尿沉渣图像红白细胞自动分割与识别算法研究.docVIP

尿沉渣图像红白细胞自动分割与识别算法研究 　　摘 要： 针对尿沉渣图像中的红白细胞，提出了一种基于组合思想的分割方法，即对图像进行三层处理，将各层的分割结果进行融合，从而通过多信息互补的方法得到完整的分割结果。设计了两级集成SVM分类器对红白细胞进行识别。实验证明，提出的整套算法简洁高效，精度高，具有较强的普适性。 　　关键词： 尿沉渣； 图像分割； 多信息互补； SVM 　　中图分类号： TN957.52?34 文献标识码： A 文章编号： 1004?373X（2013）17?0118?04 　　0 引 言 　　尿沉渣检查是指通过对尿液中各种有病理意义的有形成分进行分析，来检验一个人的肾脏及泌尿系统是否有疾病或者损伤。红白细胞作为尿沉渣中最具有临床价值的两类细胞，是必须要进行检查的有形成分。让计算机代替人来完成对红白细胞的自动分析，关键在于对红白细胞的分割与识别。 　　目前，已经出现了许多种分割和识别方法。在分割上，文献[1?3]中提出了阈值分割、聚类、边缘检测以及区域提取等方法。特定地使用某种阈值分割法只能将其中的一部分红白细胞分割出来。聚类法是通过检测相似点的簇来对每个聚类进行标记，其缺点是聚类数目事先不可知，而且没有考虑到不同类别间的交叉性。边缘检测通过确定强度值的突变点的位置来区分不同的区域，但是仅仅通过边缘检测并不能取得整体上较满意的效果。区域提取存在停止准则确定困难以及计算复杂等缺点。在识别上，文献[4?6]中提出了线性分类法、模糊聚类、神经网络以及支持向量机等方法。其中线性分类法无法解决非线性问题，模糊聚类法没有考虑到类别间的交叉，神经网络法存在严重的过学习问题，无法避免局部极小值，得到的解可能是局部最优解。 　　相比之下，支持向量机算法是专门为适用于小样本学习问题而提出的通用学习算法。它基于结构风险最小化原理，而非传统的经验风险最小化原理，从而能兼顾训练误差和泛化能力[7]。而且SVM不存在过学习问题，得到的解是全局最优解，有更好的泛化性能。 　　综上所述，对于复杂的尿沉渣图像来说，单一地使用某种分割方法很难将尿沉渣中的红白细胞全部分割出来。为此，通过研究各种分割方法的优点，本文提出了三次组合分割算法，将图像分三层进行处理，在每一层中使用不同的算法对尿沉渣图像中的红白细胞进行分割，融合各层分割结果，从而通过多信息互补的方法得到完整的分割结果。最后在特征提取的基础上，对红白细胞使用SVM方法进行分类识别。 　　1 红白细胞分割 　　结合尿沉渣图像的特点，本文针对红白细胞提出的三次组合分割算法主要分为三步：顶层分割使用自适应Canny边缘检测结合形态学进行处理；中层分割使用OTSU法阈值结合形态学进行处理；底层分割利用Sobel算子求取图像的梯度，对求取的梯度图进行OTSU阈值化，再结合形态学进行处理。最后将各层的分割结果进行融合，从而通过多信息互补的方法得到完整的分割结果。算法整体流程图如图1所示。 　　1.1 顶层分割 　　1.2 中层分割 　　OTSU法是在判决分析最小二乘原理的基础上推导得出，计算过程简单，是一种稳定常用的算法。其主要思想是：在对图像进行阈值分割时，选定的分割阈值应使前景区域的平均灰度、背景区域的平均灰度与整幅图像的平均灰度之间差异最大，这种差异用区域的方差来表示。 　　1.3 底层分割 　　经过以上两层分割，尿沉渣图像中仍旧存在未被分割出来的红白细胞。这主要是因为这些细胞的边缘相对模糊，在Canny边缘检测或者Otsu法阈值后无法形成闭合区域，从而导致前两层分割失效。针对此种情况，本文再次进行了分割，这里称为底层分割。在底层分割中，首先利用Sobel算子求取图像的梯度图，然后对梯度图进行Otsu法阈值处理，最后再结合形态学完成最终的分割。 　　1.4 分割效果 　　各层的分割效果如图2中各子图所示。其中图（a）为一幅尿沉渣原始图像，里面含有大量的红白细胞。在顶层分割中使用高低阈值自适应的Canny边缘检测后的效果如图（b）所示。在此基础上进一步采用形态学处理。主要的处理依次是：使用半径为1的圆形结构元素对分割结果进行膨胀处理；使用同样的结构元素对膨胀结果进行闭运算。这两步处理的主要目的是封闭一些不闭合的轮廓，使其形成闭合区域。搜索图像中的闭合区域，并进行孔洞填充。依据区域的几何特性去除一些明显的杂质，比如圆形度，轮廓的粗糙度，面积等。顶层分割结果如图（c）所示。在中层使用Otsu阈值后，去除顶层分割结果得到图（d）。再结合形态学处理得到中层分割结果图（e）。图（f）为底层分割中使用Sobel算子求取的梯度图。对图（e）进行Ostu阈值化，去除以上两层的分割结果，并结合形态学处理得到底层分割结果见图（g）。将三层的结果进行融合，实现多信息互补，即可得到完整的