CN104881631A - 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 - Google Patents

Abstract

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。

Description

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

技术领域

本发明属于医学细胞图像处理领域，具体涉及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。

背景技术

宫颈癌是女性中最常见的恶性肿瘤之一。宫颈癌从早期到晚期一般需要8-10年，而且没有显著的症状。因此，宫颈癌的早期诊断对于及时发现宫颈癌早期病变，将宫颈癌消灭在萌芽状态从而挽救女性患者的生命具有重要的意义。在宫颈癌的筛查方法中，宫颈细胞学筛查方法被认为是预防宫颈癌最有效的手段之一。宫颈细胞诊断技术已经成为女性宫颈癌临床诊断、病理分析以及治疗的重要辅助技术。临床已经证实每年检查一次宫颈癌恶化致死率可以降低92％。人工宫颈细胞学检查是一项单调乏味、耗时、易出错的工作。随着计算机和医疗技术的不断发展，对宫颈细胞检测提出了新的要求——快速化、高精度、智能化。因此，开发一种计算机辅助自动宫颈细胞筛选与诊断系统十分重要，有助于帮助女性患者预防宫颈癌的发生。

目前的宫颈细胞图像特征提取方法是仅在细胞图像的空间域中提取其特征，这类方法造成了部分宫颈细胞图像信息的丢失以及宫颈细胞图像特征提取的不充分，导致识别精度低，且不利于实现对宫颈细胞图像的自动识别分类。

发明内容

本发明旨在解决现有技术中存在的技术问题之一。

1998年Huang根据单频分量信号本身的特征提出了一种提取单频分量的方法——经验模态分解方法(Empirical Mode Decomposition,EMD),经验模态分解能够从时变的信号中分解出保持信号自身性质不变的单频信号分量。

经验模态分解是一种完全自适应的分解过程。EMD方法中的信号要满足一定的条件：

(1)数据信号中至少包含一个极大值和一个极小值两个极值点；

(2)特征尺度用极值点之间的时间间隔定义；

(3)当整个数据序列没有极值点，而只有拐点时，它能够在进行一阶或多阶的求导运算后重建极值点，最后可以将各模态积分得到各成分。

EMD方法的目的就是将数据中的不同特征尺度加以分解区分开来，把复杂的信号分解为从高频到低频的若干阶简单的单分量固有模态函数(Intrinsic ModeFunction,IMF)组合。各IMF需要满足如下两个条件：

(1)在整个信号长度上，一个IMF的极值点和过零点数目必须相等或至多只相差一个；

(2)在任意时刻，由极大值点定义的上包络线和由极小值点定义的下包络线的平均值为零。

EMD方法可以从一维推广到二维，法国J.Nunes提出了对二维信号直接分解的二维经验模态分解方法(Bidimensional Empirical Mode Decomposition，BEMD)。二维经验模态分解是对EMD的进一步发展，在图像处理领域中发挥了其优良的特性，得到了广泛的应用。本发明将二维经验模态分解方法引入到宫颈细胞图像处理领域中，为宫颈细胞图像特征提取与识别提供了新方法。

为此，本发明一方面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，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。

本发明提供的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：

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；

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；

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。

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以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。奇异值分解(Singular ValueDecomposition,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，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。

进一步的，步骤S100中的二维经验模态分解过程包括如下步骤：

S110：利用像素点的8领域值比较法确定输入图像信号h_k,l(m,n)第k级第l次筛选后被所有的极大值max(m,n)与极小值min(m,n)；

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e_max,l(m,n)和所述极小值构成的极小值点包络面e_min,l(m,n)；

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：h_k,l+1(m,n)＝h_k,l(m,n)-e_mean,l(m,n)计算第k个IMF分量的第l次筛选值；

S150：计算筛选终止条件S，并判断S≤τ是否成立，若不成立则返回步骤S110进行第l+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量IMFIMF_k(m,n)＝h_k,l(m,n),并获取第k个残差分量r_k(m,n)＝r_k-1(m,n)-IMF_k(m,n)；

S170：判断是否达到预定分解级数k，如果为否，则返回步骤S110进行第k+1级第l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。

进一步的，步骤S300中的奇异值分解过程为

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sizea1，sizea2，初始化最大循环次数loopmax＝100*max(sizea1,sizea2)，初始化计数器loopcount＝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(sizea1)；

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loopcount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sizea1行、sizea2列的零矩阵ss，初始化n＝1；

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；

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。

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。

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。

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/和图像提示。

附图说明

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：

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；

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；

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；

图4为7类宫颈细胞图像：其中图4(a)为鳞状细胞癌细胞图像(carcinoma in situ)，图4(b)为轻度鳞状上皮内病变细胞图像(light dysplastic)，图4(c)为中度鳞状上皮内病变细胞图像(moderate dysplastic)；图4(d)为正常柱状细胞图像(normal columnar)，4(e)为正常中层细胞图像(normal intermediate)，图4(f)为正常表层细胞图像(normal superficiel)，图4(g)为重度鳞状上皮内病变细胞图像(severe dysplastic)；

图5为7类宫颈细胞图像二维经验模态分解的三级分解结果；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分量以及残差分量；

图6为7类宫颈细胞图像灰度图与二维经验模态分解的三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分量幅频特性图以及残差分量幅频特性图；

图7为7类宫颈细胞图像灰度图与二维经验模态分解的三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分量相频特性图以及残差分量相频特性图；

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；

图9为本发明宫颈细胞识别实验曲线图；

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

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以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以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。

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。

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：

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；

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；

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。

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以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。

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：

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r₀(m,n)＝I(m,n)，第k级分解第l次筛选值为h_k,l(m,n)，其中k为二维经验模态分解级数，k＝1,2,...,K，l为筛选次数，初始化k＝1，l＝1，然后按以下步骤进行分解

S110：利用像素点的8领域值比较法确定输入图像信号h_k,l(m,n)第k级第l次筛选后被所有的极大值max(m,n)与极小值min(m,n)；

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e_max,l(m,n)和所述极小值构成的极小值点包络面e_min,l(m,n)；

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 $e_{\mathrm{mean},1}(m,n)=\frac{e_{\max ,1}(m,n)+e_{\min ,1}(m,n)}{2};$

S140：按公式：h_k,l+1(m,n)＝h_k,l(m,n)-e_mean,l(m,n)计算第k个IMF分量的第l次筛选值；

S150：计算筛选终止条件S，并判断S≤τ是否成立，若不成立则返回步骤S110进行第l+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量IMFIMF_k(m,n)＝h_k,l(m,n),并获取第k个残差分量r_k(m,n)＝r_k-1(m,n)-IMF_k(m,n)；

S170：判断是否达到预定分解级数k，如果为否，则返回步骤S110进行第k+1级第l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。

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：

$I(m,n)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{IMF}}_i(m,n)+r_k(m,n)$

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为鳞状细胞癌细胞图像(carcinoma in situ)，b为轻度鳞状上皮内病变细胞图像(lightdysplastic)，c为中度鳞状上皮内病变细胞图像(moderate dysplastic)；d为正常柱状细胞图像(normal columnar)，e为正常中层细胞图像(normal intermediate)，f为正常表层细胞图像(normal superficiel)，g为重度鳞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三级分解，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a1为鳞状细胞宫颈癌细胞的灰度图，a2为鳞状细胞宫颈癌细胞的第1级IMF分量，a3为鳞状细胞宫颈癌细胞的第2级IMF分量、a4为鳞状细胞宫颈癌细胞的第3级IMF分量、a5为鳞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b1、b2、b3……

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(Amplitude Frequency，AF)和相频特性(Phase Frequency，PF)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：

$F_{\mathrm{IMF}}^i(u,v)=\frac{1}{M\×N}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{IMF}}_i(m,n)e^{-j2\mathrm{\π}(\mathrm{um}/M+\mathrm{vn}/N)}$

$F_r^K(u,v)=\frac{1}{M\×N}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{r}_K(m,n)e^{-j2\mathrm{\π}(\mathrm{um}/M+\mathrm{vn}/N)}$

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，IMF_i(m,n)、r_K(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，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。

傅里叶变换结果为复数形式，因此可以写成：

$F_{\mathrm{IMF}}^i(u,v)=R_{\mathrm{IMF}}^i(u,v)+j{I}_{\mathrm{IMF}}^i(u,v)$

$F_r^K(u,v)=R_r^K(u,v)+j{I}_r^K(u,v)$

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：

$\left|F_{\mathrm{IMF}}^i(u,v)\right|={[{\left(R_{\mathrm{IMF}}^i(u,v)\right)}^2+{\left(I_{\mathrm{IMF}}^i(u,v)\right)}^2]}^{1/2}$

$\left|F_r^K(u,v)\right|={[{\left(R_r^K(u,v)\right)}^2+{\left(I_r^K(u,v)\right)}^2]}^{1/2}$

二维本征模态函数分量IMF和残差分量的相频特性为：

${\mathrm{\φ}}_{\mathrm{IMF}}^i(u,v)=\arctan \left(\frac{I_{\mathrm{IMF}}^i(u,v)}{R_{\mathrm{IMF}}^i(u,v)}\right)$

${\mathrm{\φ}}_r^K(u,v)=\arctan \left(\frac{I_r^K(u,v)}{R_r^K(u,v)}\right)$

7类宫颈细胞图像二维经验模态分解三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。

本实施例中，步骤S300中的奇异值分解过程为:

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sizea1，sizea2，初始化最大循环次数loopmax＝100*max(sizea1,sizea2)，初始化计数器loopcount＝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(sizea1)；

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loopcount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sizea1行、sizea2列的零矩阵ss，初始化n＝1；

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；

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。

奇异值分解(Singular Value Decomposition,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。

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可以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。

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：

其中c为宫颈细胞类别，i为宫颈细胞样本编号，IMF_1-3为IMF1-3分量特征向量，Residue₄为残差分量特征向量，AF_1-4为幅频特性特征向量，PF_1-4相频特性特征向量。

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，

在步骤S500中，欧氏距离(Euclidean Distance)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：

$\mathrm{cell}\_k=\underset{k}{\arg \min }{\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-y_i^k)}^2\right]}^{1/2}$

式中，x_i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。

本发明实验数据来于Herlev宫颈细胞图像数据集(http://labs.fme.aegean.gr/decision/down loads)，Herlev宫颈细胞图像数据集由丹麦技术大学(Technical University of Denmark)和Herlev大学医院(HerlevUniversity Hospital)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、轻度鳞状上皮内病变细胞、中度鳞状上皮内病变细胞、重度鳞状上皮内病变细胞、鳞状细胞癌细胞，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；实验三：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、三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％，实验三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％。由实验数据可以得出实验一方法相比实验二、三、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。

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以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。

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。

以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，本发明可以有各种更改和变化。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。

Claims (6)

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：

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；

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；

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S100中的二维经验模态分解过程包括如下步骤：

S110：利用像素点的8领域值比较法确定输入图像信号h_k,l(m,n)第k级第l次筛选后被所有的极大值max(m,n)与极小值min(m,n)；

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e_max,l(m,n)和所述极小值构成的极小值点包络面e_min,l(m,n)；

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：h_k,l+1(m,n)＝h_k,l(m,n)-e_mean,l(m,n)计算第k个IMF分量的第l次筛选值；

S150：计算筛选终止条件S，并判断S≤τ是否成立，若不成立则返回步骤S110进行第l+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量IMFIMF_k(m,n)＝h_k,l(m,n),并获取第k个残差分量r_k(m,n)＝r_k-1(m,n)-IMF_k(m,n)；

S170：判断是否达到预定分解级数k，如果为否，则返回步骤S110进行第k+1级第l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sizea1，sizea2，初始化最大循环次数loopmax＝100*max(sizea1,sizea2)，初始化计数器loopcount＝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(sizea1)；

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loopcount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sizea1行、sizea2列的零矩阵ss，初始化n＝1；

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；

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。

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。

5.一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。