一種基于多特征融合的寄生蟲蟲卵識別方法
【專利摘要】一種基于多特征融合的寄生蟲蟲卵的識別方法，包括一個對圖像預處理的步驟，將顯微照相設備獲取的圖像信息進行亮度歸一化處理、基于高斯濾波的銳化處理，得到蟲卵邊緣銳化的圖像；使用均值移位算法來對目標圖片進行分割處理，獲得判斷為蟲卵的區(qū)域；依據(jù)所建立的要識別寄生蟲蟲卵形狀邊緣區(qū)域信息，對每個候選的邊緣區(qū)域進行二值化處理，采用邊界跟蹤算法按照蟲卵區(qū)域的邊界進行目標獲取，得到分割后的蟲卵圖像；截取蟲卵圖像的指定特征值，存入預設特征數(shù)據(jù)庫的；采用基于相對距離的KNN（k=3）算法，將所獲取的特征值代入總數(shù)據(jù)庫，基于KNN算法判斷蟲卵類別。本發(fā)明對蟲卵的識別準確度超過90%，達到較理想的結果。
【專利說明】一種基于多特征融合的寄生蟲蟲卵識別方法

【技術領域】：
[0001] 本發(fā)明屬于圖像識別【技術領域】，尤其涉及一種蟲卵識別方法，具體來說是一種基 于多特征融合的寄生蟲蟲卵的識別方法。

【背景技術】：
[0002] 寄生蟲病仍然是全球性的公共衛(wèi)生問題之一，蟲卵鏡檢是關鍵的防治技術之一， 也是寄生蟲形態(tài)特征分析和后續(xù)生物學研究的一個基礎環(huán)節(jié)。寄生蟲蟲卵的識別無法象血 細胞分析一樣用自動化儀器進行，長期以來只能依賴人眼在顯微鏡下進行觀察分辨。但在 眾多的寄生蟲樣本中對不同的蟲卵進行鑒別是一項既繁瑣的工作，同時還需要對技術人員 進行專門的培訓。目前采用標本人工涂片后在顯微鏡下肉眼辨別的方法，不僅操作繁瑣、 識別誤差隨檢驗人員的經(jīng)驗和狀態(tài)而異，而且缺乏客觀性和精確性，檢驗標本圖像、數(shù)據(jù) 和結果不便于存儲、重現(xiàn)和檢索，不能適應現(xiàn)代醫(yī)療信息化發(fā)展的需求。因此，有必要借助 計算機技術來協(xié)助進行寄生蟲蟲卵的識別。
[0003] 1995年大連理工大學電子系的孔祥維開展了顯微鏡下蠕蟲卵微機檢測與識別系 統(tǒng)的研究，正確識別率接近92. 3%。1997年趙亞娥也開展了針對10種寄生蟲蟲卵圖像的 自動識別研究，提取了蟲卵區(qū)域的周長、面積、圓形度和密度四個特征進行了識別，識別正 確率達到了 92%。中山大學傅承彬等2002年開發(fā)出對7種吸蟲成蟲標本并提取相應的 13個形態(tài)學特征進行識別分類，識別準確率達89. 04%。但圖像需要用利用Photoshop、 AutoCAD、等進行預處理。2004年郭曉敏利用小波分類提取了蟲卵圖像的小波變化系數(shù)特 征，并選用了概率神經(jīng)網(wǎng)絡來對蟲卵進行了分類。2005年李俊峰利用樹型分層原理結合 最小距離分類原則、Bayes判別準則和人工神經(jīng)網(wǎng)絡等構建分類器進行識別，正確率達到 94. 91%。2005年湖南大學的彭社欣開發(fā)寄生蟲識別系統(tǒng)，識別率可達到93. 0%。2007年 羅澤舉、宋麗紅等人提出一種新型圖像特征提取方法并且采用SVM對血吸蟲等九種寄生蟲 蟲卵圖片實現(xiàn)自動識別和分類，識別率達到93. 9%。
[0004] 在國外，1996年丹麥哥本哈根獸醫(yī)實驗室So_er C.利用計算其傅里葉變換的振 幅進行分類，準確識別率為81.5% ;Sommer C.于1998年提取了三種牛線蟲蟲卵圖像的大 小、紋理和形狀特征用于分類識別，使得平均正確識別率達到91. 2%;1999年韓國首爾國立 大學Yang yS1131等人采用7種共52張人體寄生蟲蟲卵圖像，并利用人工神經(jīng)網(wǎng)絡識別方 法對提取的4種形態(tài)學特征進行分類檢測和識別，識別準確率達到86 %。Yang等于2001 年增加了蟲卵的種類和圖片數(shù)量，并利用上述方法進行分類檢測和識別后得到的正確識別 率提高到90. 3%。2000年希臘雅典國家科技大學的G. Theodoropoulos [141等人對寄生于 家畜中的五種線蟲幼蟲圖像進行數(shù)字圖像識別處理，提取的7個有效特征參數(shù)進行分類， 正確識別率為91. 9%。2007年巴西圣保羅大學的Jane S. Fraga等人利用Bayes分類器實 現(xiàn)了對家禽感染寄生蟲的識別，識別率達到85. 75%。同年蘇丹的S. Raviraja運用統(tǒng)計學 的方法來分類感染瘧疾病原體的血液圖片的分類。
[0005] 雖然國內(nèi)外有關研究人員都在嘗試利用計算機進行寄生蟲病原體的自動識別研 究，但利用計算機對寄生蟲卵圖像進行自動識別仍有不少困難，主要體現(xiàn)在以下幾方面：
[0006] a)寄生蟲的種類多，使得在圖像預處理時很難找到能適合所有蟲卵的方法，寄生 蟲卵的形態(tài)顏色各異，使得選取區(qū)分各種蟲卵的特征很困難；
[0007] b)由于圖像拍攝裝置的差異、拍攝環(huán)境的不同，即使是同一種蟲卵，拍攝出來的 圖像在背景和蟲卵本身的顏色等方面也可能存在差異，這也會影響識別效果；
[0008] c)寄生蟲卵本身在不同的時期也會有不同的形態(tài)，有的甚至相差很大，如蛔蟲卵 在未受精未脫蛋白膜時期和已受精已脫蛋白膜時期就明顯不同。
[0009] 從現(xiàn)有研究資料看，我國外開展寄生蟲蟲卵數(shù)字圖像自動識別研究不到十五年， 遠未達到臨床應用或自動化儀器識別的程度，帶有濃厚的"純研究"色彩，問題主要表現(xiàn) 在以下三個方面：
[0010] a)能夠識別的種類較少，往往局限于某幾種、某類蟲卵或成蟲的實驗室研究，適 應面太窄的系統(tǒng)在臨床上應用價值不高。
[0011] b)識別系統(tǒng)處理過程中需要人工干預的部分多，如有的識別系統(tǒng)需要先用通用 軟件測量出特征參數(shù)并錄入數(shù)據(jù)庫后再調(diào)用出來進行分類識別，并非一體化的識別系統(tǒng)； 有的系統(tǒng)需要用鼠標選定目標或確定邊界跟蹤分割的起始點，離聲稱的"自動"識別距離 甚遠。
[0012] C)提取的圖像特征不能準確的反映圖像特點，使各種識別對象的特征值范圍重 疊較多，不得不采用復雜度很大的分類算法來提高識別率，與目前醫(yī)院使用的五分類血細 胞分析儀的高效運行相比，國外最快識別處理時間為15s的系統(tǒng)還是有待于提高。
[0013] 所以，開發(fā)研究一種能適應常見人體寄生蟲蟲卵識別分類、各種識別處理步驟一 體化及處理速度較快的蟲卵圖像自動識別系統(tǒng)是很有必要的，可以適應未來自動化儀器 中的臨床應用。


【發(fā)明內(nèi)容】
：
[0014] 本發(fā)明提供了一種基于多特征融合的寄生蟲蟲卵的識別方法，所述的這種基于多 特征融合的寄生蟲蟲卵的識別方法要解決現(xiàn)有技術中的寄生蟲蟲卵的識別率低，識別種類 少，鑒別時間長的技術問題。
[0015] 本發(fā)明一種基于多特征融合的寄生蟲蟲卵的識別方法，包括如下步驟：
[0016] a) -個對圖像預處理的步驟，在所述的對圖像預處理的步驟中，將顯微照相設備 獲取的圖像信息進行亮度歸一化處理，對歸一化的圖像進行灰度化處理，生成歸一化灰度 圖像，然后再對整張圖片進行基于高斯濾波的銳化處理，得到蟲卵邊緣銳化的圖像；
[0017] b) -個對蟲卵邊緣銳化的圖像進行均值移位尋找蟲卵的步驟，在一個對蟲卵邊緣 銳化的圖像進行均值移位尋找蟲卵的步驟中，使用均值移位算法來對目標圖片進行分割處 理，得到上述圖像的顏色特征向量，基于顏色特征向量規(guī)劃并找到最佳目標區(qū)域，獲得判斷 為蟲卵的區(qū)域；
[0018] c)一個基于上述判別為蟲卵的區(qū)域對蟲卵圖像進行目標獲取的步驟，在所述的目 標獲取的步驟中，依據(jù)所建立的要識別寄生蟲蟲卵形狀邊緣區(qū)域信息，對每個候選的邊緣 區(qū)域進行二值化處理，采用邊界跟蹤算法按照蟲卵區(qū)域的邊界進行目標獲取，得到分割后 的蟲卵圖像；
[0019] d) -個對分割后的蟲卵圖像截取指定特征值，存入預設特征數(shù)據(jù)庫的步驟；
[0020] e) -個基于多種算法的分類識別的步驟，在一個基于多種算法的分類識別的步驟 中，采用基于相對距離的KNN(k = 3)算法，將所獲取的特征值代入總數(shù)據(jù)庫，基于KNN算法 判斷蟲卵類別。
[0021] 進一步的，在一個對蟲卵邊緣銳化的圖像進行均值移位尋找蟲卵的步驟中，使用 均值移位算法來對目標進行分割處理，在使用均值移位算法來對目標進行分割處理的過程 中，先對原圖像進行XXY的劃分，得到XXY個交點，并對這些交點進行合并處理，即某兩 個點對應的顏色值之間的歐氏距離小于某個閾值，所述的閾值為圖像亮度最高的5%像素 與亮度最低的5%像素的顏色平均值，則把它們合為一個點，這樣得到m個點作為初始點集 合，m代表圖片上XXY共n個像素點的集合，每個像素點可以表示為自變量Xi {i = l?n}， 樣本點平均值位移M的計算方法為：

【權利要求】
1. 一種基于多特征融合的寄生蟲蟲卵的識別方法，包括一個利用顯微照相設備獲取寄 生蟲蟲卵的圖像的過程，其特征在于：所述的過程還包括如下步驟： a) -個對圖像預處理的步驟，在所述的對圖像預處理的步驟中，將顯微照相設備獲取 的圖像信息進行亮度歸一化處理，對歸一化的圖像進行灰度化處理，生成歸一化灰度圖像， 然后再對整張圖片進行基于高斯濾波的銳化處理，得到蟲卵邊緣銳化的圖像； b) -個對蟲卵邊緣銳化的圖像進行均值移位尋找蟲卵的步驟，在所述的對蟲卵邊緣 銳化的圖像進行均值移位尋找蟲卵的步驟中，使用均值移位算法來對目標圖片進行分割處 理，得到上述圖像的顏色特征向量，基于顏色特征向量規(guī)劃并找到最佳目標區(qū)域，獲得判斷 為蟲卵的區(qū)域； c) 一個基于上述判別為蟲卵的區(qū)域對蟲卵圖像進行目標獲取的步驟，在所述的目標獲 取的步驟中，依據(jù)所建立的要識別寄生蟲蟲卵形狀邊緣區(qū)域信息，對每個候選的邊緣區(qū)域 進行二值化處理，采用邊界跟蹤算法按照蟲卵區(qū)域的邊界進行目標獲取，得到分割后的蟲 卵圖像； d) -個對分割后的蟲卵圖像截取指定特征值，存入預設特征值數(shù)據(jù)庫的步驟； e) -個分類識別的步驟，在一個分類識別的步驟中，采用基于相對距離的KNN(k = 3) 算法，將所獲取的特征值代入總數(shù)據(jù)庫，基于KNN算法判斷蟲卵類別。
2. 如權利要求1所述的基于多特征融合的寄生蟲蟲卵的識別方法，其特征在于：在一 個對蟲卵邊緣銳化的圖像進行均值移位尋找蟲卵的步驟中，使用均值移位算法來對目標進 行分割處理，在使用均值移位算法來對目標進行分割處理的過程中，先對原圖像進行XXY 的劃分，得到XXY個交點，并對這些交點進行合并處理，即某兩個點對應的顏色值之間的 歐氏距離小于某個閾值，所述的閾值為圖像亮度最高的5%像素與亮度最低的5%像素的 顏色平均值，則把它們合為一個點，這樣得到m個點作為初始點集合，m代表圖片上XX Y共 η個像素點的集合，每個像素點可以表示為自變量XiU = 1···η}，樣本點平均值位移M的計 算方法為：
在圖片中心選擇一個初始點，在以此點為中心的窗口 Sh(X)內(nèi)計算平均值位移Mh,"〇〇， 如果該值不小于某個閾值，就把窗口 Sh(X)平移MhiU (X)，然后重復在新的窗口中計算平均值 位移，得到新的中心值，直到Mh,Jx)小于某個閾值，停止平移，得到一個最大局部密度位置； 重復上述步驟，得到m個對應最大局部密度位置的點，并對這些點進行合并處理，得到η個 聚類的中心點，即原圖像的主色，針對原圖像中的每個像素點，根據(jù)歐氏距離判斷歸到哪個 聚類中，用一維直方圖表示主色信息，橫坐標表示各主色，縱坐標表示各主色包含的像素數(shù) 的比例，這樣就得到該圖像的顏色特征向量： Q = {(Pi, Wi) i = 1，…，η}，其中 Pi = 〇Λ，a'，b')，Wi e (〇, 1]， 上述公式中，W為比例，Pi為顏色值，顏色值用LSH分量表示法來表示，分別記為Lpai、 b顏色特征向量Q使用EMD算法規(guī)劃最佳目標區(qū)域，EMD函數(shù)的公式一般形式為
其中與預期中心點相似度EMD最高的區(qū)域就是目標區(qū)。
3. 如權利要求1所述的基于多特征融合的寄生蟲蟲卵的識別方法，其特征在于：在一 個基于上述判別為蟲卵的區(qū)域對蟲卵圖像進行目標獲取的步驟中，依據(jù)所建立的要識別寄 生蟲蟲卵形狀邊緣區(qū)域信息，對每個候選的邊緣區(qū)域進行二值化處理，采用邊界跟蹤算法 進行目標獲取，算法開始時按照從上到下的順序搜索每個像素，設序列數(shù)組為K，首先從左 上方開始搜索第一個目標像素點，設為kO,則像素 kO是該區(qū)域最左上角的邊界像素，也就 是搜索的起點，設定搜索方向按逆時針，八鄰域方向搜索，kO設置為跟蹤標志，并將kO做為 序列數(shù)組的第一個元素插入，按逆時針方向搜索下一個目標像素，并設為k，如果找不到，則 k為孤立像素區(qū)域；若k等于搜索起始邊界像素 kO,則按順序繼續(xù)判斷其它鄰近方向上是否 還有未跟蹤到的邊界像素，若沒有，則已回到起始點，算法結束，序列K中的邊界像素點組 成一條封閉區(qū)域，將目標區(qū)域包圍在內(nèi)。
4. 如權利要求1所述的一種基于多特征融合的寄生蟲蟲卵的識別方法，其特征在于： 在對分割后的蟲卵圖像截取指定特征值、存入預設特征數(shù)據(jù)庫的步驟中，先獲取蟲卵圖像 的特征值： 1) 求出邊緣區(qū)域外接最小正方形區(qū)域，計數(shù)像素數(shù)即可得到長度、寬度，長度是指目標 物外接矩形的長度，寬度是指目標物外接矩形的長度； 2) 計數(shù)目標區(qū)域、目標周邊區(qū)域的像素點，可得面積和周長，其面積與最小外接正方形 之比值即為橢圓度，橢圓度是指目標物面積與外接橢圓的面積之比； 3) 面積是指目標物面積，周長是指目標物周長； 4) 基于目標區(qū)域顏色構成信息，獲取RGB分量；將圖片轉化為灰度即可獲取灰度值的 統(tǒng)計直方，其均值為灰度值；將目標轉化為HSV空間，即可獲取HSL分量；平均灰度是指灰 度化后的目標物的顏色平均值；平均紅色分量是指計算機對彩色的表達采用了 RGB組合的 方式，平均紅色分量是指R部分的平均值；平均綠色分量是指計算機對彩色的表達采用了 RGB組合的方式，平均綠色分量是指G部分的平均值；平均藍色分量是指計算機對彩色的表 達采用了 RGB組合的方式，平均藍色分量是指B部分的平均值；平均色度是指將RGB顏色模 型轉換成HSL顏色模型之后，H部分的平均值；平均飽和度是指將RGB顏色模型轉換成HSL 顏色模型之后，S部分的平均值；平均亮度是指將RGB顏色模型轉換成HSL顏色模型之后L 部分的平均值；灰度值的統(tǒng)計直方圖是指對灰度值〇?255的分布進行分階段統(tǒng)計得到的 向量；灰度標準差是指目標物各個局部顏色的差異；顏色權重是指計算機對彩色的表達采 用了 RGB組合的方式時根據(jù)像素點位置自動生成的平均色度與位置坐標的比值，該值僅用 于糾錯，不參與運算； 5) 獲取特征值后，輸入預設的文本格式數(shù)據(jù)庫，以表格的形式加載后續(xù)的分類識別算 法。
5. 如權利要求1所述的基于多特征融合的寄生蟲蟲卵的識別方法，其特征在于：在分 類識別的步驟中，采用基于相對距離的KNN算法，所述的KNN算法的步驟如下： 特征值數(shù)據(jù)庫的每個樣本應該對第i維屬性值為X[i]，計算最大值Max[i]、最小值 Min[i]，再利用公式 X[i] = (X[i]-Mini[i]V(Max[i] -Min[i])進行歸一化操作，樣品各 屬性歸一化后其值域為[〇，1]，然后根據(jù)特征值數(shù)據(jù)庫構建數(shù)據(jù)集D= {XI，一,XLh其中 Xi e Rn，i = 1…L ;設樣本共有ClassNum個類；設Ci表示第i類中的所有樣本的集合，且 Ci Π Cj = Φ (i，j = 1，…，ClassNum),樣本集也可表示為：D = C1 U C2 U …U Cr ; 設兩個蟲卵樣本間的距離為Dist,數(shù)據(jù)集D有m個屬性，其數(shù)據(jù)集構成為R(A1, A2，…， Am)，X和Y分別為數(shù)據(jù)集D中的兩個樣本，則X與Y的距離度量公式為：
測試樣本中第i類的K-最近鄰距離均值為：
Ki為Ci中的樣本個數(shù)，Y為Xj的最近鄰，測試樣本X和訓練樣本Y之間的相對距離即 為：D = Dist (X，Y) /Avgdis (i)，Y e Ci ; 在N = 3時，只要計算數(shù)據(jù)集各樣本到測算樣本的距離，比較選取測試樣本的3個最近 鄰，即可判別它的類別，分類結果由score來體現(xiàn)，設輸入圖片的特征為（fl，f2, ...，fn)， 數(shù)據(jù)庫中某樣本的特征是（xll，xl2, · · ·，xln)，則 score = s(fl, xll)*s(f2, xl2)*.....*s (fn, xln)； 此處 s 函數(shù)構造為：令 maxV = max (f I, xll) ;minV = min (f I, xll)，則 diff = (maxV-minV)/maxV ;s = X*(pow(e, -diff)_l/e) +B，其中 e 是自然數(shù)，X = (A_B)*e/(e_l)， 即可令A取到最大值，如果diff = 0,則s是最大值A ;如果diff = 1，則s是最小值B。
6. 如權利要求1所述的基于多特征融合的寄生蟲蟲卵的識別方法，其特征在于：在使 用均值移位算法對目標進行分割處理之前，圖片需要預先計算彩色直方圖。
7. 如權利要求1所述的基于多特征融合的寄生蟲蟲卵的識別方法，其特征在于：如因 過度歸一化等問題造成圖像出現(xiàn)斷點，導致遺失邊界點無法構建區(qū)域框或區(qū)域像素集合， 則用區(qū)域生長算法加以彌補，所述的區(qū)域生長算法的具體步驟是：先對每個需要分割的區(qū) 域找一個種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子像素具有相同或相 似性質的像素合并到這一區(qū)域中，將這些新像素當作新的種子像素繼續(xù)進行上面的過程， 直到再沒有滿足條件的像素可被包括進來。
8. 如權利要求1所述的基于多特征融合的寄生蟲蟲卵的識別方法，其特征在于：所述 的寄生蟲為華支睪吸蟲、帶絳蟲、鞭蟲、蟯蟲、蛔蟲、鉤蟲、闊節(jié)裂頭絳蟲、日本血吸蟲、布氏 姜片吸蟲、肺吸蟲、或者曼氏迭宮絳蟲。
9. 如權利要求1所述的基于多特征融合的寄生蟲蟲卵的識別方法，其特征在于：所述 的待識別圖具有旋轉不變性、對光照無差異、對個體無差異。
10. -種基于多特征融合的寄生蟲蟲卵的識別方法，其特征在于包括如下步驟： a) -個對圖像預處理的步驟，在一個對圖像預處理的步驟中，將顯微照相設備獲取的 圖像信息進行亮度歸一化處理，對歸一化的圖像進行灰度化處理，生成歸一化灰度圖像，然 后再對整張圖片進行基于高斯濾波的銳化處理，得到蟲卵邊緣銳化的圖像； b) -個采用人工輔助識別尋找蟲卵的步驟，在一個采用人工輔助識別尋找蟲卵的步驟 中，采用增強Grab Cut法對蟲卵邊緣銳化的圖像進行分割，用戶提供限定方框進行人工支 持，得到蟲卵圖像的顏色特征向量，基于顏色特征向量規(guī)劃并找到最佳目標區(qū)域，得到判斷 為蟲卵的區(qū)域； c) 一個基于上述判別為蟲卵的區(qū)域對蟲卵圖像進行目標獲取的步驟，在進行目標獲取 的步驟中，依據(jù)所建立的要識別寄生蟲蟲卵形狀邊緣區(qū)域信息，對每個候選的邊緣區(qū)域進 行二值化處理，采用邊界跟蹤算法按照蟲卵區(qū)域的邊界進行目標獲取，得到分割后的蟲卵 圖像； d) -個對分割后的蟲卵圖像截取指定特征值并存入預設特征數(shù)據(jù)庫的步驟； e) -個分類識別的步驟，在一個分類識別的步驟中，采用基于相對距離的KNN(k = 3) 算法，將所獲取的特征值代入總數(shù)據(jù)庫，基于KNN算法判斷蟲卵類別。
11. 如權利要求10所述的一種基于多特征融合的寄生蟲蟲卵的識別方法，其特征在 于： a)在一個采用人工輔助識別尋找蟲卵的步驟中，采用增強Grab Cut法對蟲卵邊緣銳 化的圖像進行分割，用戶提供限定方框進行人工支持，方框以外的部分不處理，用戶通過設 置背景區(qū)域TB來初始化三分圖T，前景區(qū)域TF設置為空，未知區(qū)域TU設置為背景區(qū)域TB 的補集，對于所有背景區(qū)域的像素，將它們的Alpha值設置為0,即a = 0 ;對于未知區(qū)域的 像素點，將它們的Alpha值設置為1，即a= 1，分別用a = 0和a= 1這兩個集合來初始化 創(chuàng)建前景與背景的高斯混合模型，為未知區(qū)域中的每個像素點η設置高斯混合模型參數(shù)： kn = arg min Dn (an, kn, θ , Zn), 由圖像中各個像素的數(shù)據(jù)求得高斯混和模型參數(shù) Θ = arg min U (a, kn, θ , Zn), 利用最小化能量公式來得到初始分割： mink E(a, kn, Θ，Zn), 重復執(zhí)行3次，進行邊界優(yōu)化。
12. 如權利要求10所述的一種基于多特征融合的寄生蟲蟲卵的識別方法，其特征在 于：基于上述判別為蟲卵的區(qū)域對蟲卵圖像進行目標獲取的步驟中，依據(jù)所建立的要識別 寄生蟲蟲卵形狀邊緣區(qū)域信息，對每個候選的邊緣區(qū)域進行二值化處理，采用邊界跟蹤算 法進行目標獲取，算法開始時按照從上到下的順序搜索每個像素，設序列數(shù)組為K，首先從 左上方開始搜索第一個目標像素點，設為k0,則像素 k0是該區(qū)域最左上角的邊界像素，也 就是搜索的起點，設定搜索方向按逆時針，八鄰域方向搜索，k0設置為跟蹤標志，并將k0做 為序列數(shù)組的第一個元素插入，按逆時針方向搜索下一個目標像素，并設為k，如果找不到， 則k為孤立像素區(qū)域；若k等于搜索起始邊界像素 k0,則按順序繼續(xù)判斷其它鄰近方向上 是否還有未跟蹤到的邊界像素，若沒有，則已回到起始點，算法結束，序列K中的邊界像素 點組成一條封閉區(qū)域，將目標區(qū)域包圍在內(nèi)。
13. 如權利要求10所述的一種基于多特征融合的寄生蟲蟲卵的識別方法，其特征在 于：在一個對獲取目標截取指定特征值存入特征數(shù)據(jù)庫的步驟中，先獲取蟲卵圖像的特征 值： 1) 求出邊緣區(qū)域外接最小正方形區(qū)域，計數(shù)像素數(shù)即可得到長度、寬度，長度是指目標 物外接矩形的長度，寬度是指目標物外接矩形的長度； 2) 計數(shù)目標區(qū)域、目標周邊區(qū)域的像素點，可得面積和周長，其面積與最小外接正方形 之比值即為橢圓度，橢圓度是指目標物面積與外接橢圓的面積之比； 3) 面積是指目標物面積，周長是指目標物周長； 4) 基于目標區(qū)域顏色構成信息，獲取RGB分量；將圖片轉化為灰度即可獲取灰度值的 統(tǒng)計直方，其均值為灰度值；將目標轉化為HSV空間，即可獲取HSL分量；平均灰度是指灰 度化后的目標物的顏色平均值；平均紅色分量是指計算機對彩色的表達采用了 RGB組合的 方式，平均紅色分量是指R部分的平均值；平均綠色分量是指計算機對彩色的表達采用了 RGB組合的方式，平均綠色分量是指G部分的平均值；平均藍色分量是指計算機對彩色的表 達采用了 RGB組合的方式，平均藍色分量是指B部分的平均值；平均色度是指將RGB顏色模 型轉換成HSL顏色模型之后，H部分的平均值；平均飽和度是指將RGB顏色模型轉換成HSL 顏色模型之后，S部分的平均值；平均亮度是指將RGB顏色模型轉換成HSL顏色模型之后L 部分的平均值；灰度值的統(tǒng)計直方圖是指對灰度值〇?255的分布進行分階段統(tǒng)計得到的 向量；灰度標準差是指目標物各個局部顏色的差異；顏色權重是指計算機對彩色的表達采 用了 RGB組合的方式時根據(jù)像素點位置自動生成的平均色度與位置坐標的比值，該值僅用 于糾錯，不參與運算； 5) 獲取特征值后，輸入預設的文本格式數(shù)據(jù)庫，以表格的形式加載后續(xù)的分類識別算 法。
14.如權利要求10所述的一種基于多特征融合的寄生蟲蟲卵的識別方法，其特征在 于：在一個分類識別的步驟中，采用基于相對距離的KNN算法，KNN算法的步驟如下： 首先為避免由于屬性值域不同而影響樣本距離的計算，特征值數(shù)據(jù)庫的每個樣本 應該對第i維屬性值為X[i]，計算最大值Max[i]、最小值Min[i]，再利用公式X[i]= (X[i]-Mini[i]V(Max[i] -Min[i])進行歸一化操作，樣品各屬性歸一化后其值域為 [〇，1]，然后根據(jù)特征值數(shù)據(jù)庫構建數(shù)據(jù)集D= {XI，…，XL}，其中Xi e Rn，i = 1…L;設 樣本共有ClassNum個類；設Ci表示第i類中的所有樣本的集合，且Ci Π Cj = Φ (i，j = 1，…，ClassNum)，樣本集也可表示為：D = C1 U C2 1>··υ (；; 設兩個蟲卵樣本間的距離為Dist，數(shù)據(jù)集D有m個屬性，其數(shù)據(jù)集構成為R(A1, A2，…， Am)，X和Y分別為數(shù)據(jù)集D中的兩個樣本，則X與Y的距離度量公式為：
測試樣本中第i類的K-最近鄰距離均值為：
Ki為Ci中的樣本個數(shù)，Y為Xj的最近鄰，測試樣本X和訓練樣本Y之間的相對距離即 為：D = Dist (X，Y) /Avgdis (i)，Y e Ci ; 在N = 3時，只要計算數(shù)據(jù)集各樣本到測算樣本的距離，比較選取測試樣本的3個最近 鄰，即可判別它的類別，分類結果由score來體現(xiàn)，設輸入圖片的特征為（fl，f2, ...，fn)， 數(shù)據(jù)庫中某樣本的特征是（xll，xl2, · · ·，xln)，則 score = s(fl, xll)*s(f2, xl2)*.....*s (fn, xln)； 此處 s 函數(shù)構造為：令 maxV = max (f I, xll) ;minV = min (f I, xll)，則 diff = (maxV-minV)/maxV ;s = X*(pow(e, -diff)_l/e) +B，其中 e 是自然數(shù)，X = (A_B)*e/(e_l)， 即可令A取到最大值，如果diff = 0,則s是最大值A ;如果diff = 1，則s是最小值B。
15. 如權利要求10所述的一種基于多特征融合的寄生蟲蟲卵的識別方法，其特征在 于：如因過度歸一化等問題造成圖像出現(xiàn)斷點，導致遺失邊界點，則用區(qū)域生長算法加以彌 補，所述的區(qū)域生長算法的具體步驟是：先對每個需要分割的區(qū)域找一個種子像素作為生 長的起點，然后將種子像素周圍鄰域中與種子像素具有相同或相似性質的像素合并到這一 區(qū)域中，將這些新像素當作新的種子像素繼續(xù)進行上面的過程，直到再沒有滿足條件的像 素可被包括進來。
16. 如權利要求10所述的一種基于多特征融合的寄生蟲蟲卵的識別方法，其特征在 于：所述的寄生蟲為華支睪吸蟲、帶絳蟲、鞭蟲、蟯蟲、蛔蟲、鉤蟲、闊節(jié)裂頭絳蟲、日本血吸 蟲、布氏姜片吸蟲、肺吸蟲、或者曼氏迭宮絳蟲。
17. 如權利要求10所述的一種基于多特征融合的寄生蟲蟲卵的識別方法，其特征在 于：所述的待識別圖具有有旋轉不變性、對光照無差異、對個體無差異。
【文檔編號】G06K9/62GK104392240SQ201410587222
【公開日】2015年3月4日 申請日期:2014年10月28日 優(yōu)先權日:2014年10月28日
【發(fā)明者】沈海默, 陳韶紅, 陳家旭 申請人:中國疾病預防控制中心寄生蟲病預防控制所