[發明專利]一種基于神經網絡的尿液中有形成分識別分類方法

有效

• 申請號: 200910217867.1
• 申請日: 2009-11-13
• 公開（公告）號: CN101713776A
• 公開（公告）日: 2010-05-26
• 發明（設計）人: 宋潔;沈繼楠;陳武
• 申請（專利權）人: 長春迪瑞實業有限公司
• 主分類號: G01N33/493
• 分類號: G01N33/493;G06N3/02;G06N3/08;G06T7/00
• 代理公司: 吉林長春新紀元專利代理有限責任公司 22100
• 代理人: 魏征驥

1.一種基于神經網絡的尿液中有形成分識別分類方法，其特征在 于包括下列步驟：

(一)利用尿沉渣檢驗設備中的流動式顯微系統拍攝尿液樣本圖像， 并將圖像傳送到尿沉渣圖像工作站內存中；

在拍攝過程中，尿液標本在上下層鞘液的包裹下進入流動池，雙層 鞘流液包裹在尿液標本的外周，而尿液內有形成分會以單層顆粒的厚度 高速通過流動池內的拍攝區域，同時顯微采集系統中的CCD進行高速拍 攝，并將電子信號轉換成數字信號，其值范圍在[0，255]之間，然后將采集 的圖像并傳輸到尿沉渣工作站計算系統中；

(二)分割步驟一中拍攝圖像內的尿液有形成分微粒圖像，分割具體 步驟：

(1)對每幅圖像進行邊緣檢測：G=f⊗S,]]>其中f：表示灰度圖像， S：表示梯度模板；G：表示梯度圖像；其中邊緣檢測可以采用的梯度模 板有：Sobel算子、Robert算子；

(2)針對梯度圖像G選定一個閾值T，然后采用區域生長算法分割 圖像中的目標圖像；其中閾值選定可以采用有：大津率方法、迭代法或 最小誤差法；

(三)計算步驟二中分割的有形成分微粒圖像的形狀和紋理特征向 量，作為智能神經網絡的輸入；

(1)圖像二值化：根據步驟二中確定的閾值T，進行圖像二值化，得 到微粒圖像的二值化圖像，

(2)形狀特征提?。焊櫽行纬煞治⒘Ｄ繕诉吔琰c并編輯成鏈碼， 利用鏈碼計算微粒圖像的面積、圓形度、矩形度和伸展度等形狀特征；

在微粒目標區域中，有一部分像素點滿足以下條件：鄰域內有一部 分像素點屬于微粒目標，另一部分屬于背景，這樣的點就是邊緣點，進 行邊界跟蹤提取邊緣點形成鏈碼；首先按從上到下，從左到右的順序搜 索找到的第一個邊界點，這個點一定是最左上方的邊界點，記為A；它的 右，右下，下，左下四個鄰點中至少有一個邊界點，記為B，從B開始找， 按右，右上，上，左上，左，左下，下、右下的順序找相鄰點中的邊界 點C.如果C點就是A點，則表明已經轉了一圈，程序結束，否則從C點 繼續找，直到找到A為止；判斷是不是邊界點很容易：如果它的上下左 右四個鄰居都是目標點則不是邊界點，否則是邊界點；

(3)紋理特征提?。杭y理特征的提取是基于灰度共生矩陣，灰度 共生矩陣就是從N×N的圖像f(x，y)的灰度為i的像素出發，統計與其距離 為δ，灰度為j的像素同時出現的概率p(i，j，δ，θ)；根據灰度共生矩陣計算 水平方向和垂直方向的二階矩、對比度和熵三個紋理特征；

(四)接受待識別有形成分微粒圖像的特征向量，進行歸一化到【0， 1】范圍內，輸入已經訓練好的智能神經網絡進行識別；在這里采用改進 型對向傳播神經網絡(CP)，它是Kohonen特征映射網絡與Grossberg基 本競爭網絡相結合、發揮各自特征的一種特征映射網絡；網絡的基本思 想是，由輸入層到競爭層，網絡按SOM學習規則產生競爭層的獲勝神經 元，并按照這一規則調整相應輸入層到競爭層的連接權；由競爭層到輸 出層，網絡按照基本競爭層型網絡學習規則，得到各輸出神經元的實際 輸出值、并按照有導師型的誤差校正方法，修正由競爭層到輸出層的連 接權值；經過這樣反復學習，使其達到一定誤差精度，并形成穩定的網 絡結構，即確定了神經網絡的參數。

2.如權利要求1所述的基于神經網絡的尿液有形成分識別分類方法， 其特征在于：智能神經網絡的訓練方法包括下列步驟：

(1)產生智能神經網絡的訓練數據集；

(2)利用步驟(1)中產生的神經網絡數據訓練集，反復訓練神經網絡， 直到產生穩定的、達到精度要求的網絡；

在學習過程中，CP網絡反復不斷地在競爭層內挑選獲勝神經元，并 且調整與獲勝神經元對應的連接權，最終趨于穩定；各神經元所對應的 連接權在經過學習調整后，記錄了所有輸入模式的綜合信息，并且通過 這些信息對目標進行正確地識別；傳統的學習算法每次只對與競爭層獲 勝的那個神經元對應的連接權進行調整，假如前后兩次獲勝的都是同一 神經元，則與該神經元對應的連接權會記錄下前后兩個輸入模式的信息； 為了避免獲勝的神經元過于集中導致記錄信息混亂的情況，人為地干預 獲勝神經元，使之分散開來，對于提高CP網絡的訓練效果是有益的；

改進后的CP網絡學習算法如下：

(a)初始化，將W_j(j＝1，2，...m)和Q_i(i＝1，2，...z)各分量賦予區間[0，1]內 的隨機值。將輸入模式U_ki(k＝1，2，...p)按下式進行歸一化處理：uik=uik/||UK||]]>(i＝0，1，2，...n)，其中||UK||=Σi=1n(uik)2,]]>同時，為競爭層每個神經元附加一個 變量t(初始值為0)以記錄該神經元獲勝次數，設定神經元獲勝的最大次 數T，并且指定誤差容限值e；

(b)將第k個輸入模式U_k提供給網絡輸入層；

(c)將連接權矢量W_j(j＝1，2，…，m)進行歸一化處理：w_ji＝w_ji/W_j，其 中，||Wj||=Σi=1n(wji)2;]]>

(d)求競爭層神經元的輸入激活值：Sj=Σi=1nwjiuik,(j=1,2,...,m);]]>

(e)在計算出的S_j中找出最大的激活值S_a1≤a≤m。如果S_a的t＜T， 則t＝t+1，且將S_a對應的神經元作為競爭層獲勝神經元g；否則，若t≥T， 就選擇除S_a外的最大激活值S_b；若S_b的t＜T，則at＝t+1，且將S_b對應的 神經元作為競爭層獲勝神經元g；否則，按照激活值從大到小的順序依次 在S_j中尋找。將競爭層獲勝神經元g的輸出置1，其余置0，它所對應的連 接權即為W_g；

(f)調整W_g，即wgi(t+1)=wgi(t)+α(uik-wgi(t)),(i=1,2,...,m),]]>式中，α為 學習率0＜α＜1)；

(g)調整競爭層獲勝神經元g至輸出層神經元的連接權矢量 而其他連接權保持不變，即q1g(t+1)=q1g(t)+βvj(ylk-clk)]]>(l＝1，2，…，z)；式中，β為學習率0＜β＜1；

(h)求輸出層各神經元的綜合輸入信號加權和，并將其作為輸出神 經元的實際輸出值c_l^k；

(i)計算網絡實際輸出C_k與希望輸出Y_k的之間的誤差：

err=Σi=1z(cik-yik)2;]]>

(j)判斷步驟(i)中算出的誤差是否小于誤差容限，如果小于誤差容 限，則繼續步驟(k)，進行下一模式的學習；若大于誤差容限，則返回步 驟3)，繼續學習；

(k)返回步驟(b)，直至p個輸入模式全部提供給網絡。