论文部分内容阅读
细胞计数是医院进行血液常规检查的项目之一。精确地测定人体血液中红细胞、白细胞的含量是临床诊断的重要依据。目前，白细胞自动计数仪主要采用电阻原理及光散射法，在视觉不能抵达的情况下，只能进行常规分类。图像分析方法，因其具有非常直观性，与人对细胞的判断分析方法非常接近，且能单独鉴别异常细胞，既可科学学习总结病理学家的诊断经验，又充分发挥了计算机视觉分辨率高和提取细胞特征灵活多样的特点，大大提高了工作效率、检测精度及个案分析能力。因此，研制一套可以自动识别白细胞的系统具有非常重要的意义。同时，由于数字化是生物学发展的趋势，而图像化是数字化的重要手段，因此该课题的研究对生物学其他方面的研究具有重要的借鉴意义。 血液图像自动识别系统是计算机、图像处理、模式识别及人工智能理论和技术互相结合的产物，它的原理是模仿人的“脑—眼”系统。本文首先分析了国内外的研究现状，提出了以显微镜、微机和彩色CCD摄像机为主体，应用计算机图像分析技术实现白细胞自动分类的实用化系统结构。在此基础上，对彩色细胞图像如何应用图像处理技术实现白细胞的自动分割进行了研究。首先对原始图像作从RGB(Red，Green，Blue)彩色空间到HSI(Hue，Saturation，Intensity)彩色空间的变换，根据经Wright染色细胞图像H分量含有较多信息量的特点，提取H分量图像；然后对图像的直方图作基于迭代双阈值的OTSU分割，分割出白细胞区域，并用形态学算法去除小斑块。在接下来的细胞标识中提出了一种基于边缘跟踪的快速标识算法，减少了对整幅图像的扫描时间，提高了系统的实时性。在提取出的单个白细胞进行阈值分割提取白细胞核；对相应的白细胞及其核区域作形态、光密度、纹理等特征的提取。 由于样本有限，基于提取出的特征，本文采用一种新的机器识别理论——支持向量机(Support Vector Machine)对白细胞进行分类识别。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，是专门针对有限样本情况的，其目标是得到现有信息是样本数趋于无穷大时的最优值下的最优解而不仅仅是有限情况；算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极值问题。支持向量机解决了由于样本少而难于达到识别精度及训练速度的问题。