多个特征对每一个目标进行分类。

优选地，在根据本发明实施例的细胞识别装置中，所述第一滤波器为logGabor滤波器，所述第二滤波器为复数值单演滤波器，并且logGabor滤波器的传输函数为

$g\left(\mathrm{\ω}\right)=\exp \left(\frac{-{\left(\log (\mathrm{\ω}/{\mathrm{\ω}}_0)\right)}^2}{2{\left(\log (\mathrm{\β}/{\mathrm{\ω}}_0)\right)}^2}\right)$

其中ω₀为logGabor滤波器的中心频率，β为一常数，

复数值单演滤波器的传输函数为

$H=\frac{(j*u1-u2)}{\sqrt{{u1}^2+{u2}^2}}$

其中u1、u2分别是频率空间中的横坐标和纵坐标，且

优选地，在根据本发明实施例的细胞识别装置中，所述多个特征包括至少一个如下特征：圆形度、矩形度、灰度共生矩阵对比度性质、灰度共生矩阵同性性质、灰度共生矩阵能量性质、目标对象图像与平均模板之间的互信息。

优选地，在根据本发明实施例的细胞识别装置中，所述目标对象图像与平均模板之间的互信息通过相位特征间的匹配来获得，并且所述相位特征pf通过如下公式获得：

$\mathrm{pf}=\arctan \frac{f_{\log \mathrm{Gabor}}}{\sqrt{{\left(\mathrm{real}\left(h\right)\right)}^2+{\left(\mathrm{imagin}\left(h\right)\right)}^2}},$

其中 $f_{\log \mathrm{Gabor}}={\∫}_{-\∞}^{\∞}(F\left(k\right)*\log \mathrm{Gabor})e^{2\mathrm{\πikx}}\mathrm{dx},$ $h={\∫}_{-\∞}^{\∞}(F\left(k\right)*\log \mathrm{Gabor}*H)e^{2\mathrm{\πikx}}\mathrm{dx},$ F(k)是原始图像经傅里叶变换后的结果。

根据本发明实施例的又一个方面，提供了一种尿液分析仪，包括一个上述任意一种的细胞识别装置。

在根据本发明实施例的细胞识别方法和装置中，其通过首先清除图像背景中的失焦干扰，然后使用一组优异特征来加速adaboost训练处理，由于在分割之前去除原始图像背景中的失焦干扰，从而为接下来的后续处理奠定了良好基础。另外，在红血细胞和白血细胞特征提取的方法中，本发明提出了一组新的组合特征，从而能够从尿沉积对象中更好地区分真实的（而非典型的）红血细胞和白血细胞。

附图说明

下面将通过参照附图详细描述本发明的优选实施例，使本领域的普通技术人员更清楚本发明的上述及其它特征和优点，附图中：

图1是示出了红血细胞、白血细胞和结晶的具体形态的示例。

图2是示出了根据本发明实施例的细胞识别方法的流程的流程图。

图3是示出了原始图像的一种示例的图。

图4是示出了通过对原始图像进行去噪和分割处理之后获得的图像的图。

图5A-5F是示出了3种碗形红血细胞及其对应的相位特征的图。

图6是示出了根据本发明实施例的细胞识别装置的配置的框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下举实施例对本发明进一步详细说明。

首先，参照图2，描述根据本发明实施例的细胞识别方法。图2是示出了根据本发明实施例的细胞识别方法的流程的流程图。如图2所示，所述细胞识别方法包括如下步骤：

首先，在步骤S201，获取原始图像f(x)。图3是示出了获取的原始图像的一种示例。从图3中可以看出，在原始图像中，存在很强的失焦（模糊）噪声。

然后，在步骤S202，通过傅里叶变换将原始图像转换至频域。原始图像f(x)的2维傅里叶变换F(k)通过如下公式获得：

$F\left(k\right)={\∫}_{-\∞}^{\∞}f\left(x\right)e^{-2\mathrm{\πikx}}\mathrm{dx}$

接下来，在步骤S203，通过第一滤波器获取图像的高频信息。然后在步骤S204，通过第二滤波器获取图像的边角信息。然后在步骤S205，反变换至时域。然后在步骤S206，提取图像的能量，从而获得经去噪后仅包括高频边角的高频边角图像。

例如，这里的第一滤波器可以是logGabor滤波器（也称为Log-Gabor滤波器），其传输函数如下：

$\log \mathrm{Gabor}=\exp \left(\frac{-{\left(\log (\mathrm{\ω}/{\mathrm{\ω}}_0)\right)}^2}{2{\left(\log (\mathrm{\β}/{\mathrm{\ω}}_0)\right)}^2}\right)$

其中ω为频率，ω₀为logGabor滤波器的中心频率，β为一常数。需要指出的是，β值的选择应使β/ω₀值保持恒定。比如当β/ω₀的值为0.74、0.55、0.41的时候，logGabor滤波器的带宽分别近似为1、2、3倍频。

另外，例如，这里的第二滤波器可以是复数值单演滤波器。通过将两个单演滤波器（其传输函数分别为H1=j*u1/ω和H2=j*u2/ω）组合成一个复数值等式，在频域中构建复数值单演滤波器，以降低计算成本。复数值单演滤波器的传输函数为：

$H=\frac{(j*u1-u2)}{\sqrt{{u1}^2+{u2}^2}}$

其中，u1、u2为频率空间中的横纵坐标，即[u1,u2]=meshgrid(xrange,yrange)，且

$\mathrm{\ω}=\sqrt{{u1}^2+{u2}^2}.$

将图像反变换回时域并提取图像能量的步骤具体包括：

（i）计算经过小波滤波后恢复到时域的原始图像

$f_{\log \mathrm{Gabor}}={\∫}_{-\∞}^{\∞}(F\left(k\right)*\log \mathrm{Gabor})e^{2\mathrm{\πikx}}\mathrm{dx}$

（ii）计算高频边角能量

$\mathrm{Energy}=\sqrt{f_{\log \mathrm{Gabor}}^2+{\left(\mathrm{real}\left(h\right)\right)}^2+{\left(\mathrm{imagine}\left(h\right)\right)}^2}$

其中 $h={\∫}_{-\∞}^{\∞}(F\left(k\right)*\log \mathrm{Gabor}*H)e^{2\mathrm{\πikx}}\mathrm{dx}.$

接下来，在步骤S207，对高频边角图像进行高斯虚化处理，然后选择合适的门限值进行二值化，并标记出边角包围的细胞区域，从原始图像取回标记的区域覆盖的细胞细节信息，从而去除焦平面外的噪点的干扰。图4示出了通过对原始图像进行去噪和分割处理之后获得的图像。从图4中可以看出，已经完全去除了原始图像中的失焦噪声，并且仅留下感兴趣的对象。

然后，在步骤S208，针对每一个细胞计算多个特征，并基于该多个特征对每一个目标进行分类。例如，在本发明中，以Adaboost作为分类方法的示例。但是，本领域的技术人员可以理解，其他分类方法也是可能的。

用于构建训练簇的红血细胞和白血细胞特征提取包括：使用基本图像对象特性，如面积、圆形度、矩形度、图像低亮度与面积比、灰度共生矩阵特性（主要是对比度、同质性和能量）以及对于小集合的平均模板（一个正常红血细胞的平均模板、一个皱红血细胞的平均模板和一个白血细胞的平均模板）的互信息，来从尿沉渣中的所有其他类型的对象中区分红血细胞和白血细胞。需要说明的是，通过使用以上多个特征，可以实现最好的分类效果。当然，这仅是最优选的实施例。也可以使用以上多个特征的一部分，尽管可能不能实现最佳效果。如背景技术中提及的那样，对于实际的尿沉渣图像，现有技术的特征提取方法不能工作或者不能有效地工作。因此，这里提出了一种新组合的方法以提取最有用的对象特征用于后续的Adaboost训练。首先，圆形度用于将细胞组与单个细胞进行区分。通过如下公式计算圆形度C：

$C=\frac{4\mathrm{\πS}}{L^2}$

其中，S是细胞或粒子的面积，而L是其直径。

其次，利用对象面积来从微小的单酵母细胞和大细胞（例如上皮细胞和管型）中分离小细胞（例如红血细胞、白血细胞和结晶）。接着，可以使用矩形度来进一步从圆形结晶中识别方形结晶。通过如下公式计算矩形度R：

$R=\frac{S}{W\×H}$

其中，W是对象的宽度，H是对象的高度。

然后，为了在类似大小的红血细胞和白血细胞之间进行区分，对于平均模板的互信息是最有效的方式。目标对象图像X与平均模板Y之间的互信息MI通过如下公式计算：

$\mathrm{MI}(X;Y)=\underset{x\∈X}{\mathrm{\Σ}}\underset{y\∈Y}{\mathrm{\Σ}}P(x,y)\log \left(\frac{P(x,y)}{P\left(x\right)P\left(y\right)}\right)$

其中P(x,y)是接合点概率。为了便于理解，P(x,y)为x和y同时出现的次数除以图像中的所有点（样本）数；P(x)为x出现的次数除以图像中的所有点（样本）数；P(y)为y出现的次数除以图像中的所有点（样本）数。如果X和Y不相关，则MI(X;Y)值为0。

这里，需要说明的是，我们发现，相位特征是与来自不同方向的强亮度无关的固态纹理特征。图5A-5F示出了3种碗形红血细胞及其对应的相位特征。从图5A中可以看出，当光照强度不同时，细胞的边缘可能清晰（图5A中细胞的左边缘），也可能模糊（图5A中细胞的右边缘）。在图5D中示出了与图5A中的细胞对应的相位特征。从图5D中可以看出，相比之下，细胞边缘是否清楚与光照强度无关。因此，通过相位特征间的匹配来获得互信息可以有效提高匹配精度。

作为更优选的实施例，可以进一步从步骤S203～S206获得的结果中提取相位特征pf。

$\mathrm{pf}=\arctan \frac{f_{\log \mathrm{Gabor}}}{\sqrt{{\left(\mathrm{real}\left(h\right)\right)}^2+{\left(\mathrm{imagin}\left(h\right)\right)}^2}}$

另外，由于该公式中的所有变量均已在步骤S203～S206中计算出，因此节省了计算成本。

最后，为了进一步在圆形结晶和其他类似尺寸的细胞（主要是红血细胞和白血细胞）之间进行区分，使用基于灰度共生矩阵特性的纹理信息，主要包括如下参数。

灰度共生矩阵对比度通过如下公式计算：

$\mathrm{Contrast}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{|i-j|}^{2}P(i,j)---\left(10\right)$

其中P(i,j)是灰度共生矩阵的概率。

灰度共生矩阵同质性通过如下公式计算：

$\mathrm{Homogeneity}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\frac{P(i,j)}{1+|i-j|}---\left(11\right)$

灰度共生矩阵能量性质通过如下公式计算：

$\mathrm{Energy}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left(P(i,j)\right)}^2---\left(12\right)$

在上文中，已经参照图1到图5详细描述了根据本发明实施例的细胞识别方法。在下文中，将详细描述根据本发明实施例的细胞识别装置。

图6是示出了根据本发明实施例的细胞识别装置的配置的框图。如图6所示，细胞识别装置600包括一个图像获取单元601、一个失焦干扰去除单元602、一个分割单元603和一个分类单元604。

图像获取单元601获取原始图像，然后将原始图像提供到失焦干扰去除单元602。

失焦干扰去除单元602对原始图像进行去噪处理，获得高频边角图像。具体来说，失焦干扰去除单元602进一步包括如下部件：一个傅里叶变换部件6021，用于将原始图像转换至频域；一个第一滤波器6022，用于获取图像的高频信息；一个第二滤波器6023，用于获取图像的边角信息；一个傅里叶反变换部件6024，用于将经滤波的图像反变换至时域；一个图像能量提取部件6025，用于提取图像的能量，从而获得经去噪后仅包括高频边角的高频边角图像。

分割单元603对高频边角图像进行高斯虚化处理，然后选择合适的门限值进行二值化，并标记出边角包围的细胞区域，从原始图像取回标记的区域覆盖的细胞细节信息，从而去除焦平面外的噪点的干扰。

分类单元604针对每一个细胞计算多个特征，并基于该多个特征对每一个目标进行分类。所述多个特征包括至少一个如下特征：圆形度、矩形度、灰度共生矩阵对比度性质、灰度共生矩阵同性性质、灰度共生矩阵能量性质、目标对象图像与平均模板之间的互信息。

如上文中所述，所述第一滤波器为logGabor滤波器，所述第二滤波器为复数值单演滤波器。并且，所述目标对象图像与平均模板之间的互信息通过相位特征间的匹配来获得。

根据本发明又一个实施例，提供了一种尿液分析仪，包括一个上述任一种所述的细胞识别装置。

本申请公开了细胞识别方法和装置、以及一种尿液分析仪。所述细胞识别方法，包括如下步骤：图像获取步骤，用于获取原始图像；失焦干扰去除步骤，用于将原始图像转换至频域，通过第一滤波器获取图像的高频信息，通过第二滤波器获取图像的边角信息，反变换至时域并提取图像的能量，从而获得经去噪后仅包括高频边角的图像；分割步骤，用于对高频边角图像进行高斯虚化处理，然后选择合适的门限值进行二值化，并标记出边角包围的细胞区域，从原始图像取回标记的区域覆盖的细胞细节信息，从而去除焦平面外的噪点的干扰；分类步骤，用于针对每一个细胞计算多个特征，并基于该多个特征对每一个目标进行分类。根据本申请的技术方案，能够在分割之前去噪。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，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。

Claims (10)

1.一种细胞识别方法，包括如下步骤：

图像获取步骤，用于获取原始图像；

失焦干扰去除步骤，用于将原始图像转换至频域，通过第一滤波器获取图像的高频信息，通过第二滤波器获取图像的边角信息，反变换至时域并提取图像的能量，从而获得高频边角图像；

分割步骤，用于对高频边角图像进行高斯虚化处理，然后进行二值化，并标记出边角包围的细胞区域，从原始图像取回标记的区域覆盖的细胞细节信息；

分类步骤，用于针对每一个细胞计算多个特征，并基于该多个特征对每一个细胞进行分类。

2.根据权利要求1所述的细胞识别方法，其中

所述第一滤波器为logGabor滤波器，所述第二滤波器为复数值单演滤波器，并且logGabor滤波器的传输函数为

$\log \mathrm{Gabor}=\exp \left(\frac{-{\left(\log (\mathrm{\ω}/{\mathrm{\ω}}_0)\right)}^2}{2{\left(\log (\mathrm{\β}/{\mathrm{\ω}}_0)\right)}^2}\right)$

其中ω为频率，ω₀为logGabor滤波器的中心频率，β为一常数，

复数值单演滤波器的传输函数为

$H=\frac{(j*u1-u2)}{\sqrt{{u1}^2+{u2}^2}}$

其中u1、u2分别是频率空间中的横坐标和纵坐标，且

3.根据权利要求1所述的细胞识别方法，其中

所述多个特征包括至少一个如下特征：圆形度、矩形度、灰度共生矩阵对比度性质、灰度共生矩阵同性性质、灰度共生矩阵能量性质、以及目标对象图像与平均模板之间的互信息。

4.根据权利要求3所述的细胞识别方法，其中

所述目标对象图像与平均模板之间的互信息通过相位特征间的匹配来获得，并且所述相位特征pf通过如下公式获得：

$\mathrm{pf}=\arctan \frac{f_{\log \mathrm{Gabor}}}{\sqrt{{\left(\mathrm{real}\left(h\right)\right)}^2+{\left(\mathrm{imagin}\left(h\right)\right)}^2}},$

其中 $f_{\log \mathrm{Gabor}}={\∫}_{-\∞}^{\∞}(F\left(k\right)*\log \mathrm{Gabor})e^{2\mathrm{\πikx}}\mathrm{dx},$ $h={\∫}_{-\∞}^{\∞}(F\left(k\right)*\log \mathrm{Gabor}*H)e^{2\mathrm{\πikx}}\mathrm{dx},$ F(k)是原始图像经傅里叶变换后的结果。

5.一种细胞识别装置，包括：

一个图像获取单元，用于获取原始图像；

一个失焦干扰去除单元，用于对原始图像进行去噪处理，获得高频边角图像；

一个分割单元，用于对高频边角图像进行高斯虚化处理，然后选择合适的门限值进行二值化，并标记出边角包围的细胞区域，从原始图像取回标记的区域覆盖的细胞细节信息；

一个分类单元，用于针对每一个细胞计算多个特征，并基于该多个特征对每一个细胞进行分类。

6.根据权利要求5所述的细胞识别装置，其中

所述第一滤波器为logGabor滤波器，所述第二滤波器为复数值单演滤波器，并且logGabor滤波器的传输函数为

$\log \mathrm{Gabor}=\exp \left(\frac{-{\left(\log (\mathrm{\ω}/{\mathrm{\ω}}_0)\right)}^2}{2{\left(\log (\mathrm{\β}/{\mathrm{\ω}}_0)\right)}^2}\right)$

其中ω为频率，ω₀为logGabor滤波器的中心频率，β为一常数，

复数值单演滤波器的传输函数为

$H=\frac{(j*u1-u2)}{\sqrt{{u1}^2+{u2}^2}}$

其中u1、u2分别是频率空间中的横坐标和纵坐标，且

7.根据权利要求5所述的细胞识别装置，其中

所述多个特征包括至少一个如下特征：圆形度、矩形度、灰度共生矩阵对比度性质、灰度共生矩阵同性性质、灰度共生矩阵能量性质、以及目标对象图像与平均模板之间的互信息。

8.根据权利要求7所述的细胞识别装置，其中

所述目标对象图像与平均模板之间的互信息通过相位特征间的匹配来获得，并且所述相位特征pf通过如下公式获得：

$\mathrm{pf}=\arctan \frac{f_{\log \mathrm{Gabor}}}{\sqrt{{\left(\mathrm{real}\left(h\right)\right)}^2+{\left(\mathrm{imagin}\left(h\right)\right)}^2}},$

其中 $f_{\log \mathrm{Gabor}}={\∫}_{-\∞}^{\∞}(F\left(k\right)*\log \mathrm{Gabor})e^{2\mathrm{\πikx}}\mathrm{dx},$ $h={\∫}_{-\∞}^{\∞}(F\left(k\right)*\log \mathrm{Gabor}*H)e^{2\mathrm{\πikx}}\mathrm{dx},$ F(k)是原始图像经傅里叶变换后的结果。

9.根据权利要求5所述的细胞识别装置，其中，所述失焦干扰去除单元包括：

一个傅里叶变换部件，用于将原始图像转换至频域；

一个第一滤波器，用于获取图像的高频信息；

一个第二滤波器，用于获取图像的边角信息；

一个傅里叶反变换部件，用于将经滤波的图像反变换至时域；

一个图像能量提取部件，用于提取图像的能量，从而获得高频边角图像。

10.一种尿液分析仪，包括一个根据权利要求5-9中任一项所述的细胞识别装置。

Images