[发明专利]一种基于半监督k-means算法的乳腺癌病理组织图像分割方法

权利要求书

1.一种基于半监督k-means算法的乳腺癌显微病理组织图像分割方法，其特征在于，所述方法包括：

101、获取一张待处理的乳腺癌显微病理组织图片；

102、对获取的乳腺癌显微病理组织图片进行预处理；

103、将经过预处理的乳腺癌显微病理组织图片采用分割算法进行聚类分割，获取聚类中心；

104、将步骤103中获取的聚类中心作为初始聚类中心，将步骤102中经过预处理的乳腺癌显微病理组织图片进行初始化k-means分割，获得一个多类图像染色区矩阵，并对多类图像染色区矩阵的每一类图像染色区采用一种颜色进行染色，获得染色后的多类图像矩阵数据；

105、将获取的多类图像矩阵数据以图片的格式进行展示；

其中，步骤101中获取的所述乳腺癌显微病理组织图片的原有染色模式为HE；

所述步骤102还包括如下步骤：

B1、将所有获取的病理组织图片转化为灰度图片；

B2、将转化后的每一灰度图片按照预设规则进行遍历，以获取每一灰度图像中每一像素点的灰度值；

B3、若遍历的像素点的灰度值大于预设值S，则将该像素点的灰度值重置为255，若遍历的像素点的灰度值小于等于预设值S，则对该像素点的灰度值不做处理；

B4、将经过步骤B3判断处理后的像素点按照图像矩阵的形式输出灰度图片，并将输出的灰度图片作为经过预处理后获取的乳腺癌显微病理组织图片；

当所述步骤101中获取的乳腺癌病理组织图片为JPEG格式的图片时，所述方法步骤103还包括：

C1、将预处理后得到的所有灰度图片，分为第一部分和第二部分，其中所述第一部分和所述第二部分均包括多张带有编号的灰度图片；

C2、将步骤C1中的第一部分作为训练集，第二部分作为测试集，然后利用k-means算法进行分割迭代，获得聚类中心；

当所述步骤101中获取的乳腺癌病理组织图片为JPEG格式的图片时，所述方法步骤101还包括：

A1、将获取的乳腺癌病理组织图片切割为多张小尺寸病理组织图片；

A2、将经过切割获取的多张小尺寸病理组织图片从一进行依次编号；

当所述步骤101中获取的乳腺癌病理组织图片为多张图时，所述方法步骤103还包括：

将预处理后获取的乳腺癌显微病理组织图片中的第一张灰度图片利用k-means算法分割，获得聚类中心；

所述预设值S的取值范围为200-220；

当所述步骤101中获取的乳腺癌病理组织图片为JPEG格式的图片时，所述方法步骤104中获取多个获得染色后的多类图像矩阵数据；

将得到的多个获得染色后的多类图像矩阵数据按照步骤A1中切割时的顺序进行拼接，获得一个对应未切割时乳腺癌病理组织图片的多类图像矩阵数据，用以步骤105以图片的格式进行展示。

2.根据权利要求1所述的方法，其特征在于，

所述步骤103中用于得到聚类中心的分割算法为Ward的层次聚类算法、MaxMin算法和Kaufmanapproach算法中的任一种。