本發(fā)明涉及智能移動終端技術(shù)領(lǐng)域，具體涉及一種基于生物識別的智能移動終端。

背景技術(shù)：

現(xiàn)有的生物身份驗(yàn)證設(shè)備，為了保證身份驗(yàn)證的可靠性和安全性，通常預(yù)定的固定閥值都設(shè)置較高。由于受到空氣溫度濕度、傳感器老化和干濕手指等因素影響，通過指紋儀采集得到的指紋圖像質(zhì)量時常不佳。如果預(yù)定的固定閥值設(shè)置太高，會導(dǎo)致指紋驗(yàn)證失敗和較高的拒識率，影響指紋比對效率；如果預(yù)定的固定閥值偏低，又會產(chǎn)生較高的誤識率，影響可靠性和安全性。現(xiàn)有的生物身份驗(yàn)證設(shè)備的比對閥值預(yù)先設(shè)置為固定不變的數(shù)值，并不能根據(jù)實(shí)際使用情況自動動態(tài)整調(diào)，影響身份驗(yàn)證的安全性和工作效率。此外，現(xiàn)有生物身份驗(yàn)證設(shè)備的比對模板也是固定不變的，并不能根據(jù)實(shí)際使用環(huán)境和使用情況動態(tài)更新和優(yōu)化指紋模板，影響生物身份驗(yàn)證的可靠性和用戶體驗(yàn)。

技術(shù)實(shí)現(xiàn)要素：

為解決上述問題，本發(fā)明旨在提供一種基于生物識別的智能移動終端。

本發(fā)明的目的采用以下技術(shù)方案來實(shí)現(xiàn)：

一種基于生物識別的智能移動終端，包括顯示裝置、生物識別裝置、采集裝置和通信裝置；所述采集裝置包括指紋采集模塊、靜脈采集模塊、面部圖像采集模塊、虹膜圖像采集模塊、語音采集模塊、細(xì)胞圖像采集模塊和證件讀取模塊，所述生物識別裝置包括數(shù)據(jù)運(yùn)算處理器和用于存儲生物識別模塊的存儲器，所述數(shù)據(jù)運(yùn)算處理器可根據(jù)成功識別的生物特征調(diào)取相應(yīng)的生物識別模塊和比對閾值，所述生物識別模塊包括指紋識別模塊、靜脈識別模塊、面部識別模塊、虹膜識別模塊、聲紋識別模塊和細(xì)胞圖像識別模塊。

本發(fā)明的有益效果為：通過數(shù)據(jù)運(yùn)算處理器根據(jù)成功識別的生物特征實(shí)現(xiàn)生物特征模板的自動動態(tài)更新和不同生物特征比對閾值的動態(tài)優(yōu)化，提高了各種生物特征身份驗(yàn)證的安全性、可靠性和身份驗(yàn)證效率，從而解決了上述的技術(shù)問題。

附圖說明

利用附圖對本發(fā)明作進(jìn)一步說明，但附圖中的實(shí)施例不構(gòu)成對本發(fā)明的任何限制，對于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1本發(fā)明的結(jié)構(gòu)示意圖；

圖2是細(xì)胞識別模塊5的結(jié)構(gòu)示意圖。

附圖標(biāo)記：

顯示裝置1、生物識別裝置2、采集裝置3、通信裝置4、細(xì)胞識別模塊5、細(xì)胞圖像分割單元51、特征提取單元52、分類識別單元53。

具體實(shí)施方式

結(jié)合以下應(yīng)用場景對本發(fā)明作進(jìn)一步描述。

應(yīng)用場景1

參見圖1、圖2，本應(yīng)用場景的一個實(shí)施例的基于生物識別的智能移動終端，包括顯示裝置1、生物識別裝置2、采集裝置3和通信裝置4；所述采集裝置3包括指紋采集模塊、靜脈采集模塊、面部圖像采集模塊、虹膜圖像采集模塊、語音采集模塊、細(xì)胞圖像采集模塊和證件讀取模塊，所述生物識別裝置2包括數(shù)據(jù)運(yùn)算處理器和用于存儲生物識別模塊的存儲器，所述數(shù)據(jù)運(yùn)算處理器可根據(jù)成功識別的生物特征調(diào)取相應(yīng)的生物識別模塊和比對閾值，所述生物識別模塊包括指紋識別模塊、靜脈識別模塊、面部識別模塊、虹膜識別模塊、聲紋識別模塊和細(xì)胞圖像識別模塊。

本發(fā)明上述實(shí)施例通過數(shù)據(jù)運(yùn)算處理器根據(jù)成功識別的生物特征實(shí)現(xiàn)生物特征模板的自動動態(tài)更新和不同生物特征比對閾值的動態(tài)優(yōu)化，提高了各種生物特征身份驗(yàn)證的安全性、可靠性和身份驗(yàn)證效率，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述數(shù)據(jù)運(yùn)算處理器包括算法調(diào)整模塊，所述算法調(diào)整模塊可將成功識別的生物特征與原生物特征模板進(jìn)行綜合以生成新的生物特征模板。

本優(yōu)選實(shí)施例設(shè)置算法調(diào)整模塊，實(shí)現(xiàn)了生物特征模板的自動動態(tài)更新。

優(yōu)選的，所述數(shù)據(jù)運(yùn)算處理器還包括比對閾值調(diào)整模塊，所述比對閾值調(diào)整模塊可根據(jù)成功識別的不同生物特征的頻率調(diào)整不同生物特征的比對閾值。

本優(yōu)選實(shí)施例設(shè)置比對閾值調(diào)整模塊，實(shí)現(xiàn)了不同生物特征比對閾值的動態(tài)優(yōu)化。

優(yōu)選的，所述細(xì)胞識別模塊5包括細(xì)胞圖像分割單元51、特征提取單元52、分類識別單元53；所述細(xì)胞圖像分割單元51用于區(qū)分由細(xì)胞圖像采集模塊采集的細(xì)胞圖像中的背景、細(xì)胞核和細(xì)胞質(zhì)；所述特征提取單元52用于對細(xì)胞圖像的紋理特征進(jìn)行提?。凰龇诸愖R別單元53用于根據(jù)紋理特征利用分類器實(shí)現(xiàn)對細(xì)胞圖像分類識別。

本優(yōu)選實(shí)施例構(gòu)建了細(xì)胞識別模塊5的單元架構(gòu)。

優(yōu)選的，所述細(xì)胞圖像分割單元51包括圖像轉(zhuǎn)換子單元、噪聲去除子單元、粗分割子單元、細(xì)胞核中心標(biāo)定子單元、精確分割子單元，具體為：

(1)圖像轉(zhuǎn)換子單元，用于將采集的細(xì)胞圖像轉(zhuǎn)化為灰度圖像；

(2)噪聲去除子單元，用于對灰度圖像進(jìn)行去噪處理，包括：

對于像素點(diǎn)(x,y)，選取其3×3的鄰域S_x,y和(2N+1)×(2N+1)的鄰域L_x,y，N為大于等于2的整數(shù)；

首先對像素點(diǎn)是否為邊界點(diǎn)進(jìn)行判斷，設(shè)定閾值T，T∈[13,26]，計算像素點(diǎn)(x,y)與其鄰域S_x,y中每個像素點(diǎn)的灰度差值，并與閾值T進(jìn)行比較，若灰度差值大于閾值T的個數(shù)大于等于6，則像素點(diǎn)(x,y)為邊界點(diǎn)，否則，像素點(diǎn)(x,y)為非邊界點(diǎn)；

若(x,y)為邊界點(diǎn)，則進(jìn)行如下降噪處理：

式中，h(x,y)為降噪后像素點(diǎn)(x,y)的灰度值，q(x,y)為降噪前像素點(diǎn)(x,y)的灰度值，σ為像素點(diǎn)(x,y)鄰域L_x,y內(nèi)灰度值標(biāo)差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示鄰域L_x,y內(nèi)灰度值落于區(qū)間[q(x,y)-1.5σ,q(x,y)+1.5σ]的點(diǎn)，k表示鄰域L_x,y內(nèi)灰度值落于區(qū)間[q(x,y)-1.5σ,q(x,y)+1.5σ]的點(diǎn)的數(shù)量；

若(x,y)為非邊界點(diǎn)，則進(jìn)行如下降噪處理：

式中，h(x,y)為降噪后像素點(diǎn)(x,y)的灰度值，q(i,j)代表圖像中點(diǎn)(i,j)處的灰度值，w(i,j)為鄰域L_x,y內(nèi)點(diǎn)(i,j)對應(yīng)的高斯權(quán)重；

(3)粗分割子單元，用于對去噪后的細(xì)胞圖像中的背景、細(xì)胞質(zhì)、細(xì)胞核進(jìn)行粗劃分，具體為：

將每個像素(x,y)用一個四維特征向量表示：

式中，h(x,y)代表(x,y)的灰度值，h_ave(x,y)代表其鄰域S_x,y灰度均值，h_med(x,y)代表其鄰域S_x,y灰度中值，h_sta(x,y)代表其鄰域S_x,y灰度方差；

采用K-means聚類法將其劃分為背景、細(xì)胞質(zhì)、細(xì)胞核三類；

(4)細(xì)胞核中心標(biāo)定子單元，用于對細(xì)胞核中心進(jìn)行標(biāo)定：

由粗分割子單元得到細(xì)胞核大致區(qū)域，設(shè)細(xì)胞核區(qū)域包含n個點(diǎn)：(x₁,y₁),…,(x_n,y_n)，對該區(qū)域進(jìn)行灰度加權(quán)標(biāo)定和幾何中心標(biāo)定，取其平均值作為細(xì)胞核中心(x_z,y_z)：

(5)精確分割子單元，用于對細(xì)胞核、細(xì)胞質(zhì)進(jìn)行精確分割；

構(gòu)建從細(xì)胞核中心(x_z,y_z)到細(xì)胞核和細(xì)胞質(zhì)邊界點(diǎn)(x_p,y_p)的有向線段的距離表示向下取整；

沿線段以單位長度進(jìn)行采樣可以得到dis_p個點(diǎn)(x₁,y₁)，…，若采樣點(diǎn)的坐標(biāo)不是整數(shù)，其灰度值通過周圍像素線性插值得到；

點(diǎn)(x_i,y_i)處沿線段方向的灰度差：

hd(x_i,y_i)＝h(x_i-1,y_i-1)-h(x_i,y_i)

定義灰度差抑制函數(shù)：

點(diǎn)(x_i,y_i)處沿線段方向的梯度gra(x_i,y_i)：

選取梯度最大的值點(diǎn)作為細(xì)胞核和細(xì)胞質(zhì)的精確邊緣。

本優(yōu)選實(shí)施例設(shè)置噪聲去除子單元，有效融合了中心像素與鄰域像素的空間臨近性和灰度相似性來進(jìn)行降噪處理，在圖像中的平坦區(qū)域，鄰域內(nèi)像素灰度值相差不大，采用高斯濾波器對灰度值進(jìn)行加權(quán)濾波，在變化劇烈的邊界區(qū)域，行邊界保持濾波，有利于圖像邊緣的保持；采用K均值聚類提取細(xì)胞核和細(xì)胞質(zhì)粗輪廓，可有效去除噪聲的干擾；設(shè)置細(xì)胞核中心標(biāo)定子單元，便于后續(xù)對細(xì)胞核和細(xì)胞質(zhì)輪廓進(jìn)行精確定位；精確分割子單元充分利用了方向信息，克服了炎癥細(xì)胞對邊緣圖的干擾，能夠準(zhǔn)確提取出細(xì)胞核和細(xì)胞質(zhì)邊緣。

優(yōu)選的，所述對細(xì)胞圖像的紋理特征進(jìn)行提取，包括：

(1)基于改進(jìn)的灰度共生矩陣法求取細(xì)胞圖像的綜合灰度共生矩陣，所述綜合灰度共生矩陣體現(xiàn)了細(xì)胞在不同方向上的紋理特征：

設(shè)在0°、45°、90°、135°四個方向上的灰度共生矩陣分別為h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°)，所對應(yīng)的矩陣元素項目為X₁、X₂、X₃、X₄，則綜合灰度共生矩陣的計算公式為：

H(x,y,d)＝w₁h(x,y,d,0°)+w₂h(x,y,d,45°)+w₃h(x,y,d,90°)+w₄h(x,y,d,135°)

綜合灰度共生矩陣元素數(shù)目為：

式中，d表示距離，d的取值范圍為[2,4]，w_i為加權(quán)系數(shù),i＝1,2,3,4，其由四個方向中的每個方向上的灰度共生矩陣對應(yīng)的對比度參數(shù)計算，設(shè)四個方向上的灰度共生矩陣對應(yīng)的對比度參數(shù)分別為D_i，均值為則加權(quán)系數(shù)w_i的計算公式為：

(2)利用所述綜合灰度共生矩陣和矩陣元素項目獲取所需的四個紋理特征參數(shù)：對比度、方差和、能量和均值；

(3)對所述四個紋理特征參數(shù)進(jìn)行歸一化處理，最終獲得歸一化的紋理特征值。

本優(yōu)選實(shí)施例基于改進(jìn)的灰度共生矩陣法，采用設(shè)置加權(quán)系數(shù)的方式求取細(xì)胞圖像的綜合灰度共生矩陣，進(jìn)而提取細(xì)胞在指定四個方向上的紋理特征，解決了由于外部干擾(如細(xì)胞圖像采集時光照角度造成的影響、氣體的流動干擾等)造成的細(xì)胞的紋理特征參數(shù)值在不同方向上有較大差別的問題，提高了細(xì)胞圖像紋理特征提取的精度；選定對比度、方差和、能量和均值四個紋理特征，去掉了冗余和重復(fù)的特征參數(shù)；對所述四個紋理特征參數(shù)進(jìn)行歸一化處理，方便了后續(xù)的細(xì)胞圖像的分類識別處理。

在此應(yīng)用場景中，設(shè)定閾值T＝13，d＝2，圖像去噪效果相對提高了5％，細(xì)胞圖像特征的提取精度提高了8％。

應(yīng)用場景2

參見圖1、圖2，本應(yīng)用場景的一個實(shí)施例的基于生物識別的智能移動終端，包括顯示裝置1、生物識別裝置2、采集裝置3和通信裝置4；所述采集裝置3包括指紋采集模塊、靜脈采集模塊、面部圖像采集模塊、虹膜圖像采集模塊、語音采集模塊、細(xì)胞圖像采集模塊和證件讀取模塊，所述生物識別裝置2包括數(shù)據(jù)運(yùn)算處理器和用于存儲生物識別模塊的存儲器，所述數(shù)據(jù)運(yùn)算處理器可根據(jù)成功識別的生物特征調(diào)取相應(yīng)的生物識別模塊和比對閾值，所述生物識別模塊包括指紋識別模塊、靜脈識別模塊、面部識別模塊、虹膜識別模塊、聲紋識別模塊和細(xì)胞圖像識別模塊。

本發(fā)明上述實(shí)施例通過數(shù)據(jù)運(yùn)算處理器根據(jù)成功識別的生物特征實(shí)現(xiàn)生物特征模板的自動動態(tài)更新和不同生物特征比對閾值的動態(tài)優(yōu)化，提高了各種生物特征身份驗(yàn)證的安全性、可靠性和身份驗(yàn)證效率，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述數(shù)據(jù)運(yùn)算處理器包括算法調(diào)整模塊，所述算法調(diào)整模塊可將成功識別的生物特征與原生物特征模板進(jìn)行綜合以生成新的生物特征模板。

本優(yōu)選實(shí)施例設(shè)置算法調(diào)整模塊，實(shí)現(xiàn)了生物特征模板的自動動態(tài)更新。

優(yōu)選的，所述數(shù)據(jù)運(yùn)算處理器還包括比對閾值調(diào)整模塊，所述比對閾值調(diào)整模塊可根據(jù)成功識別的不同生物特征的頻率調(diào)整不同生物特征的比對閾值。

本優(yōu)選實(shí)施例設(shè)置比對閾值調(diào)整模塊，實(shí)現(xiàn)了不同生物特征比對閾值的動態(tài)優(yōu)化。

優(yōu)選的，所述細(xì)胞識別模塊5包括細(xì)胞圖像分割單元51、特征提取單元52、分類識別單元53；所述細(xì)胞圖像分割單元51用于區(qū)分由細(xì)胞圖像采集模塊采集的細(xì)胞圖像中的背景、細(xì)胞核和細(xì)胞質(zhì)；所述特征提取單元52用于對細(xì)胞圖像的紋理特征進(jìn)行提?。凰龇诸愖R別單元53用于根據(jù)紋理特征利用分類器實(shí)現(xiàn)對細(xì)胞圖像分類識別。

本優(yōu)選實(shí)施例構(gòu)建了細(xì)胞識別模塊5的單元架構(gòu)。

優(yōu)選的，所述細(xì)胞圖像分割單元51包括圖像轉(zhuǎn)換子單元、噪聲去除子單元、粗分割子單元、細(xì)胞核中心標(biāo)定子單元、精確分割子單元，具體為：

(1)圖像轉(zhuǎn)換子單元，用于將采集的細(xì)胞圖像轉(zhuǎn)化為灰度圖像；

(2)噪聲去除子單元，用于對灰度圖像進(jìn)行去噪處理，包括：

對于像素點(diǎn)(x,y)，選取其3×3的鄰域S_x,y和(2N+1)×(2N+1)的鄰域L_x,y，N為大于等于2的整數(shù)；

首先對像素點(diǎn)是否為邊界點(diǎn)進(jìn)行判斷，設(shè)定閾值T，T∈[13,26]，計算像素點(diǎn)(x,y)與其鄰域S_x,y中每個像素點(diǎn)的灰度差值，并與閾值T進(jìn)行比較，若灰度差值大于閾值T的個數(shù)大于等于6，則像素點(diǎn)(x,y)為邊界點(diǎn)，否則，像素點(diǎn)(x,y)為非邊界點(diǎn)；

若(x,y)為邊界點(diǎn)，則進(jìn)行如下降噪處理：

式中，h(x,y)為降噪后像素點(diǎn)(x,y)的灰度值，q(x,y)為降噪前像素點(diǎn)(x,y)的灰度值，σ為像素點(diǎn)(x,y)鄰域L_x,y內(nèi)灰度值標(biāo)差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示鄰域L_x,y內(nèi)灰度值落于區(qū)間[q(x,y)-1.5σ,q(x,y)+1.5σ]的點(diǎn)，k表示鄰域L_x,y內(nèi)灰度值落于區(qū)間[q(x,y)-1.5σ,q(x,y)+1.5σ]的點(diǎn)的數(shù)量；

若(x,y)為非邊界點(diǎn)，則進(jìn)行如下降噪處理：

式中，h(x,y)為降噪后像素點(diǎn)(x,y)的灰度值，q(i,j)代表圖像中點(diǎn)(i,j)處的灰度值，w(i,j)為鄰域L_x,y內(nèi)點(diǎn)(i,j)對應(yīng)的高斯權(quán)重；

(3)粗分割子單元，用于對去噪后的細(xì)胞圖像中的背景、細(xì)胞質(zhì)、細(xì)胞核進(jìn)行粗劃分，具體為：

將每個像素(x,y)用一個四維特征向量表示：

式中，h(x,y)代表(x,y)的灰度值，h_ave(x,y)代表其鄰域S_x,y灰度均值，h_med(x,y)代表其鄰域S_x,y灰度中值，h_sta(x,y)代表其鄰域S_x,y灰度方差；

采用K-means聚類法將其劃分為背景、細(xì)胞質(zhì)、細(xì)胞核三類；

(4)細(xì)胞核中心標(biāo)定子單元，用于對細(xì)胞核中心進(jìn)行標(biāo)定：

由粗分割子單元得到細(xì)胞核大致區(qū)域，設(shè)細(xì)胞核區(qū)域包含n個點(diǎn)：(x₁,y₁),…,(x_n,y_n)，對該區(qū)域進(jìn)行灰度加權(quán)標(biāo)定和幾何中心標(biāo)定，取其平均值作為細(xì)胞核中心(x_z,y_z)：

(5)精確分割子單元，用于對細(xì)胞核、細(xì)胞質(zhì)進(jìn)行精確分割；

構(gòu)建從細(xì)胞核中心(x_z,y_z)到細(xì)胞核和細(xì)胞質(zhì)邊界點(diǎn)(x_p,y_p)的有向線段的距離表示向下取整；

沿線段以單位長度進(jìn)行采樣可以得到dis_p個點(diǎn)(x₁,y₁)，…，若采樣點(diǎn)的坐標(biāo)不是整數(shù)，其灰度值通過周圍像素線性插值得到；

點(diǎn)(x_i,y_i)處沿線段方向的灰度差：

hd(x_i,y_i)＝h(x_i-1,y_i-1)-h(x_i,y_i)

定義灰度差抑制函數(shù)：

點(diǎn)(x_i,y_i)處沿線段方向的梯度gra(x_i,y_i)：

選取梯度最大的值點(diǎn)作為細(xì)胞核和細(xì)胞質(zhì)的精確邊緣。

本優(yōu)選實(shí)施例設(shè)置噪聲去除子單元，有效融合了中心像素與鄰域像素的空間臨近性和灰度相似性來進(jìn)行降噪處理，在圖像中的平坦區(qū)域，鄰域內(nèi)像素灰度值相差不大，采用高斯濾波器對灰度值進(jìn)行加權(quán)濾波，在變化劇烈的邊界區(qū)域，行邊界保持濾波，有利于圖像邊緣的保持；采用K均值聚類提取細(xì)胞核和細(xì)胞質(zhì)粗輪廓，可有效去除噪聲的干擾；設(shè)置細(xì)胞核中心標(biāo)定子單元，便于后續(xù)對細(xì)胞核和細(xì)胞質(zhì)輪廓進(jìn)行精確定位；精確分割子單元充分利用了方向信息，克服了炎癥細(xì)胞對邊緣圖的干擾，能夠準(zhǔn)確提取出細(xì)胞核和細(xì)胞質(zhì)邊緣。

優(yōu)選的，所述對細(xì)胞圖像的紋理特征進(jìn)行提取，包括：

(1)基于改進(jìn)的灰度共生矩陣法求取細(xì)胞圖像的綜合灰度共生矩陣，所述綜合灰度共生矩陣體現(xiàn)了細(xì)胞在不同方向上的紋理特征：

設(shè)在0°、45°、90°、135°四個方向上的灰度共生矩陣分別為h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°)，所對應(yīng)的矩陣元素項目為X₁、X₂、X₃、X₄，則綜合灰度共生矩陣的計算公式為：

H(x,y,d)＝w₁h(x,y,d,0°)+w₂h(x,y,d,45°)+w₃h(x,y,d,90°)+w₄h(x,y,d,135°)

綜合灰度共生矩陣元素數(shù)目為：

式中，d表示距離，d的取值范圍為[2,4]，w_i為加權(quán)系數(shù),i＝1,2,3,4，其由四個方向中的每個方向上的灰度共生矩陣對應(yīng)的對比度參數(shù)計算，設(shè)四個方向上的灰度共生矩陣對應(yīng)的對比度參數(shù)分別為D_i，均值為則加權(quán)系數(shù)w_i的計算公式為：

(2)利用所述綜合灰度共生矩陣和矩陣元素項目獲取所需的四個紋理特征參數(shù)：對比度、方差和、能量和均值；

(3)對所述四個紋理特征參數(shù)進(jìn)行歸一化處理，最終獲得歸一化的紋理特征值。

本優(yōu)選實(shí)施例基于改進(jìn)的灰度共生矩陣法，采用設(shè)置加權(quán)系數(shù)的方式求取細(xì)胞圖像的綜合灰度共生矩陣，進(jìn)而提取細(xì)胞在指定四個方向上的紋理特征，解決了由于外部干擾(如細(xì)胞圖像采集時光照角度造成的影響、氣體的流動干擾等)造成的細(xì)胞的紋理特征參數(shù)值在不同方向上有較大差別的問題，提高了細(xì)胞圖像紋理特征提取的精度；選定對比度、方差和、能量和均值四個紋理特征，去掉了冗余和重復(fù)的特征參數(shù)；對所述四個紋理特征參數(shù)進(jìn)行歸一化處理，方便了后續(xù)的細(xì)胞圖像的分類識別處理。

在此應(yīng)用場景中，設(shè)定閾值T＝15，d＝2，圖像去噪效果相對提高了6％，細(xì)胞圖像特征的提取精度提高了8％。

應(yīng)用場景3

參見圖1、圖2，本應(yīng)用場景的一個實(shí)施例的基于生物識別的智能移動終端，包括顯示裝置1、生物識別裝置2、采集裝置3和通信裝置4；所述采集裝置3包括指紋采集模塊、靜脈采集模塊、面部圖像采集模塊、虹膜圖像采集模塊、語音采集模塊、細(xì)胞圖像采集模塊和證件讀取模塊，所述生物識別裝置2包括數(shù)據(jù)運(yùn)算處理器和用于存儲生物識別模塊的存儲器，所述數(shù)據(jù)運(yùn)算處理器可根據(jù)成功識別的生物特征調(diào)取相應(yīng)的生物識別模塊和比對閾值，所述生物識別模塊包括指紋識別模塊、靜脈識別模塊、面部識別模塊、虹膜識別模塊、聲紋識別模塊和細(xì)胞圖像識別模塊。

本發(fā)明上述實(shí)施例通過數(shù)據(jù)運(yùn)算處理器根據(jù)成功識別的生物特征實(shí)現(xiàn)生物特征模板的自動動態(tài)更新和不同生物特征比對閾值的動態(tài)優(yōu)化，提高了各種生物特征身份驗(yàn)證的安全性、可靠性和身份驗(yàn)證效率，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述數(shù)據(jù)運(yùn)算處理器包括算法調(diào)整模塊，所述算法調(diào)整模塊可將成功識別的生物特征與原生物特征模板進(jìn)行綜合以生成新的生物特征模板。

本優(yōu)選實(shí)施例設(shè)置算法調(diào)整模塊，實(shí)現(xiàn)了生物特征模板的自動動態(tài)更新。

優(yōu)選的，所述數(shù)據(jù)運(yùn)算處理器還包括比對閾值調(diào)整模塊，所述比對閾值調(diào)整模塊可根據(jù)成功識別的不同生物特征的頻率調(diào)整不同生物特征的比對閾值。

本優(yōu)選實(shí)施例設(shè)置比對閾值調(diào)整模塊，實(shí)現(xiàn)了不同生物特征比對閾值的動態(tài)優(yōu)化。

優(yōu)選的，所述細(xì)胞識別模塊5包括細(xì)胞圖像分割單元51、特征提取單元52、分類識別單元53；所述細(xì)胞圖像分割單元51用于區(qū)分由細(xì)胞圖像采集模塊采集的細(xì)胞圖像中的背景、細(xì)胞核和細(xì)胞質(zhì)；所述特征提取單元52用于對細(xì)胞圖像的紋理特征進(jìn)行提?。凰龇诸愖R別單元53用于根據(jù)紋理特征利用分類器實(shí)現(xiàn)對細(xì)胞圖像分類識別。

本優(yōu)選實(shí)施例構(gòu)建了細(xì)胞識別模塊5的單元架構(gòu)。

優(yōu)選的，所述細(xì)胞圖像分割單元51包括圖像轉(zhuǎn)換子單元、噪聲去除子單元、粗分割子單元、細(xì)胞核中心標(biāo)定子單元、精確分割子單元，具體為：

(1)圖像轉(zhuǎn)換子單元，用于將采集的細(xì)胞圖像轉(zhuǎn)化為灰度圖像；

(2)噪聲去除子單元，用于對灰度圖像進(jìn)行去噪處理，包括：

對于像素點(diǎn)(x,y)，選取其3×3的鄰域S_x,y和(2N+1)×(2N+1)的鄰域L_x,y，N為大于等于2的整數(shù)；

首先對像素點(diǎn)是否為邊界點(diǎn)進(jìn)行判斷，設(shè)定閾值T，T∈[13,26]，計算像素點(diǎn)(x,y)與其鄰域S_x,y中每個像素點(diǎn)的灰度差值，并與閾值T進(jìn)行比較，若灰度差值大于閾值T的個數(shù)大于等于6，則像素點(diǎn)(x,y)為邊界點(diǎn)，否則，像素點(diǎn)(x,y)為非邊界點(diǎn)；

若(x,y)為邊界點(diǎn)，則進(jìn)行如下降噪處理：

式中，h(x,y)為降噪后像素點(diǎn)(x,y)的灰度值，q(x,y)為降噪前像素點(diǎn)(x,y)的灰度值，σ為像素點(diǎn)(x,y)鄰域L_x,y內(nèi)灰度值標(biāo)差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示鄰域L_x,y內(nèi)灰度值落于區(qū)間[q(x,y)-1.5σ,q(x,y)+1.5σ]的點(diǎn)，k表示鄰域L_x,y內(nèi)灰度值落于區(qū)間[q(x,y)-1.5σ,q(x,y)+1.5σ]的點(diǎn)的數(shù)量；

若(x,y)為非邊界點(diǎn)，則進(jìn)行如下降噪處理：

式中，h(x,y)為降噪后像素點(diǎn)(x,y)的灰度值，q(i,j)代表圖像中點(diǎn)(i,j)處的灰度值，w(i,j)為鄰域L_x,y內(nèi)點(diǎn)(i,j)對應(yīng)的高斯權(quán)重；

(3)粗分割子單元，用于對去噪后的細(xì)胞圖像中的背景、細(xì)胞質(zhì)、細(xì)胞核進(jìn)行粗劃分，具體為：

將每個像素(x,y)用一個四維特征向量表示：

式中，h(x,y)代表(x,y)的灰度值，h_ave(x,y)代表其鄰域S_x,y灰度均值，h_med(x,y)代表其鄰域S_x,y灰度中值，h_sta(x,y)代表其鄰域S_x,y灰度方差；

采用K-means聚類法將其劃分為背景、細(xì)胞質(zhì)、細(xì)胞核三類；

(4)細(xì)胞核中心標(biāo)定子單元，用于對細(xì)胞核中心進(jìn)行標(biāo)定：

由粗分割子單元得到細(xì)胞核大致區(qū)域，設(shè)細(xì)胞核區(qū)域包含n個點(diǎn)：(x₁,y₁),…,(x_n,y_n)，對該區(qū)域進(jìn)行灰度加權(quán)標(biāo)定和幾何中心標(biāo)定，取其平均值作為細(xì)胞核中心(x_z,y_z)：

(5)精確分割子單元，用于對細(xì)胞核、細(xì)胞質(zhì)進(jìn)行精確分割；

構(gòu)建從細(xì)胞核中心(x_z,y_z)到細(xì)胞核和細(xì)胞質(zhì)邊界點(diǎn)(x_p,y_p)的有向線段的距離表示向下取整；

沿線段以單位長度進(jìn)行采樣可以得到dis_p個點(diǎn)(x₁,y₁)，…，若采樣點(diǎn)的坐標(biāo)不是整數(shù)，其灰度值通過周圍像素線性插值得到；

點(diǎn)(x_i,y_i)處沿線段方向的灰度差：

hd(x_i,y_i)＝h(x_i-1,y_i-1)-h(x_i,y_i)

定義灰度差抑制函數(shù)：

點(diǎn)(x_i,y_i)處沿線段方向的梯度gra(x_i,y_i)：

選取梯度最大的值點(diǎn)作為細(xì)胞核和細(xì)胞質(zhì)的精確邊緣。

本優(yōu)選實(shí)施例設(shè)置噪聲去除子單元，有效融合了中心像素與鄰域像素的空間臨近性和灰度相似性來進(jìn)行降噪處理，在圖像中的平坦區(qū)域，鄰域內(nèi)像素灰度值相差不大，采用高斯濾波器對灰度值進(jìn)行加權(quán)濾波，在變化劇烈的邊界區(qū)域，行邊界保持濾波，有利于圖像邊緣的保持；采用K均值聚類提取細(xì)胞核和細(xì)胞質(zhì)粗輪廓，可有效去除噪聲的干擾；設(shè)置細(xì)胞核中心標(biāo)定子單元，便于后續(xù)對細(xì)胞核和細(xì)胞質(zhì)輪廓進(jìn)行精確定位；精確分割子單元充分利用了方向信息，克服了炎癥細(xì)胞對邊緣圖的干擾，能夠準(zhǔn)確提取出細(xì)胞核和細(xì)胞質(zhì)邊緣。

優(yōu)選的，所述對細(xì)胞圖像的紋理特征進(jìn)行提取，包括：

(1)基于改進(jìn)的灰度共生矩陣法求取細(xì)胞圖像的綜合灰度共生矩陣，所述綜合灰度共生矩陣體現(xiàn)了細(xì)胞在不同方向上的紋理特征：

設(shè)在0°、45°、90°、135°四個方向上的灰度共生矩陣分別為h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°)，所對應(yīng)的矩陣元素項目為X₁、X₂、X₃、X₄，則綜合灰度共生矩陣的計算公式為：

H(x,y,d)＝w₁h(x,y,d,0°)+w₂h(x,y,d,45°)+w₃h(x,y,d,90°)+w₄h(x,y,d,135°)

綜合灰度共生矩陣元素數(shù)目為：

式中，d表示距離，d的取值范圍為[2,4]，w_i為加權(quán)系數(shù),i＝1,2,3,4，其由四個方向中的每個方向上的灰度共生矩陣對應(yīng)的對比度參數(shù)計算，設(shè)四個方向上的灰度共生矩陣對應(yīng)的對比度參數(shù)分別為D_i，均值為則加權(quán)系數(shù)w_i的計算公式為：

(2)利用所述綜合灰度共生矩陣和矩陣元素項目獲取所需的四個紋理特征參數(shù)：對比度、方差和、能量和均值；

(3)對所述四個紋理特征參數(shù)進(jìn)行歸一化處理，最終獲得歸一化的紋理特征值。

本優(yōu)選實(shí)施例基于改進(jìn)的灰度共生矩陣法，采用設(shè)置加權(quán)系數(shù)的方式求取細(xì)胞圖像的綜合灰度共生矩陣，進(jìn)而提取細(xì)胞在指定四個方向上的紋理特征，解決了由于外部干擾(如細(xì)胞圖像采集時光照角度造成的影響、氣體的流動干擾等)造成的細(xì)胞的紋理特征參數(shù)值在不同方向上有較大差別的問題，提高了細(xì)胞圖像紋理特征提取的精度；選定對比度、方差和、能量和均值四個紋理特征，去掉了冗余和重復(fù)的特征參數(shù)；對所述四個紋理特征參數(shù)進(jìn)行歸一化處理，方便了后續(xù)的細(xì)胞圖像的分類識別處理。

在此應(yīng)用場景中，設(shè)定閾值T＝18，d＝3，圖像去噪效果相對提高了7％，細(xì)胞圖像特征的提取精度提高了7％。

應(yīng)用場景4

參見圖1、圖2，本應(yīng)用場景的一個實(shí)施例的基于生物識別的智能移動終端，包括顯示裝置1、生物識別裝置2、采集裝置3和通信裝置4；所述采集裝置3包括指紋采集模塊、靜脈采集模塊、面部圖像采集模塊、虹膜圖像采集模塊、語音采集模塊、細(xì)胞圖像采集模塊和證件讀取模塊，所述生物識別裝置2包括數(shù)據(jù)運(yùn)算處理器和用于存儲生物識別模塊的存儲器，所述數(shù)據(jù)運(yùn)算處理器可根據(jù)成功識別的生物特征調(diào)取相應(yīng)的生物識別模塊和比對閾值，所述生物識別模塊包括指紋識別模塊、靜脈識別模塊、面部識別模塊、虹膜識別模塊、聲紋識別模塊和細(xì)胞圖像識別模塊。

本發(fā)明上述實(shí)施例通過數(shù)據(jù)運(yùn)算處理器根據(jù)成功識別的生物特征實(shí)現(xiàn)生物特征模板的自動動態(tài)更新和不同生物特征比對閾值的動態(tài)優(yōu)化，提高了各種生物特征身份驗(yàn)證的安全性、可靠性和身份驗(yàn)證效率，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述數(shù)據(jù)運(yùn)算處理器包括算法調(diào)整模塊，所述算法調(diào)整模塊可將成功識別的生物特征與原生物特征模板進(jìn)行綜合以生成新的生物特征模板。

本優(yōu)選實(shí)施例設(shè)置算法調(diào)整模塊，實(shí)現(xiàn)了生物特征模板的自動動態(tài)更新。

優(yōu)選的，所述數(shù)據(jù)運(yùn)算處理器還包括比對閾值調(diào)整模塊，所述比對閾值調(diào)整模塊可根據(jù)成功識別的不同生物特征的頻率調(diào)整不同生物特征的比對閾值。

本優(yōu)選實(shí)施例設(shè)置比對閾值調(diào)整模塊，實(shí)現(xiàn)了不同生物特征比對閾值的動態(tài)優(yōu)化。

優(yōu)選的，所述細(xì)胞識別模塊5包括細(xì)胞圖像分割單元51、特征提取單元52、分類識別單元53；所述細(xì)胞圖像分割單元51用于區(qū)分由細(xì)胞圖像采集模塊采集的細(xì)胞圖像中的背景、細(xì)胞核和細(xì)胞質(zhì)；所述特征提取單元52用于對細(xì)胞圖像的紋理特征進(jìn)行提取；所述分類識別單元53用于根據(jù)紋理特征利用分類器實(shí)現(xiàn)對細(xì)胞圖像分類識別。

本優(yōu)選實(shí)施例構(gòu)建了細(xì)胞識別模塊5的單元架構(gòu)。

優(yōu)選的，所述細(xì)胞圖像分割單元51包括圖像轉(zhuǎn)換子單元、噪聲去除子單元、粗分割子單元、細(xì)胞核中心標(biāo)定子單元、精確分割子單元，具體為：

(1)圖像轉(zhuǎn)換子單元，用于將采集的細(xì)胞圖像轉(zhuǎn)化為灰度圖像；

(2)噪聲去除子單元，用于對灰度圖像進(jìn)行去噪處理，包括：

對于像素點(diǎn)(x,y)，選取其3×3的鄰域S_x,y和(2N+1)×(2N+1)的鄰域L_x,y，N為大于等于2的整數(shù)；

首先對像素點(diǎn)是否為邊界點(diǎn)進(jìn)行判斷，設(shè)定閾值T，T∈[13,26]，計算像素點(diǎn)(x,y)與其鄰域S_x,y中每個像素點(diǎn)的灰度差值，并與閾值T進(jìn)行比較，若灰度差值大于閾值T的個數(shù)大于等于6，則像素點(diǎn)(x,y)為邊界點(diǎn)，否則，像素點(diǎn)(x,y)為非邊界點(diǎn)；

若(x,y)為邊界點(diǎn)，則進(jìn)行如下降噪處理：

式中，h(x,y)為降噪后像素點(diǎn)(x,y)的灰度值，q(x,y)為降噪前像素點(diǎn)(x,y)的灰度值，σ為像素點(diǎn)(x,y)鄰域L_x,y內(nèi)灰度值標(biāo)差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示鄰域L_x,y內(nèi)灰度值落于區(qū)間[q(x,y)-1.5σ,q(x,y)+1.5σ]的點(diǎn)，k表示鄰域L_x,y內(nèi)灰度值落于區(qū)間[q(x,y)-1.5σ,q(x,y)+1.5σ]的點(diǎn)的數(shù)量；

若(x,y)為非邊界點(diǎn)，則進(jìn)行如下降噪處理：

式中，h(x,y)為降噪后像素點(diǎn)(x,y)的灰度值，q(i,j)代表圖像中點(diǎn)(i,j)處的灰度值，w(i,j)為鄰域L_x,y內(nèi)點(diǎn)(i,j)對應(yīng)的高斯權(quán)重；

(3)粗分割子單元，用于對去噪后的細(xì)胞圖像中的背景、細(xì)胞質(zhì)、細(xì)胞核進(jìn)行粗劃分，具體為：

將每個像素(x,y)用一個四維特征向量表示：

式中，h(x,y)代表(x,y)的灰度值，h_ave(x,y)代表其鄰域S_x,y灰度均值，h_med(x,y)代表其鄰域S_x,y灰度中值，h_sta(x,y)代表其鄰域S_x,y灰度方差；

采用K-means聚類法將其劃分為背景、細(xì)胞質(zhì)、細(xì)胞核三類；

(4)細(xì)胞核中心標(biāo)定子單元，用于對細(xì)胞核中心進(jìn)行標(biāo)定：

由粗分割子單元得到細(xì)胞核大致區(qū)域，設(shè)細(xì)胞核區(qū)域包含n個點(diǎn)：(x₁,y₁),…,(x_n,y_n)，對該區(qū)域進(jìn)行灰度加權(quán)標(biāo)定和幾何中心標(biāo)定，取其平均值作為細(xì)胞核中心(x_z,y_z)：

(5)精確分割子單元，用于對細(xì)胞核、細(xì)胞質(zhì)進(jìn)行精確分割；

構(gòu)建從細(xì)胞核中心(x_z,y_z)到細(xì)胞核和細(xì)胞質(zhì)邊界點(diǎn)(x_p,y_p)的有向線段的距離表示向下取整；

沿線段以單位長度進(jìn)行采樣可以得到dis_p個點(diǎn)(x₁,y₁)，…，若采樣點(diǎn)的坐標(biāo)不是整數(shù)，其灰度值通過周圍像素線性插值得到；

點(diǎn)(x_i,y_i)處沿線段方向的灰度差：

hd(x_i,y_i)＝h(x_i-1,y_i-1)-h(x_i,y_i)

定義灰度差抑制函數(shù)：

點(diǎn)(x_i,y_i)處沿線段方向的梯度gra(x_i,y_i)：

選取梯度最大的值點(diǎn)作為細(xì)胞核和細(xì)胞質(zhì)的精確邊緣。

本優(yōu)選實(shí)施例設(shè)置噪聲去除子單元，有效融合了中心像素與鄰域像素的空間臨近性和灰度相似性來進(jìn)行降噪處理，在圖像中的平坦區(qū)域，鄰域內(nèi)像素灰度值相差不大，采用高斯濾波器對灰度值進(jìn)行加權(quán)濾波，在變化劇烈的邊界區(qū)域，行邊界保持濾波，有利于圖像邊緣的保持；采用K均值聚類提取細(xì)胞核和細(xì)胞質(zhì)粗輪廓，可有效去除噪聲的干擾；設(shè)置細(xì)胞核中心標(biāo)定子單元，便于后續(xù)對細(xì)胞核和細(xì)胞質(zhì)輪廓進(jìn)行精確定位；精確分割子單元充分利用了方向信息，克服了炎癥細(xì)胞對邊緣圖的干擾，能夠準(zhǔn)確提取出細(xì)胞核和細(xì)胞質(zhì)邊緣。

優(yōu)選的，所述對細(xì)胞圖像的紋理特征進(jìn)行提取，包括：

(1)基于改進(jìn)的灰度共生矩陣法求取細(xì)胞圖像的綜合灰度共生矩陣，所述綜合灰度共生矩陣體現(xiàn)了細(xì)胞在不同方向上的紋理特征：

設(shè)在0°、45°、90°、135°四個方向上的灰度共生矩陣分別為h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°)，所對應(yīng)的矩陣元素項目為X₁、X₂、X₃、X₄，則綜合灰度共生矩陣的計算公式為：

H(x,y,d)＝w₁h(x,y,d,0°)+w₂h(x,y,d,45°)+w₃h(x,y,d,90°)+w₄h(x,y,d,135°)

綜合灰度共生矩陣元素數(shù)目為：

式中，d表示距離，d的取值范圍為[2,4]，w_i為加權(quán)系數(shù),i＝1,2,3,4，其由四個方向中的每個方向上的灰度共生矩陣對應(yīng)的對比度參數(shù)計算，設(shè)四個方向上的灰度共生矩陣對應(yīng)的對比度參數(shù)分別為D_i，均值為則加權(quán)系數(shù)w_i的計算公式為：

(2)利用所述綜合灰度共生矩陣和矩陣元素項目獲取所需的四個紋理特征參數(shù)：對比度、方差和、能量和均值；

(3)對所述四個紋理特征參數(shù)進(jìn)行歸一化處理，最終獲得歸一化的紋理特征值。

本優(yōu)選實(shí)施例基于改進(jìn)的灰度共生矩陣法，采用設(shè)置加權(quán)系數(shù)的方式求取細(xì)胞圖像的綜合灰度共生矩陣，進(jìn)而提取細(xì)胞在指定四個方向上的紋理特征，解決了由于外部干擾(如細(xì)胞圖像采集時光照角度造成的影響、氣體的流動干擾等)造成的細(xì)胞的紋理特征參數(shù)值在不同方向上有較大差別的問題，提高了細(xì)胞圖像紋理特征提取的精度；選定對比度、方差和、能量和均值四個紋理特征，去掉了冗余和重復(fù)的特征參數(shù)；對所述四個紋理特征參數(shù)進(jìn)行歸一化處理，方便了后續(xù)的細(xì)胞圖像的分類識別處理。

在此應(yīng)用場景中，設(shè)定閾值T＝20，d＝4，圖像去噪效果相對提高了8％，細(xì)胞圖像特征的提取精度提高了6％。

應(yīng)用場景5

參見圖1、圖2，本應(yīng)用場景的一個實(shí)施例的基于生物識別的智能移動終端，包括顯示裝置1、生物識別裝置2、采集裝置3和通信裝置4；所述采集裝置3包括指紋采集模塊、靜脈采集模塊、面部圖像采集模塊、虹膜圖像采集模塊、語音采集模塊、細(xì)胞圖像采集模塊和證件讀取模塊，所述生物識別裝置2包括數(shù)據(jù)運(yùn)算處理器和用于存儲生物識別模塊的存儲器，所述數(shù)據(jù)運(yùn)算處理器可根據(jù)成功識別的生物特征調(diào)取相應(yīng)的生物識別模塊和比對閾值，所述生物識別模塊包括指紋識別模塊、靜脈識別模塊、面部識別模塊、虹膜識別模塊、聲紋識別模塊和細(xì)胞圖像識別模塊。

本發(fā)明上述實(shí)施例通過數(shù)據(jù)運(yùn)算處理器根據(jù)成功識別的生物特征實(shí)現(xiàn)生物特征模板的自動動態(tài)更新和不同生物特征比對閾值的動態(tài)優(yōu)化，提高了各種生物特征身份驗(yàn)證的安全性、可靠性和身份驗(yàn)證效率，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述數(shù)據(jù)運(yùn)算處理器包括算法調(diào)整模塊，所述算法調(diào)整模塊可將成功識別的生物特征與原生物特征模板進(jìn)行綜合以生成新的生物特征模板。

本優(yōu)選實(shí)施例設(shè)置算法調(diào)整模塊，實(shí)現(xiàn)了生物特征模板的自動動態(tài)更新。

優(yōu)選的，所述數(shù)據(jù)運(yùn)算處理器還包括比對閾值調(diào)整模塊，所述比對閾值調(diào)整模塊可根據(jù)成功識別的不同生物特征的頻率調(diào)整不同生物特征的比對閾值。

本優(yōu)選實(shí)施例設(shè)置比對閾值調(diào)整模塊，實(shí)現(xiàn)了不同生物特征比對閾值的動態(tài)優(yōu)化。

優(yōu)選的，所述細(xì)胞識別模塊5包括細(xì)胞圖像分割單元51、特征提取單元52、分類識別單元53；所述細(xì)胞圖像分割單元51用于區(qū)分由細(xì)胞圖像采集模塊采集的細(xì)胞圖像中的背景、細(xì)胞核和細(xì)胞質(zhì)；所述特征提取單元52用于對細(xì)胞圖像的紋理特征進(jìn)行提??；所述分類識別單元53用于根據(jù)紋理特征利用分類器實(shí)現(xiàn)對細(xì)胞圖像分類識別。

本優(yōu)選實(shí)施例構(gòu)建了細(xì)胞識別模塊5的單元架構(gòu)。

優(yōu)選的，所述細(xì)胞圖像分割單元51包括圖像轉(zhuǎn)換子單元、噪聲去除子單元、粗分割子單元、細(xì)胞核中心標(biāo)定子單元、精確分割子單元，具體為：

(1)圖像轉(zhuǎn)換子單元，用于將采集的細(xì)胞圖像轉(zhuǎn)化為灰度圖像；

(2)噪聲去除子單元，用于對灰度圖像進(jìn)行去噪處理，包括：

對于像素點(diǎn)(x,y)，選取其3×3的鄰域S_x,y和(2N+1)×(2N+1)的鄰域L_x,y，N為大于等于2的整數(shù)；

首先對像素點(diǎn)是否為邊界點(diǎn)進(jìn)行判斷，設(shè)定閾值T，T∈[13,26]，計算像素點(diǎn)(x,y)與其鄰域S_x,y中每個像素點(diǎn)的灰度差值，并與閾值T進(jìn)行比較，若灰度差值大于閾值T的個數(shù)大于等于6，則像素點(diǎn)(x,y)為邊界點(diǎn)，否則，像素點(diǎn)(x,y)為非邊界點(diǎn)；

若(x,y)為邊界點(diǎn)，則進(jìn)行如下降噪處理：

式中，h(x,y)為降噪后像素點(diǎn)(x,y)的灰度值，q(x,y)為降噪前像素點(diǎn)(x,y)的灰度值，σ為像素點(diǎn)(x,y)鄰域L_x,y內(nèi)灰度值標(biāo)差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示鄰域L_x,y內(nèi)灰度值落于區(qū)間[q(x,y)-1.5σ,q(x,y)+1.5σ]的點(diǎn)，k表示鄰域L_x,y內(nèi)灰度值落于區(qū)間[q(x,y)-1.5σ,q(x,y)+1.5σ]的點(diǎn)的數(shù)量；

若(x,y)為非邊界點(diǎn)，則進(jìn)行如下降噪處理：

式中，h(x,y)為降噪后像素點(diǎn)(x,y)的灰度值，q(i,j)代表圖像中點(diǎn)(i,j)處的灰度值，w(i,j)為鄰域L_x,y內(nèi)點(diǎn)(i,j)對應(yīng)的高斯權(quán)重；

(3)粗分割子單元，用于對去噪后的細(xì)胞圖像中的背景、細(xì)胞質(zhì)、細(xì)胞核進(jìn)行粗劃分，具體為：

將每個像素(x,y)用一個四維特征向量表示：

式中，h(x,y)代表(x,y)的灰度值，h_ave(x,y)代表其鄰域S_x,y灰度均值，h_med(x,y)代表其鄰域S_x,y灰度中值，h_sta(x,y)代表其鄰域S_x,y灰度方差；

采用K-means聚類法將其劃分為背景、細(xì)胞質(zhì)、細(xì)胞核三類；

(4)細(xì)胞核中心標(biāo)定子單元，用于對細(xì)胞核中心進(jìn)行標(biāo)定：

由粗分割子單元得到細(xì)胞核大致區(qū)域，設(shè)細(xì)胞核區(qū)域包含n個點(diǎn)：(x₁,y₁),…,(x_n,y_n)，對該區(qū)域進(jìn)行灰度加權(quán)標(biāo)定和幾何中心標(biāo)定，取其平均值作為細(xì)胞核中心(x_z,y_z)：

(5)精確分割子單元，用于對細(xì)胞核、細(xì)胞質(zhì)進(jìn)行精確分割；

構(gòu)建從細(xì)胞核中心(x_z,y_z)到細(xì)胞核和細(xì)胞質(zhì)邊界點(diǎn)(x_p,y_p)的有向線段的距離表示向下取整；

沿線段以單位長度進(jìn)行采樣可以得到dis_p個點(diǎn)(x₁,y₁)，…，若采樣點(diǎn)的坐標(biāo)不是整數(shù)，其灰度值通過周圍像素線性插值得到；

點(diǎn)(x_i,y_i)處沿線段方向的灰度差：

hd(x_i,y_i)＝h(x_i-1,y_i-1)-h(x_i,y_i)

定義灰度差抑制函數(shù)：

點(diǎn)(x_i,y_i)處沿線段方向的梯度gra(x_i,y_i)：

選取梯度最大的值點(diǎn)作為細(xì)胞核和細(xì)胞質(zhì)的精確邊緣。

本優(yōu)選實(shí)施例設(shè)置噪聲去除子單元，有效融合了中心像素與鄰域像素的空間臨近性和灰度相似性來進(jìn)行降噪處理，在圖像中的平坦區(qū)域，鄰域內(nèi)像素灰度值相差不大，采用高斯濾波器對灰度值進(jìn)行加權(quán)濾波，在變化劇烈的邊界區(qū)域，行邊界保持濾波，有利于圖像邊緣的保持；采用K均值聚類提取細(xì)胞核和細(xì)胞質(zhì)粗輪廓，可有效去除噪聲的干擾；設(shè)置細(xì)胞核中心標(biāo)定子單元，便于后續(xù)對細(xì)胞核和細(xì)胞質(zhì)輪廓進(jìn)行精確定位；精確分割子單元充分利用了方向信息，克服了炎癥細(xì)胞對邊緣圖的干擾，能夠準(zhǔn)確提取出細(xì)胞核和細(xì)胞質(zhì)邊緣。

優(yōu)選的，所述對細(xì)胞圖像的紋理特征進(jìn)行提取，包括：

(1)基于改進(jìn)的灰度共生矩陣法求取細(xì)胞圖像的綜合灰度共生矩陣，所述綜合灰度共生矩陣體現(xiàn)了細(xì)胞在不同方向上的紋理特征：

設(shè)在0°、45°、90°、135°四個方向上的灰度共生矩陣分別為h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°)，所對應(yīng)的矩陣元素項目為X₁、X₂、X₃、X₄，則綜合灰度共生矩陣的計算公式為：

H(x,y,d)＝w₁h(x,y,d,0°)+w₂h(x,y,d,45°)+w₃h(x,y,d,90°)+w₄h(x,y,d,135°)

綜合灰度共生矩陣元素數(shù)目為：

式中，d表示距離，d的取值范圍為[2,4]，w_i為加權(quán)系數(shù),i＝1,2,3,4，其由四個方向中的每個方向上的灰度共生矩陣對應(yīng)的對比度參數(shù)計算，設(shè)四個方向上的灰度共生矩陣對應(yīng)的對比度參數(shù)分別為D_i，均值為則加權(quán)系數(shù)w_i的計算公式為：

(2)利用所述綜合灰度共生矩陣和矩陣元素項目獲取所需的四個紋理特征參數(shù)：對比度、方差和、能量和均值；

(3)對所述四個紋理特征參數(shù)進(jìn)行歸一化處理，最終獲得歸一化的紋理特征值。

本優(yōu)選實(shí)施例基于改進(jìn)的灰度共生矩陣法，采用設(shè)置加權(quán)系數(shù)的方式求取細(xì)胞圖像的綜合灰度共生矩陣，進(jìn)而提取細(xì)胞在指定四個方向上的紋理特征，解決了由于外部干擾(如細(xì)胞圖像采集時光照角度造成的影響、氣體的流動干擾等)造成的細(xì)胞的紋理特征參數(shù)值在不同方向上有較大差別的問題，提高了細(xì)胞圖像紋理特征提取的精度；選定對比度、方差和、能量和均值四個紋理特征，去掉了冗余和重復(fù)的特征參數(shù)；對所述四個紋理特征參數(shù)進(jìn)行歸一化處理，方便了后續(xù)的細(xì)胞圖像的分類識別處理。

在此應(yīng)用場景中，設(shè)定閾值T＝26，d＝2，圖像去噪效果相對提高了7.5％，細(xì)胞圖像特征的提取精度提高了8％。

最后應(yīng)當(dāng)說明的是，以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對本發(fā)明保護(hù)范圍的限制，盡管參照較佳實(shí)施例對本發(fā)明作了詳細(xì)地說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實(shí)質(zhì)和范圍。