[发明专利]一种基于多特征融合的寄生虫虫卵识别方法

说明书

技术领域：

本发明属于图像识别技术领域，尤其涉及一种虫卵识别方法，具体来说是一种基于多特征融合的寄生虫虫卵的识别方法。 

背景技术：

寄生虫病仍然是全球性的公共卫生问题之一，虫卵镜检是关键的防治技术之一，也是寄生虫形态特征分析和后续生物学研究的一个基础环节。寄生虫虫卵的识别无法象血细胞分析一样用自动化仪器进行，长期以来只能依赖人眼在显微镜下进行观察分辨。但在众多的寄生虫样本中对不同的虫卵进行鉴别是一项既繁琐的工作，同时还需要对技术人员进行专门的培训。目前采用标本人工涂片后在显微镜下肉眼辨别的方法,不仅操作繁琐、识别误差随检验人员的经验和状态而异,而且缺乏客观性和精确性,检验标本图像、数据和结果不便于存储、重现和检索,不能适应现代医疗信息化发展的需求。因此，有必要借助计算机技术来协助进行寄生虫虫卵的识别。 

1995年大连理工大学电子系的孔祥维开展了显微镜下蠕虫卵微机检测与识别系统的研究，正确识别率接近92.3％。1997年赵亚娥也开展了针对10种寄生虫虫卵图像的自动识别研究，提取了虫卵区域的周长、面积、圆形度和密度四个特征进行了识别，识别正确率达到了92％。中山大学傅承彬等2002年开发出对7种吸虫成虫标本并提取相应的13个形态学特征进行识别分类，识别准确率达89.04％。但图像需要用利用Photoshop、AutoCAD、等进行预处理。2004年郭晓敏利用小波分类提取了虫卵图像的小波变化系数特征，并选用了概率神经网络来对虫卵进行了分类。2005年李俊峰利用树型分层原理结合最小距离分类原则、Bayes判别准则和人工神经网络等构建分类器进行识别，正确率达到94.91％。2005年湖南大学的彭社欣开发寄生虫识别系统，识别率可达到93.0％。2007年罗泽举、宋丽红等人提出一种新型图像特征提取方法并且采用SVM对血吸虫等九种寄生虫虫卵图片实现自动识别和分类，识别率达到93.9％。 

在国外，1996年丹麦哥本哈根兽医实验室Sommer C.利用计算其傅里叶变换的振幅进行分类，准确识别率为81.5％；Sommer C.于1998年提取了三种牛线虫虫卵图像的大小、纹理和形状特征用于分类识别，使得平均正确识别率达到91.2％；1999年韩国首尔国立大学Yang ySll31等人采用7种共52张人体寄生虫虫卵图像，并利用人工神经网络识别方法对提取的4种形态学特征进行分类检测和识别，识别准确率达到86 ％。Yang等于2001年增加了虫卵的种类和图片数量，并利用上述方法进行分类检测和识别后得到的正确识别率提高到90.3％。2000年希腊雅典国家科技大学的G.Theodoropoulos[141等人对寄生于家畜中的五种线虫幼虫图像进行数字图像识别处理，提取的7个有效特征参数进行分类，正确识别率为91.9％。2007年巴西圣保罗大学的Jane S.Fraga等人利用Bayes分类器实现了对家禽感染寄生虫的识别，识别率达到85.75％。同年苏丹的S.Raviraja运用统计学的方法来分类感染疟疾病原体的血液图片的分类。 

虽然国内外有关研究人员都在尝试利用计算机进行寄生虫病原体的自动识别研究,但利用计算机对寄生虫卵图像进行自动识别仍有不少困难,主要体现在以下几方面: 

a)寄生虫的种类多,使得在图像预处理时很难找到能适合所有虫卵的方法,寄生虫卵的形态颜色各异,使得选取区分各种虫卵的特征很困难； 

b)由于图像拍摄装置的差异、拍摄环境的不同,即使是同一种虫卵,拍摄出来的图像在背景和虫卵本身的颜色等方面也可能存在差异,这也会影响识别效果； 

c)寄生虫卵本身在不同的时期也会有不同的形态,有的甚至相差很大,如蛔虫卵在未受精未脱蛋白膜时期和已受精已脱蛋白膜时期就明显不同。 

从现有研究资料看,我国外开展寄生虫虫卵数字图像自动识别研究不到十五年,远未达到临床应用或自动化仪器识别的程度,带有浓厚的“纯研究”色彩,问题主要表现在以下三个方面: 

a)能够识别的种类较少,往往局限于某几种、某类虫卵或成虫的实验室研究,适应面太窄的系统在临床上应用价值不高。 

b)识别系统处理过程中需要人工干预的部分多,如有的识别系统需要先用通用软件测量出特征参数并录入数据库后再调用出来进行分类识别,并非一体化的识别系统；有的系统需要用鼠标选定目标或确定边界跟踪分割的起始点,离声称的“自动”识别距离甚远。