论文部分内容阅读
在临床病理学检验中,人体粪便成分分析具有重要的意义。粪便镜检作为三大常规医疗检测之一,为医学辅助诊断提供了重要的依据,其最主要目的是识别其中的活性物质,如血细胞、寄生虫和霉菌等。本文所提出的算法正是围绕粪便镜检图像分割与识别相关技术所展开的,涉及到图像预处理、图像分割、轮廓查找、特征提取和分类等关键技术。图像预处理包括去噪和光照校正。由于粪便镜检图像背景复杂,杂质干扰较多,采集的图像背景易受光线和检测环境的影响,因此首先对图像进行去噪,消除颗粒噪声的影响;然后进行光照校正,消除光照不均匀的影响。图像分割是很多基于图像识别研究课题的重点,分割结果会直接影响后续图像处理步骤。本文选择的C han-Vese模型是一种基于水平集方法的图像分割技术,该方法整合了图像的全局信息,不需要利用图像边缘就可以获得很好的分割效果。轮廓查找在图像分割后续处理和特征提取阶段都有用到。目标区域轮廓的准确提取对后续特征检测有重要的影响,因此首先进行一次轮廓查找,并填充其中的孔洞,以避免内层轮廓的分析,减少计算量;然后在特征提取阶段再进行一次轮廓提取,得到完整的目标边界表示,对于每一个目标轮廓,分析其参数特征,包括面积、圆形度、形态因子、周长比、拟合误差等形态特征。最后根据提取的特征进行分类,本文选择基于决策树的细胞分类方法。目标分类包括两个过程,首先根据人工标记对标准图像进行训练,根据提取的细胞特征值训练决策树;第二步是自动识别阶段,对于每一个目标特征,根据第一步训练的决策树判断该目标所属类别。实验结果表明,本文所采用的图像分割与识别算法能有效地提取镜检图像中的细胞并准确分类,具有实际应用价值。