[发明专利]多特征整合的宫颈细胞图像特征提取与识别方法及其装置

说明书

本发明提供一种多特征整合的宫颈细胞图像特征提取与识别方法及宫颈细胞特征识别装置,多特征整合的宫颈细胞图像特征提取与识别方法，包括如下步骤：对宫颈细胞图像进行二维经验模态分解；进行二维傅里叶变换，开展幅频和相频特性分析以得到幅频特性和相频特性；作奇异值分解，获得奇异值分解后的特征值；将获得的所述奇异值分解后的特征值构成宫颈细胞图像特征向量；依据最小欧氏距离检索方法对宫颈细胞测试样本图像的特征向量与细胞特征数据库中的基准训练细胞图像特征进行相似性比较以进行测试细胞图像分类识别。本发明可以充分提取宫颈细胞图像特征，提高识别精度，而且便于自动识别分类。

技术领域

本发明属于医学细胞图像处理领域，具体涉及一种多特征整合的宫颈细胞图像特征提取与识别方法及宫颈细胞特征识别装置。

背景技术

宫颈癌是女性中最常见的恶性肿瘤之一。宫颈癌从早期到晚期一般需要8-10年，而且没有显著的症状。因此，宫颈癌的早期诊断对于及时发现宫颈癌早期病变，将宫颈癌消灭在萌芽状态从而挽救女性患者的生命具有重要的意义。在宫颈癌的筛查方法中，宫颈细胞学筛查方法被认为是预防宫颈癌最有效的手段之一。宫颈细胞诊断技术已经成为女性宫颈癌临床诊断、病理分析以及治疗的重要辅助技术。临床已经证实每年检查一次宫颈癌恶化致死率可以降低92％。人工宫颈细胞学检查是一项单调乏味、耗时、易出错的工作。随着计算机和医疗技术的不断发展，对宫颈细胞检测提出了新的要求——快速化、高精度、智能化。因此，开发一种计算机辅助自动宫颈细胞筛选与诊断系统十分重要，有助于帮助女性患者预防宫颈癌的发生。

目前的宫颈细胞图像特征提取方法是仅在细胞图像的空间域中提取其特征，这类方法造成了部分宫颈细胞图像信息的丢失以及宫颈细胞图像特征提取的不充分，导致识别精度低，且不利于实现对宫颈细胞图像的自动识别分类。

发明内容

本发明旨在解决现有技术中存在的技术问题之一。

1998年Huang根据单频分量信号本身的特征提出了一种提取单频分量的方法——经验模态分解方法(EmpiricalModeDecomposition,EMD),经验模态分解能够从时变的信号中分解出保持信号自身性质不变的单频信号分量。

经验模态分解是一种完全自适应的分解过程。EMD方法中的信号要满足一定的条件：

(1)数据信号中至少包含一个极大值和一个极小值两个极值点；

(2)特征尺度用极值点之间的时间间隔定义；

(3)当整个数据序列没有极值点，而只有拐点时，它能够在进行一阶或多阶的求导运算后重建极值点，最后可以将各模态积分得到各成分。

EMD方法的目的就是将数据中的不同特征尺度加以分解区分开来，把复杂的信号分解为从高频到低频的若干阶简单的单分量固有模态函数(IntrinsicMode Function,IMF)组合。各IMF需要满足如下两个条件：

(1)在整个信号长度上，一个IMF的极值点和过零点数目必须相等或至多只相差一个；

(2)在任意时刻，由极大值点定义的上包络线和由极小值点定义的下包络线的平均值为零。

EMD方法可以从一维推广到二维，法国J.Nunes提出了对二维信号直接分解的二维经验模态分解方法(BidimensionalEmpiricalModeDecomposition，BEMD)。二维经验模态分解是对EMD的进一步发展，在图像处理领域中发挥了其优良的特性，得到了广泛的应用。本发明将二维经验模态分解方法引入到宫颈细胞图像处理领域中，为宫颈细胞图像特征提取与识别提供了新方法。

为此，本发明一方面提供一种多特征整合的宫颈细胞图像特征提取与识别方法，可以充分提取宫颈细胞图像特征，提高识别精度，而且便于自动识别分类。