CN106682633A - 基于机器视觉的粪便镜检图像有形成分的分类识别方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，公开了一种基于机器视觉的粪便镜检图像有形成分的分类识别方法。其先运用水平集方法对粪便镜检图像进行图像分割，然后针对分割得到的有形成分的形状轮廓，依次进行基于形态特征的初级分类和基于HOG+VSM训练分类器的校验识别，最终快速得到高精度的有形成分分类识别结果，以便病人及时得到就诊。此外，该方法还具有图像分割精确度高、处理速度快和用户体验好等优点，便于实际应用和推广。

Description

基于机器视觉的粪便镜检图像有形成分的分类识别方法

技术领域

本发明涉及图像处理技术领域，具体地，涉及一种基于机器视觉的粪便镜检图像有形成分的分类识别方法。

背景技术

粪便镜检作为医院三大常规检测之一，在临床检验中的地位举足轻重。它通过显微镜对粪便样本图片分析判别，以便获得机体的病理变化和原因。据粗略统计，一个大型的市级三甲医院平均每一天的粪便常规检测量有上百例左右。但是长期以来，传统的显微镜图像检测都是通过人工分类完成计数的，由检验人员将样本涂抹在玻璃片上用显微镜观察视野下的有形成分的种类和数量等，并进行人工分类。这种有形成分的分类识别方法存在很多不足：(1)检验工作量大，效率低，连续工作很容易因客观因素导致错误的识别；(2)样本放置时间过久会影响样本的质量，给识别和处理带来很大的干扰；(3)对样本的识别分析容易受到视觉疲劳等的限制，掺杂了较强的主观因素而缺乏客观的标准。这种传统且仅靠人工识别和检测的方式显得越来越不合适，当遇到检测高峰期时，由于不能及时、准确地得到检验结果，将会耽误病人就诊。

机器视觉是人工智能正在快速发展的一个分支,简单说来就是用机器代替人眼来做测量和判断。现有基于机器视觉对粪便镜检图像的分类识别，主要包括了如下两个部分的内容：一是对图像的分割；二是对各有形成分的分类识别。粪便常规检测的主要目的是获取其中的有形成分来判别病因，总体来说粪便镜检细胞图像有如下几个特点：(1)图像成分复杂，边缘信息多变，噪声影响较大；(2)图像中细胞个体差异较大，釆集时间、采集环境不同都会使图像发生变化；(3)图像中细胞重叠破裂情况较多，给图像分割带来了一定的困难。由于图像的质量直接关系到检测结果的精确性，所以图像获取是非常重要的步骤。

迄今为止，粪便镜下常规检测经历的三个阶段：(1)纯手工镜检阶段：检验人员先将从患者身上采集的标本进行涂片处理，然后将光学显微镜调整到最佳位置通过肉眼观察涂片标本，得出检验结果；(2)半自动镜检阶段：智能化监视器自动输出图像样本，无需对显微镜和涂片进行操作，检测人员通过直接观察输出的图像进行检测；(3)全自动智能检测阶段：通过监视器输出的样本图像进行图像处理等过程实现样本的自动检测与分析，检测人员一般不参与分析识别过程，只有在有特殊需要时才参与分析。

但是到目前为止，对全自动智能检测的研究还处于完全不成熟阶段。对有形成分的分类识别精度和速度都有待提升。

发明内容

针对前述现有技术的问题，本发明提供了一种基于机器视觉的粪便镜检图像有形成分的分类识别方法，其先运用水平集方法对粪便镜检图像进行图像分割，然后针对分割得到的有形成分的形状轮廓，依次进行基于形态特征的初级分类和基于HOG+VSM训练分类器的校验识别，最终快速得到高精度的有形成分分类识别结果，以便病人及时得到就诊。此外，该方法还具有图像分割精确度高、处理速度快和用户体验好等优点，便于实际应用和推广。

本发明采用的技术方案,提供了一种基于机器视觉的粪便镜检图像有形成分的分类识别方法，包括训练阶段和识别阶段，其中，识别阶段包括如下步骤：S101.应用水平集方法对第一粪便镜检图像进行图像分割处理，得到第一图像，所述第一图像包含有若干个有形成分的形状轮廓；S102.基于形状轮廓从所述第一图像中提取各个有形成分的几何特征，然后根据几何特征筛选出与各种有形成分类型匹配的目标有形成分；S103.针对不同有形成分类型，提取筛选出的各个目标有形成分的HOG特征，然后采用与该有形成分类型对应的且在训练阶段中基于HOG特征进行训练的SVM分类器，对筛选出的目标有形成分进行校验识别，剔除与该有形成分类型不匹配的目标有形成分；S104.针对不同有形成分类型,在所述第一图像中对匹配的各个目标有形成分进行标记，得到第三图像。

优化的，在所述训练阶段中包括如下步骤：201.应用水平集方法对第二粪便镜检图像进行图像分割处理，得到第二图像，所述第二图像包含有若干个有形成分的形状轮廓；S202.基于形状轮廓从所述第二图像中提取各个有形成分的几何特征，然后根据几何特征筛选出与各种有形成分类型匹配的目标有形成分；S203.针对不同有形成分类型，提取经过人工校验识别后匹配保留的所有目标有形成分的HOG特征，然后基于所述HOG特征训练得到与该有形成分类型对应的SVM分类器。

优化的，在所述应用水平集方法对粪便镜检图像进行图像分割处理的步骤中，包含如下步骤：

S301.对粪便镜检图像I分别进行灰度化处理和HSI转化处理，得到对应的灰度图像I_gray和HSI图像I_HSI，同时设置初始化曲线C⁰，并根据所述初始化曲线C⁰初始化水平集函数所述水平集函数采用离散网格形式表示，其中，i和j分别为网格点(i,j)的标识序号；

S302.按照如下公式计算自适应可变权重系数v(I_gray)：

v(I_gray)＝c·sgn(Δ(G_σ×I_gray))·|▽(G_σ×I_gray)|式中，c为大于0的第一常数，sgn()为符号函数，σ为标准差，G_σ为采用标准差为σ的高斯滤波器，G_σ×I_gray为对灰度图像I_gray进行高斯滤波后的结果，Δ为拉普拉斯算子符号，▽为梯度算子符号，| |为绝对值符号，同时按照如下公式对HSI图像I_HSI进行整合处理，得到HS分量合成图像I_HS：

式中，R_I、G_I和B_I分别为粪便镜检图像I中对应的R颜色值、G颜色值和B颜色值，▽为梯度算子符号，为在HSI图像I_HSI中对应像素点的H分量邻域均值，为在HSI图像I_HSI中对应像素点的S分量邻域均值，k为数值大于0的第一可调参数，b为数值大于0且小于1的第二可调参数；

S303.按照如下公式计算水平集速度停止函数g(▽I)：

式中，q_gray为对灰度图像I_gray进行导向滤波的结果，q_HS为对HS分量合成图像I_HS进行导向滤波的结果，▽为梯度算子符号，| |为绝对值符号，η为第三可调参数，m为介于2～5之间的第四可调参数；

S304.按照如下公式获取能量泛函数的水平集表达φ_t：

式中，K为演化曲线的曲率，div()为取余函数，μ和λ分别为对应项的权重系数，φ为水平集函数，δ()为正则化的狄拉克函数，Δ为拉普拉斯算子符号，▽为梯度算子符号，| |为绝对值符号；

S305.根据如下水平集运动方程进行曲线演化：

式中，Δt为演化时间步长，k为初始值为0的整数，为在kΔt演化时刻使用离散网格形式表示的水平集函数，为在(k+1)Δt演化时刻使用离散网格形式表示的水平集函数，i和j分别为网格点(i,j)的标识序号；

S306.根据(k+1)Δt演化时刻的水平集函数获取其中的零水平集，即演化后的曲线C^k+1，然后判断是否满足C^k＝C^k+1，若不满足，则令k＝k+1，返回步骤S305继续进行迭代演化，否则终止曲线演化，将演化得到的曲线C^k+1作为图像中有形成分的形状轮廓。

进一步优化的，所述对粪便镜检图像I进行灰度化处理的公式如下：

I_gray＝R_I*0.299+G_I*0.587+B_I*0.114

式中，R_I、G_I和B_I分别为粪便镜检图像I中对应的R颜色值、G颜色值和B颜色值。

进一步优化的，所述对粪便镜检图像I进行HSI转化处理的公式如下：

式中，H、S和I分别为HSI图像中对应的三个分量值，R_I、G_I和B_I分别为粪便镜检图像I中对应的R颜色值、G颜色值和B颜色值，min()为取最小值函数。

优化的，所述几何特征包括形状轮廓周长、形状轮廓宽度及高度、形状轮廓的面积、形状轮廓的体态比、形状轮廓的伸长度、形状轮廓的形态因子、形状轮廓的等效面积圆半径、形状轮廓的迂曲度、形状轮廓的长轴、形状轮廓的短轴、形状轮廓的椭圆度和形状轮廓的图像区域密度集中的任意一种或它们的任意组合。

优化的，所述有形成分的类型包括红细胞、白细胞、霉菌、结晶、脂肪球和/或虫卵。

优化的，应用Opencv的ocl并行处理库来执行步骤S101至步骤S104。进一步优化的，所述应用Opencv的ocl并行处理库来进行加速的过程如下：(1)通过getDevice函数，完成全局OpenCL设备的注册；(2)在将内存数据由Mat格式转化成oclMat格式后，上传到显存；(3)调用ocl模块函数，在OpenCL设备上进行计算；(4)在将显存数据由oclMat格式在转化成Mat格式后，下载到内存；(5)调用cv::函数，在host上进行剩余量的运算。

综上，采用本发明所提供的一种基于机器视觉的粪便镜检图像有形成分的分类识别方法，具有如下有益效果：(1)该方法先运用水平集方法对粪便镜检图像进行图像分割，然后针对分割得到的有形成分的形状轮廓，依次进行基于形态特征的初级分类和基于HOG+VSM训练分类器的校验识别，如此可解放人力，快速且高精度的得到有形成分分类识别结果，以便病人及时得到就诊；(2)在应用水平集方法对粪便镜检图像进行图像分割时，针对停止速度函数，考虑灰度图像因目标形状轮廓与背景灰度不明显而难以分割出目标的情况，又增加了颜色空间对分割影响的考虑，并将灰度图像和HS分量合成图像引入了停止速度函数的计算中，如此可避免造成边界泄漏，进一步加快曲线演化的速度，使图像分割速度快、精确度高；(3)在分类识别处理过程中，通过应用opencv的ocl库，可以实现对处理过程的GPU并行优化，进一步加快分类识别的速度，便于实际应用和推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基于机器视觉的粪便镜检图像有形成分的分类识别方法的流程示意图。

图2是本发明提供的在应用水平集方法进行图像分割处理的流程示意图。

图3是本发明提供的在应用水平集方法进行图像分割处理后得到的包含有形成分形状轮廓的图像示例图。

图4是本发明提供的在分类识别后得到的包含有形成分分类标识的图像示例图。

具体实施方式

以下将参照附图，通过实施例方式详细地描述本发明提供的基于机器视觉的粪便镜检图像有形成分的分类识别方法。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况，本文中术语“/和”是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况，另外，本文中字符“/”，一般表示前后关联对象是一种“或”关系。

实施例一

图1示出了本发明提供的基于机器视觉的粪便镜检图像有形成分的分类识别方法的流程示意图，图2示出了本发明提供的在应用水平集方法进行图像分割处理的流程示意图，图3示出了本发明提供的在应用水平集方法进行图像分割处理后得到的包含有形成分形状轮廓的图像示例图，图4示出了本发明提供的在分类识别后得到的包含有形成分分类标识的图像示例图。本实施例提供的所述基于机器视觉的粪便镜检图像有形成分的分类识别方法，包括训练阶段和识别阶段。

S101.应用水平集方法对第一粪便镜检图像进行图像分割处理，得到第一图像，所述第一图像包含有若干个有形成分的形状轮廓。

在所述步骤S101中，所述第一粪便镜检图像为待识别的粪便镜检图像，即需要应用本实施例提供的方法来对其中的各个有形成分进行分类识别。由于粪便镜检图像相当复杂，含有各种细小的杂质，一般的图像分割方法难以取得理想的效果，因此本实施例选用现有的水平集方法来进行图像分割处理。但是在现有的水平集方法中，均是基于灰度图像进行图像分割处理，未考虑原图像中彩色分量对图像分割的影响，而又由于粪便镜检图像的复杂性，其背景杂质较多，在图像分割中往往会对一些模糊区域造成遗漏，因此优化的，本实施例采用改进的水平集方法，即在所述应用水平集方法对粪便镜检图像进行图像分割处理的步骤中，包含如下步骤。

S301.对粪便镜检图像I分别进行灰度化处理和HSI转化处理，得到对应的灰度图像I_gray和HSI图像I_HSI，同时设置初始化曲线C⁰，并根据所述初始化曲线C⁰初始化水平集函数所述水平集函数采用离散网格形式表示，其中，i和j分别为网格点(i,j)的标识序号。

在所述步骤S301中，所述对粪便镜检图像I进行灰度化处理的公式如下：

I_gray＝R_I*0.299+G_I*0.587+B_I*0.114

式中，R_I、G_I和B_I分别为粪便镜检图像I中对应的R颜色值、G颜色值和B颜色值。

在所述步骤S302中，所述对粪便镜检图像I进行HSI转化处理的公式如下：

式中，H、S和I分别为HSI图像中对应的三个分量值，R_I、G_I和B_I分别为粪便镜检图像I中对应的R颜色值、G颜色值和B颜色值，min()为取最小值函数。

S302.按照如下公式计算自适应可变权重系数v(I_gray)：

v(I_gray)＝c·sgn(Δ(G_σ×I_gray))·|▽(G_σ×I_gray)|

式中，c为大于0的第一常数，sgn()为符号函数，σ为标准差，G_σ为采用标准差为σ的高斯滤波器，G_σ×I_gray为对灰度图像I_gray进行高斯滤波后的结果，Δ为拉普拉斯算子符号，▽为梯度算子符号，| |为绝对值符号，同时按照如下公式对HSI图像I_HSI进行整合处理，得到HS分量合成图像I_HS：

式中，R_I、G_I和B_I分别为粪便镜检图像I中对应的R颜色值、G颜色值和B颜色值，▽为梯度算子符号，为在HSI图像I_HSI中对应像素点的H分量邻域均值，为在HSI图像I_HSI中对应像素点的S分量邻域均值，k为数值大于0的第一可调参数，b为数值大于0且小于1的第二可调参数。所述H分量邻域均值或所述S分量邻域均值的邻域半径r介于整数2～4之间，作为举例的，在本实施例中，该邻域半径r取值为3。

S303.按照如下公式计算水平集速度停止函数g(▽I)：

式中，q_gray为对灰度图像I_gray进行导向滤波的结果，q_HS为对HS分量合成图像I_HS进行导向滤波的结果，▽为梯度算子符号，| |为绝对值符号，η为第三可调参数，m为介于2～5之间的第四可调参数。

在步骤S303中，导向滤波也称为引导滤波，其算法思想是基于一个局部线性模型实现的。此外，作为举例的，在本实施例中，所述第四可调参数m取值为4。

S304.按照如下公式获取能量泛函数的水平集表达φ_t：

式中，K为演化曲线的曲率，div()为取余函数，μ和λ分别为对应项的权重系数，φ为水平集函数，δ()为正则化的狄拉克函数，Δ为拉普拉斯算子符号，▽为梯度算子符号，| |为绝对值符号。

S305.根据如下水平集运动方程进行曲线演化：

式中，Δt为演化时间步长，k为初始值为0的整数，为在kΔt演化时刻使用离散网格形式表示的水平集函数，为在(k+1)Δt演化时刻使用离散网格形式表示的水平集函数，i和j分别为网格点(i,j)的标识序号。

S306.根据(k+1)Δt演化时刻的水平集函数获取其中的零水平集，即演化后的曲线C^k+1，然后判断是否满足C^k＝C^k+1，若不满足，则令k＝k+1，返回步骤S305继续进行迭代演化，否则终止曲线演化，将演化得到的曲线C^k+1作为图像中有形成分的形状轮廓。

如图2和图3所示，最终可得到如图3所示的第一图像示例图。如此在按照上述步骤S301至S306对粪便镜检图像进行图像分割时，针对停止速度函数，考虑灰度图像因目标形状轮廓与背景灰度不明显而难以分割出目标的情况，又增加了颜色空间对分割影响的考虑，并将灰度图像和HS分量合成图像引入了停止速度函数的计算中，如此可避免造成边界泄漏，进一步加快曲线演化的速度，使图像分割速度快、精确度高。

S102.基于形状轮廓从所述第一图像中提取各个有形成分的几何特征，然后根据几何特征筛选出与各种有形成分类型匹配的目标有形成分。

在所述步骤S102中，所述几何特征可以但不限于包括形状轮廓周长、形状轮廓宽度及高度、形状轮廓的面积、形状轮廓的体态比、形状轮廓的伸长度、形状轮廓的形态因子、形状轮廓的等效面积圆半径、形状轮廓的迂曲度、形状轮廓的长轴、形状轮廓的短轴、形状轮廓的椭圆度和形状轮廓的图像区域密度集等中的任意一种或它们的任意组合。

为了实现有形成分的初步识别，在完成镜检图像分割之后，要进一步分析各有形成分的特征(例如初步识别出成圆盘形的红细胞或者形态不规则的脓细胞等)。形态分析采用基于区域边界的连码来提取图像目标的形态特征，所谓边界的连码是对边界点的一种编码表示方法，它规定了从当前边界点到下一个边界点必须采用的方向，包含了起始点的坐标以及用来确定围绕边界路径走向的编码序列。例如在图像像素点(x,y)的一个八向邻域中，对于每种延伸方向均可用一种方向码表示(即8个方向可分别对应0、1、2、3、4、5、6和7，这些码称为方向码)。假设从某个起点开始，将边界的走向按上面的码方式记录下来，一条曲线最终可以表示为：

A_n＝a₁a₂···a_n-1a_n,a_n∈{0,1,2,3,4,5,6,7},n＝0,1,2,3,4,5,6,7

式中，A_n称为曲线的链码。设分辨率单元的边长为l(当n为偶数)或(当n为奇数)，既可以得到如下形状轮廓周长、形状轮廓宽度及高度、形状轮廓的面积、形状轮廓的体态比、形状轮廓的伸长度、形状轮廓的形态因子、形状轮廓的等效面积圆半径、形状轮廓的迂曲度、形状轮廓的长轴、形状轮廓的短轴、形状轮廓的椭圆度和形状轮廓的图像区域密度集的数学表达。

对于形状轮廓周长L，可以通过对图像边界点的计数得出来，即为粪便镜检有形成分上相邻边缘点之间的距离之和，即：

式中，n_ε表示方向链中偶数码的数目，n_o表示奇数码的数目。

对于形状轮廓宽度W及高度H，设方向链为{a₁a₂···a_n-1a_n}，其中，a_n为图像上的任意一点，a_n在x轴上的分量为在y轴上的分量为则a_n、和的取值如表1所示：

表1.x轴和y轴分量取值表

若(x₀,y₀)是起始点的坐标，则宽度和高度可分别用表示：

对于形状轮廓的面积S，其表达公式如下：

式中，N为总的链码数，n标识0～7八个方向。

对于形状轮廓的体态比R，其表达公式如下：

体态比R描述了粪便镜检图像所在区域与最小外接矩形的偏离程度，当图像区域为矩形时，R＝1，而细长物体的体态比小于1。

对于形状轮廓的伸长度E，其表达公式如下：

图像区域越呈细长形，E越小；当图像区域为圆形时，E＝1。

对于形状轮廓的形态因子F，其表达公式如下：

式中，L_max和L_min分别表示图像在各个方向上投影长度的最大值和最小值。

对于形状轮廓的等效面积圆半径CR，其表达公式如下：

式中，S为形状轮廓的面积

对于形状轮廓的迂曲度，定义为两点间粪便镜检有形成分的实际曲线长度与两点间直线长度之比。对于粪便镜检有形成分，可以在x坐标和y坐标两个方向上进行，即取x方向上最左边的点为起始点，最右边的点为终止点，计算x方向轮廓迂曲度；同时取y方向上最高点为起始点，最下边的点为终止点，计算y方向迂曲度。在粪便镜检有形成分分析中，计算轮廓迂曲度时，要先对图像进行旋转，然后再进行计算。假设两个像素点可由方向链连接，则两点的距离d为

对于形状轮廓的长轴和短轴，假设二值图像中的一个矩形区域，如果满足：(a)被测目标被限制在该矩形区域之内；(b)矩形的4条边都与被测目标轮廓相切；(c)所有矩形中该矩形的长度最大(此条件必须满足(a)(b)条件)，则该矩形的长为被测目标的长轴长度，该矩形的宽为被测目标的短轴长度。根据定义可知，长轴长度是目标轮廓上任意两点之间距离的最大值，计算长轴需要对目标轮廓进行多次遍历，使两个点在目标轮廓上遍历，对于这两点坐标的每一种取值计算它们之间的距离，其最大值就是长轴的长度。在确定了长轴的两端点(第一端点和第二端点)之后，由于长轴线段垂直于矩形的底边，短轴长度即等于目标轮廓与矩形两侧边的两交点(第一交点和第二交点)到长轴线段的距离之和。两交点分别是长轴两侧的目标轮廓中距离长轴最大的点。根据链码的表示计算短轴的算法是，首先从第一端点遍历轮廓直到第二端点，对遍历到的每一点计算它到长轴线段的距离将其最大值存储在一个变量中，再从第二端点遍历轮廓直到第一端点，对遍历到的每一点计算它到长轴线段的距离，将其最大值存储在另一个变量中，将这两个变量值相加，得到短轴的长度。

对于形状轮廓的椭圆度，形状轮廓的短轴与长轴之比成为其椭圆度。

对于形状轮廓的图像区域密度集C，其表达公式如下:

从上式可以看出，区域的密集度反应了图像的边界的凹凸程度，当粪便镜检图像的边界比较光滑时，区域密集度较小，比如粪便镜检中的红细胞图像呈圆形，其密集度较小；当粪便镜检图像区域的形状越偏离圆形时，则C值越小。而当尿沉渣图像边缘的变化比较剧烈时，图像的周长增加，而面积却相对减小，导致区域密集度的增大。故C在某种程度上反映了目标形貌的特征。对于几何上相近的图像，即使其位置、大小、取向不尽相同，却具有相同的区域密集度值，从而说明区域密集度仅与图像的形状有关，因此，也称图像区域密集度为形状因子。

此外，所述有形成分的类型可以但不限于包括红细胞、白细胞、霉菌、结晶、脂肪球和/或虫卵等。

S103.针对不同有形成分类型，提取筛选出的各个目标有形成分的HOG特征，然后采用与该有形成分类型对应的且在训练阶段中基于HOG特征进行训练的SVM分类器，对筛选出的目标有形成分进行校验识别，剔除与该有形成分类型不匹配的目标有形成分。

在所述步骤S103中，所述HOG(HSItogram of Oriented Gradient,方向梯度直方图)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征，其与SVM(support vector machine，支持向量机)分类器结合可应用于图像识别中，尤其是曾在行人检测中获得了极大的成功。

SVM分类器是一种以结构风险最小化的思想设计函数集的结构，使得每个子集中都能取得最小的经验风险，然后通过选取适当的子集使置信范围最小，这样在这个子集中使经验风险最小的函数就是用于分类的最优判别函数。其工作原理是寻找一个分类超平面来使得训练样本中的两类样本点能被分开，并且距离该平面尽可能地远。首先，给定一个样本集T：

T＝{(x₁；y₁),(x₂；y₂),···,(x_j；y_j)}

式中，x_j∈R^q是输入向量，y_j∈{1；-1}是两类问题的标签，SVM方法就是为了寻找一个两类之间的最优分类面ω·Φ(x)+b＝0，其中ω是此类面权重向量，b∈R是偏执，Φ表示把样本集T映射到一个高维的特征空间。如此SVM寻找最优分类面的过程可等价于求解一个凸二次优化问题：

式中，C'是惩罚系数，用来控制误差ξ(松弛变量)边界的平衡。使用拉格朗日优化方法和对偶原理来求解就可得到以下具有最大间隔的最优分类面：

最后得到的决策函数是：

SVM分类器具有以下优点：(1)专门针对有限样本情况，其膜表是得到现有信息下的最优解，而不仅仅是样本数趋于无穷大时的最优值；(2)从理论上说，算法得到的将是全局最优点，这就解决了在神经网络方法中无法避免的局部极值问题；(3)算法将实际问题通过非线性变换转换到高维特征空间，在高维空间中通过构造线性判别函数来替圆空间中的非线性判别函数，这就巧妙地解决了维数问题，其算法复杂度与样本维数无关。

SVM需要利用核函数K(x_j1,x_j2)＝Φ(x_j1)·Φ(x_j2)来实现从原来空间到特征空间的映射，只要满足Mercer条件(即任何半正定的函数)的对称函数即可作为核函数，常用的核函数有：

(1)、多项式核函数：

K(x_j1,x_j2)＝(γx_j1·x_j2+b)^dd＝1,2,···

(2)、径向基(radius basis function，RBF)核函数：

K(x_j1,x_j2)＝exp(-γ||x_j1-x_j2||²)

(3)、sigmoid核函数

K(x_j1,x_j2)＝tanh(γ(x_j1·x_j2)+b)

式中，γ、b和d是核函数参数，通过大量的实验，本实施例选用的是RBF径向基核函数。

利用应用HOG+SVM分类器对1036个标本中的有形成分进行校验识别，得到的校验识别的结果统计如下表2所示：

表2.应用HOG+SVM分类器对1036个样本进行校验识别的结果统计

类别	红细胞	白细胞	霉菌	晶体
					正确率	95.14％	97.39％	96.04％	99.71％
误检率	4.28％	2.02％	2.02％	0.29％
					漏检率	0.58％	0.39％	1.93％	0

S104.针对不同有形成分类型,在所述第一图像中对匹配的各个目标有形成分进行标记，得到第三图像。

根据前述步骤S101至S104，最后可得到如图4所述对各个目标有形成分进行标记的第三图像，根据这个图像就可以对患者进行就诊。

在所述训练阶段中包括如下步骤：S201.应用水平集方法对第二粪便镜检图像进行图像分割处理，得到第二图像，所述第二图像包含有若干个有形成分的形状轮廓；S202.基于形状轮廓提取各个有形成分的几何特征，然后根据几何特征筛选出所述第二图像中的且与不同有形成分类型对应的目标有形成分；S203.针对不同有形成分类型，在对对应的所有目标有形成分进行人工筛选后，提取剩余目标有形成分的HOG特征，然后基于HOG特征训练得到所述SVM分类器。

在所述步骤S201中，所述应用水平集方法对第二粪便镜检图像进行图像分割处理，得到第二图像，同样需要采用前述步骤S301至步骤S302所描述的方法，于此不再赘述。

此外，为了实现对应用本实施例方法的GPU并行优化，进一步加快分类识别的速度，本实施例还应用Opencv的ocl并行处理库来执行步骤S101至步骤S104、步骤S201至S203和步骤S301至步骤S302。本实施例应用Opencv的oc l并行处理库来进行加速的过程如下：(1)通过getDevice函数，完成全局OpenCL设备的注册；(2)在将内存数据由Mat格式转化成oclMat格式后，上传到显存；(3)调用ocl模块函数，在OpenCL设备上进行计算；(4)在将显存数据由oclMat格式在转化成Mat格式后，下载到内存；(5)调用cv::函数，在host上进行剩余量的运算。

在调用ocl模块的任何模块前，必须明确地调用一下ocl名字空间下的getDevice函数，通过getDevice函数在处理设备中寻找是否有合适的含有GPU的OpenCL平台，并返回可用的device设备数量，生成并注册可用的上下文(cl_context)和一个命令执行队列。所有的ocl模块调用的矩阵类型格式是oclMat格式，oclMat格式跟Mat格式类似，包含大部分的成员函数和成员变量，但是最重要的是封装了OpenCL的buffer数据(cl_mem)，并可控制其内存释放与传输，可通过调用oclMat的构造函数：oclMat myOclMat(mat)来实现由Mat格式至oclMat格式的转化，oclMat的构造函数会自动复制据Mat的矩阵头，如列、行数，元素类型，通道数等等，并且隐式地把CPU host上的内存转移到GPU device的显存上。在将内存数据向显存转移(或者称为“上传”)时，可以调用：oclMat myOclMat和myOclMat.upload(mat)来实现，这样就有了一个上传到device上的oclMat矩阵。这个矩阵数据就可以传递给ocl模块的函数，进行用户所需要的运算。但是由于oclMat矩阵的数据是储存在GPU显存上的，用户在host(cpp文件中)是不能直接去取值的，而如果在计算完毕后，用户想取得oclMat的结果，需要把在显存上的oclMat数据转移成Mat格式，这个操作叫做”下载”。跟上传类似，也有隐式和显示两种方法：即mat＝Mat(myOclMat)和myOclMat.download(mat)。此外，一般情况下，用户不必担心oclMat数据的释放问题，因为在oclMat被解体的时候，会自动调用数据的释放。对于主要使用到的库函数，可以但不限于包括以下：ocl::cvtColor()，ocl::resize()，ocl::filter2D()和ocl::Sobel()，以及常用的加、减、乘、除、开方运算等等。

综上，本实施例所提供的基于机器视觉的粪便镜检图像有形成分的分类识别方法，具有如下有益效果：(1)该方法先运用水平集方法对粪便镜检图像进行图像分割，然后针对分割得到的有形成分的形状轮廓，依次进行基于形态特征的初级分类和基于HOG+VSM训练分类器的校验识别，如此可解放人力，快速且高精度的得到有形成分分类识别结果，以便病人及时得到就诊；(2)在应用水平集方法对粪便镜检图像进行图像分割时，针对停止速度函数，考虑灰度图像因目标形状轮廓与背景灰度不明显而难以分割出目标的情况，又增加了颜色空间对分割影响的考虑，并将灰度图像和HS分量合成图像引入了停止速度函数的计算中，如此可避免造成边界泄漏，进一步加快曲线演化的速度，使图像分割速度快、精确度高；(3)在分类识别处理过程中，通过应用opencv的ocl库，可以实现对处理过程的GPU并行优化，进一步加快分类识别的速度，便于实际应用和推广。

如上所述，可较好地实现本发明。对于本领域的技术人员而言，根据本发明的教导，设计出不同形式的基于机器视觉的粪便镜检图像有形成分的分类识别方法并不需要创造性的劳动。在不脱离本发明的原理和精神的情况下对这些实施例进行变化、修改、替换、整合和变型仍落入本发明的保护范围内。

Claims (9)

1.一种基于机器视觉的粪便镜检图像有形成分的分类识别方法，其特征在于，包括训练阶段和识别阶段，其中，识别阶段包括如下步骤：

S101.应用水平集方法对第一粪便镜检图像进行图像分割处理，得到第一图像，所述第一图像包含有若干个有形成分的形状轮廓；

S102.基于形状轮廓从所述第一图像中提取各个有形成分的几何特征，然后根据几何特征筛选出与各种有形成分类型匹配的目标有形成分；

S103.针对不同有形成分类型，提取筛选出的各个目标有形成分的HOG特征，然后采用与该有形成分类型对应的且在训练阶段中基于HOG特征进行训练的SVM分类器，对筛选出的目标有形成分进行校验识别，剔除与该有形成分类型不匹配的目标有形成分；

S104.针对不同有形成分类型,在所述第一图像中对匹配的各个目标有形成分进行标记，得到第三图像。

2.如权利要求1所述的基于机器视觉的粪便镜检图像有形成分的分类识别方法，其特征在于，所述训练阶段包括如下步骤：

S201.应用水平集方法对第二粪便镜检图像进行图像分割处理，得到第二图像，所述第二图像包含有若干个有形成分的形状轮廓；

S202.基于形状轮廓从所述第二图像中提取各个有形成分的几何特征，然后根据几何特征筛选出与各种有形成分类型匹配的目标有形成分；

S203.针对不同有形成分类型，提取经过人工校验识别后匹配保留的所有目标有形成分的HOG特征，然后基于所述HOG特征训练得到与该有形成分类型对应的SVM分类器。

3.如权利要求1或2所述的基于机器视觉的粪便镜检图像有形成分的分类识别方法，其特征在于，在所述应用水平集方法对粪便镜检图像进行图像分割处理的步骤中，包含如下步骤：

S301.对粪便镜检图像I分别进行灰度化处理和HSI转化处理，得到对应的灰度图像I_gray和HSI图像I_HSI，同时设置初始化曲线C⁰，并根据所述初始化曲线C⁰初始化水平集函数所述水平集函数采用离散网格形式表示，其中，i和j分别为网格点(i,j)的标识序号；

S302.按照如下公式计算自适应可变权重系数v(I_gray)：

v(I_gray)＝c·sgn(Δ(G_σ×I_gray))·|▽(G_σ×I_gray)|

式中，c为大于0的第一常数，sgn()为符号函数，σ为标准差，G_σ为采用标准差为σ的高斯滤波器，G_σ×I_gray为对灰度图像I_gray进行高斯滤波后的结果，Δ为拉普拉斯算子符号，▽为梯度算子符号，||为绝对值符号，同时按照如下公式对HSI图像I_HSI进行整合处理，得到HS分量合成图像I_HS：

式中，R_I、G_I和B_I分别为粪便镜检图像I中对应的R颜色值、G颜色值和B颜色值，▽为梯度算子符号，为在HSI图像I_HSI中对应像素点的H分量邻域均值，为在HSI图像I_HSI中对应像素点的S分量邻域均值，k为数值大于0的第一可调参数，b为数值大于0且小于1的第二可调参数；

S303.按照如下公式计算水平集速度停止函数g(▽I)：

$\left\{\begin{array}{c}g(\&dtri;I)=e^{-({\mathrm{\&gamma;}}_{gray}\&CenterDot;|\&dtri;q_{gray}|+{\mathrm{\&gamma;}}_{HS}\&CenterDot;|\&dtri;q_{HS}\left|\right)/m}\\ {\mathrm{\&gamma;}}_{gray}=\left\{\begin{array}{cc}1-\frac{1}{1+\mathrm{\&eta;}{(\&dtri;q_{gray})}^2}& \&dtri;q_{gray}>=\&dtri;q_{HS}\\ \frac{1}{1+\mathrm{\&eta;}{(\&dtri;q_{HS})}^2}& \&dtri;q_{gray}<\&dtri;q_{HS}\end{array}\right.\\ {\mathrm{\&gamma;}}_{HS}=\left\{\begin{array}{cc}1-\frac{1}{1+\mathrm{\&eta;}{(\&dtri;q_{HS})}^2}& \&dtri;q_{HS}>=\&dtri;q_{gray}\\ \frac{1}{1+\mathrm{\&eta;}{(\&dtri;q_{gray})}^2}& \&dtri;q_{HS}<\&dtri;q_{gray}\end{array}\right.\end{array}\right.$

式中，q_gray为对灰度图像I_gray进行导向滤波的结果，q_HS为对HS分量合成图像I_HS进行导向滤波的结果，▽为梯度算子符号，||为绝对值符号，η为第三可调参数，m为介于2～5之间的第四可调参数；

S304.按照如下公式获取能量泛函数的水平集表达φ_t：

$\left\{\begin{array}{c}{\mathrm{\&phi;}}_t=\mathrm{\&mu;}\&lsqb;\mathrm{\&Delta;}\mathrm{\&phi;}-K\&rsqb;+\mathrm{\&lambda;}\mathrm{\&delta;}\left(\mathrm{\&phi;}\right)\left(g\right(\&dtri;I)K+\frac{\&dtri;\mathrm{\&phi;}}{|\&dtri;\mathrm{\&phi;}|}\&CenterDot;\&dtri;g)+v\left(I_{gray}\right)g(\&dtri;I)\mathrm{\&delta;}\left(\mathrm{\&phi;}\right)\\ K=div\left(\frac{\&dtri;\mathrm{\&phi;}}{|\&dtri;\mathrm{\&phi;}|}\right)\end{array}\right.$

式中，K为演化曲线的曲率，div()为取余函数，μ和λ分别为对应项的权重系数，φ为水平集函数，δ()为正则化的狄拉克函数，Δ为拉普拉斯算子符号，▽为梯度算子符号，||为绝对值符号；

S305.根据如下水平集运动方程进行曲线演化：

$\left\{\begin{array}{c}{\mathrm{\&phi;}}_{i,j}^{k+1}={\mathrm{\&phi;}}_{i,j}^k+\mathrm{\&Delta;}t\&CenterDot;L\left({\mathrm{\&phi;}}_{i,j}^k\right)\\ L\left({\mathrm{\&phi;}}_{i,j}^k\right)=\mathrm{\&mu;}\&lsqb;\mathrm{\&Delta;}{\mathrm{\&phi;}}_{i,j}^k-K\&rsqb;+\mathrm{\&lambda;}\mathrm{\&delta;}\left({\mathrm{\&phi;}}_{i,j}^k\right)\left(g\right(\&dtri;I)K+\frac{\&dtri;{\mathrm{\&phi;}}_{i,j}^k}{|\&dtri;{\mathrm{\&phi;}}_{i,j}^k|}\&CenterDot;\&dtri;g)+v\left(I_{gray}\right)g(\&dtri;I)\mathrm{\&delta;}\left({\mathrm{\&phi;}}_{i,j}^k\right)\end{array}\right.$

式中，Δt为演化时间步长，k为初始值为0的整数，为在kΔt演化时刻使用离散网格形式表示的水平集函数，为在(k+1)Δt演化时刻使用离散网格形式表示的水平集函数，i和j分别为网格点(i,j)的标识序号；

S306.根据(k+1)Δt演化时刻的水平集函数获取其中的零水平集，即演化后的曲线C^k+1，然后判断是否满足C^k＝C^k+1，若不满足，则令k＝k+1，返回步骤S305继续进行迭代演化，否则终止曲线演化，将演化得到的曲线C^k+1作为图像中有形成分的形状轮廓。

4.如权利要求3所述的基于机器视觉的粪便镜检图像有形成分的分类识别方法，其特征在于，所述对粪便镜检图像I进行灰度化处理的公式如下：

I_gray＝R_I*0.299+G_I*0.587+B_I*0.114

式中，R_I、G_I和B_I分别为粪便镜检图像I中对应的R颜色值、G颜色值和B颜色值。

5.如权利要求3所述的基于机器视觉的粪便镜检图像有形成分的分类识别方法，其特征在于，所述对粪便镜检图像I进行HSI转化处理的公式如下：

$\left\{\begin{array}{c}H=\left\{\begin{array}{cc}\mathrm{\&theta;}& B_I\&le;G_I\\ 360-\mathrm{\&theta;}& B_I\&GreaterEqual;G_I\end{array}\right.\\ S=1-\frac{3\min (R_I,G_I,B_I)}{R_I+G_I+B_I}\\ I=\frac{1}{3}(R_I+G_I+B_I)\\ \mathrm{\&theta;}=\arccos \left(\frac{1}{2}\frac{(R_I-G_I)+(R_I-B_I)}{{(R_I-G_I)}^2+(R_I-G_I)(G_I-B_I)}\right)\end{array}\right.$

式中，H、S和I分别为HSI图像中对应的三个分量值，R_I、G_I和B_I分别为粪便镜检图像I中对应的R颜色值、G颜色值和B颜色值，min()为取最小值函数。

6.如权利要求1所述的基于机器视觉的粪便镜检图像有形成分的分类识别方法，其特征在于，所述几何特征包括形状轮廓周长、形状轮廓宽度及高度、形状轮廓的面积、形状轮廓的体态比、形状轮廓的伸长度、形状轮廓的形态因子、形状轮廓的等效面积圆半径、形状轮廓的迂曲度、形状轮廓的长轴、形状轮廓的短轴、形状轮廓的椭圆度和形状轮廓的图像区域密度集中的任意一种或它们的任意组合。

7.如权利要求1所述的基于机器视觉的粪便镜检图像有形成分的分类识别方法，其特征在于，所述有形成分的类型包括红细胞、白细胞、霉菌、结晶、脂肪球和/或虫卵。

8.如权利要求1所述的基于机器视觉的粪便镜检图像有形成分的分类识别方法，其特征在于，应用Opencv的ocl并行处理库来加速执行步骤S101至步骤S104。

9.如权利要求8所述的基于机器视觉的粪便镜检图像有形成分的分类识别方法，其特征在于，所述应用Opencv的ocl并行处理库来进行加速的过程如下：(1)通过getDevice函数，完成全局OpenCL设备的注册；(2)在将内存数据由Mat格式转化成oclMat格式后，上传到显存；(3)调用ocl模块函数，在OpenCL设备上进行计算；(4)在将显存数据由oclMat格式在转化成Mat格式后，下载到内存；(5)调用cv::函数，在host上进行剩余量的运算。