[发明专利]基于颜色空间自适应阈值分割的白细胞自动分类方法

权利要求书

1.一种基于颜色空间自适应阈值分割的白细胞自动分类方法，其特征在于，包括以下步骤：

步骤一、白细胞的自适应阈值分割：将要分割的白细胞图像从RGB颜色空间分别转换为灰度空间和HSV空间，得到该白细胞的灰度图像和HSV图像，从该灰度图像的灰度直方图中所有波谷处对应的灰度值中选择最小的灰度值作为分割阈值分割得到细胞核的灰度图像；从该HSV图像色调(H)分量的色调直方图中所有波谷处对应的色调值中，根据最后一个波峰和波谷的位置关系确定1至2个色调值作为分割阈值分割得到细胞的灰度图像；

步骤二、白细胞的特征提取与特征选择：首先，从步骤一分割得到的细胞核灰度图像和细胞灰度图像中分别提取如下特征构成白细胞特征，包括：基于图像灰度直方图的颜色特征，基于灰度共生矩阵的纹理特征和基于八链码的形态特征；然后，基于分类和回归树(CART)的特征选择算法得到上述白细胞特征的基尼(Gini)增益指数，最后，根据基尼(Gini)增益指数选择排名前十的白细胞特征组成最优特征子集；

步骤三、引入粒子群优化算法(PSO)优化支持向量机(SVM)，构建粒子群优化算法-支持向量机(PSO-SVM)分类器，将上述步骤二得到的最优特征子集输入至所述粒子群优化算法-支持向量机(PSO-SVM)分类器，所述粒子群优化算法-支持向量机(PSO-SVM)分类器的输出即为白细胞的分类结果。

2.根据权利要求1所述的白细胞自动分类方法，其特征在于，步骤三中，构建粒子群优化算法-支持向量机(PSO-SVM)分类器的过程如下：

步骤3-1、粒子群优化算法初始化；

步骤3-2、将步骤二形成的所述最优特征子集分为训练集和测试集，以所述训练集训练支持向量机，根据所述支持向量机得到的分类准确率计算粒子群优化算法中粒子的适应度值，记录当前粒子的局部最优值和所有粒子的全局最优值；

步骤3-3、迭代更新粒子的速度与位置，并计算更新后粒子的适应度值；

步骤3-4、比较更新前后的粒子的适应度值，如果更新后的粒子的适应度值更优，则更新当前粒子的局部最优值和所有粒子的全局最优值；

步骤3-5重复步骤3-2至步骤3-4，直到满足结束条件，得到适应度最优的粒子信息，至此完成粒子群优化算法-支持向量机(PSO-SVM)分类器的构建。

3.根据权利要求2所述的白细胞自动分类方法，其特征在于，粒子群优化算法-支持向量机(PSO-SVM)分类器构建完成后，将所述测试集输入至所述粒子群优化算法-支持向量机(PSO-SVM)分类器进行分类，得到测试集的分类结果，用以验证构建所得的粒子群优化算法-支持向量机(PSO-SVM)分类器的分类效果。