基于间隔自适应特征选择融合的宫颈细胞图像分类方法

本发明提供一种基于间隔自适应特征选择融合的宫颈细胞图像分类方法，包括如下步骤：(1)针对原始宫颈细胞图像中检测到的每个单细胞图像，进行去噪预处理后，采用分水岭分割算法提取出细胞核、细胞质区域；(2)提取宫颈细胞图像的纹理、形状、颜色特征；(3)基于间隔自适应方法进行细胞特征优化；(4)训练双层多示例超限学习机，确定训练误差最小化的MI‑ELM模型参数；(5)基于已训练的超限学习机模型，对检测到的未知单细胞图像进行分类识别。本发明利用先验概率信息增强新特征判别性，联合优化特征子类和分类策略的多示例超限学习模型，提高特征利用率进而提升对象分类准确率和效率，又可以优化组合不同特征子类再进行高效地细胞二分类。

1.一种基于间隔自适应特征选择融合的宫颈细胞图像分类方法，其特征在于，包括如下步骤： (1)针对原始宫颈细胞图像中检测到的每个单细胞图像，进行去噪预处理后，采用分水岭分割算法提取出细胞核、细胞质区域； (2)提取宫颈细胞图像的纹理、形状、颜色特征； (3)基于间隔自适应方法进行细胞特征优化； (4)训练双层多示例超限学习机，确定训练误差最小化的MI-ELM模型参数； (5)基于已训练的超限学习机模型，对检测到的未知单细胞图像进行分类识别。 2.根据权利要求1所述的基于间隔自适应特征选择融合的宫颈细胞图像分类方法，其特征在于，步骤(2)的具体步骤为： (2-1)提取宫颈细胞图像细胞核和细胞质HSV色彩空间的灰度共生矩阵纹理特征Pδ； (2-2)提取宫颈细胞图像形状特征：包括细胞区域面积、细胞拟合椭圆短轴、细胞拟合椭圆长轴、细胞拟合椭圆伸长率、细胞区域圆度、细胞区域周长、细胞核区域面积、细胞核拟合椭圆短轴、细胞核拟合椭圆长轴、细胞核拟合椭圆伸长率、细胞核区域周长、细胞核区域圆度、细胞核与细胞质面积比、细胞核相对位置； (2-3)提取宫颈细胞图像颜色特征：分别来自LAB三个通道，包括细胞核和细胞质区域的均值、方差、最大值和最小值。 3.根据权利要求1所述的基于间隔自适应特征选择融合的宫颈细胞图像分类方法，其特征在于，步骤(3)的具体步骤为： (3-1)随机选出一个样本xi，然后找出xi的两个最近邻居样本，这两个样本分别来自xi的同一类别和不同类别； (3-2)计算样本x到两个邻居样本的两个距离值d(·)； (3-3)求两个距离之差的绝对值作为间隔 ρi＝d(xi-NM(xi))-d(xi-NH(xi)) 其中，xi为随机选出的样本，NM(xi)表示样本xi最近的异类样本,NH(xi)表示样本xi最近的同类样本； (3-4)计算柱状细胞先验概率 其中，c为细胞的样本标签，为预测标签，Pc为时的类别概率； (3-5)根据间隔计算得到新权重 其中，Pprior为柱状细胞先验概率，xk为随机选取的第k个样本，为xk的最近的异类样本,为xk的最近的同类样本。 4.根据权利要求1所述的基于间隔自适应特征选择融合的宫颈细胞图像分类方法，其特征在于，步骤(4)的具体步骤为： (4-1)基于KKT最优化定理，将原始目标函数转换为对偶形式：其中拉格朗日乘子αi对应于第i个训练样本的“bag”，β是网络权重，g(χi)表示的是相应于第i个包的隐层输出向量，ξi是松弛变量，C是正则化系数,ti是标签； (4-2)计算对偶目标函数的KKT条件：样本 (4-3)整理上述KKT条件分别得： αi＝Cξi， g(χi)β＝ti-ξi； (4-4)最后得到MI-ELM的训练模型：其中，

南通大学

2020-10-30

2020-06-16

专利

https://d.wanfangdata.com.cn/patent/CN202010546079.3

CN202010546079.3

CN111860591A

zh

万方数据库

G06K9/62(2006.01)

G06T7/11(2017.01)

G06T7/155(2017.01)

G06T7/40(2017.01)

G06T7/50(2017.01)

G06T7/90(2017.01)

G06N3/02(2006.01)

G06N3/08(2006.01)

G

G06

G06K

G06T

G06N

G06K9

G06T7

G06N3

G06K9/62

G06T7/11

G06T7/155

G06T7/40

G06T7/50

G06T7/90

G06N3/02

G06N3/08