[發明專利]基于聯合特征PCANet的宮頸細胞圖像識別方法

在審

• 申請號: 201611088065.1
• 申請日: 2016-12-01
• 公開（公告）號: CN106778554A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 盧磊;羅曉曙;孫妤喆;王文濤
• 申請（專利權）人: 廣西師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T5/00
• 代理公司: 桂林市華杰專利商標事務所有限責任公司45112
• 代理人: 唐修豪

1.一種基于聯合特征PCANet的宮頸細胞圖像識別方法，包括以下步驟：

S100：對宮頸細胞圖像進行去噪處理

結合改進相似性權值函數的非局部均值濾波的雙邊濾波方法構造如公式(1)所示的去噪模型對細胞圖像進行去噪處理

$f_d\left(i\right)=\frac{1}{\underset{j\∈N\left(i\right)}{\Σ}\exp (-\frac{|j-i{|}^2}{2{\mathrm{\σ}}_s^2})\exp (-\frac{|{\stackrel{\‾}{f}}_n\left(j\right)-{\stackrel{\‾}{f}}_n\left(i\right){|}^2}{2{\mathrm{\σ}}_r^2})}\underset{j\∈N\left(i\right)}{\Σ}\exp (-\frac{|j-i{|}^2}{2{\mathrm{\σ}}_s^2})\exp (-\frac{|{\stackrel{\‾}{f}}_n\left(j\right)-{\stackrel{\‾}{f}}_n\left(i\right)|}{2{\mathrm{\σ}}_r^2})f_n\left(j\right)---\left(1\right)$

式中，f_d為去噪后的圖像，N(i)為以像素i為中心的領域，σ_s為空間相似性高斯核標準差，σ_r為像素相似性高斯核標準差，i為當前中心像素，j為除中心像素外的其他像素，為改進相似性權值函數的非局部均值濾波預去噪后的圖像，由式(2)得到，

${\stackrel{\‾}{f}}_n\left(i\right)=\frac{1}{\underset{j}{\Σ}\mathrm{\ω}(i,j)}\underset{j\∈I}{\Σ}\mathrm{\ω}(i,j)f_n\left(j\right)---\left(2\right)$

式(2)中，ω為改進的相似性權值函數，由式(3)得到

$\mathrm{\ω}(i,j)=\exp (-\frac{\left|\right|N\left(i\right)-N\left(j\right)|{|}_{2,a}^2}{h^2})cos{\left(\frac{\mathrm{\π}\left|\right|N\left(i\right)-N\left(j\right)|{|}_{2,a}^2}{2h_1}\right)}^3---\left(3\right)$

式(3)中，N(i)、N(j)分別為以像素i、j為中心像素的圖像塊，表示兩圖像塊之間的高斯加權歐式距離，h，h₁為平滑參數；

S200：對去噪后的細胞圖像構造聯合特征PCANet提取圖像特征

采用兩層PCA層結構的PCANet，并將第一層PCA層的輸出與第二層PCA層的輸出都輸入到二值哈希和直方圖處理層，然后將得到的特征聯合起來作為最終輸出的圖像特征，具體構造聯合特征PCANet提取圖像特征的過程如下：

S210：對去噪后的細胞圖像構建第一層PCA層

S211：將去噪后的輸入圖像f_d的像素分為k₁×k₂大小的圖像塊

x_i,1，x_i,2，...x_i,j，其中x_i,j表示第i張輸入圖像的第j個圖像塊矩陣，表示圖像塊在R這個集合內；

S212：再將每個圖像塊矩陣化成列向量并進行去均值操作

${\stackrel{\‾}{x}}_{i,j}=x_{i,j}-\frac{I^T{x}_{i,j}}{k_1{k}_2}I$

表示去均值后的列向量，I是適當維度的全1向量，對于第i張輸入圖像得到

S213：對所有輸入圖像進行上述步驟S211和S212操作后并合并成一個向量X如式(4)：

$X=\[{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{X}}_2,...,{\stackrel{\‾}{X}}_N\]---\left(4\right)$

S214：假設第一層PCA層的濾波器為L₁個，通過PCA求解濾波器，

$\begin{array}{ccc}\underset{V\∈R^{k_1{k}_2\×L_1}}{\min }\left|\right|X-{\mathrm{VV}}^{T}X|{|}_F^2& s.t.& {\mathrm{VV}}^T=I_{L_1}\end{array}---\left(5\right)$

其中是L₁×L₁大小的單位矩陣，s.t表示約束條件,V表示需要求解的L₁個特征向量，表示約束項，F表示一組(簇)主特征；通過求解式(5)可得到L₁個XX^T的主特征向量V，然后將主特征向量V映射到矩陣空間得到如式(6)所示的第一層PCA層的濾波器W_l¹，

$W_l^1={\mathrm{mat}}_{k_1,k_2}\left(q_l\left({\mathrm{XX}}^T\right)\right)\∈R^{k_1\×k_2},l=1,2,\mathrm{...},L_1,---\left(6\right)$

表示將主特征向量v映射到矩陣空間q_l(XX^T)表示XX^T的第l個主特征向量，通過式(5)，式(6)可以得到第一層PCA層的L₁個濾波器W_l¹，l＝1,2,...,L₁；

S215：將輸入到第一層PCA層的圖像f_d與濾波器按式(7)進行卷積操作得到第一層PCA層的輸出f_i^l

f_i^l＝f_i*W_l¹，i＝1,2,...,N；l＝1,2,...,L₁,(7)

f_i^l表示第i張圖像與第l個濾波器卷積的結果并進行了邊界補零操作使其尺寸與f_i相同；

S220：對第一層PCA層輸出結果構建第二層PCA層

將第一層PCA層的輸出f_i^l作為第二層PCA層的輸入，假設第二層濾波器個數為L₂，將第一層PCA層的輸出f_i^l替代去噪后的輸入圖像f_i，重復第一層PCA層的操作后得到第二層PCA層的L₂個濾波器W_l²(l＝1,2,...,L₂)以及第二層PCA層的輸出

$O_i^l={\{f_i^l*W_m^2\}}_{m=1}^{L_2},---\left(8\right)$

是第一層PCA層的輸出f_i^l與第二層PCA層中L₂個濾波器卷積得到，這里同樣對卷積后的結果進行邊界補零操作，使之與輸入圖像尺寸相同；

S230：二值哈希和直方圖處理層

S231：將第一層PCA層的輸出f_i^l與第二層PCA層的輸出都進行二值化處理，分別得到：H(.)為Heaviside階躍函數；

S232：再分別將二值化后的圖像像素值轉化成十進制

$T_i^1=\underset{l}{\overset{L_1}{\Σ}}{2}^{l-1}H\left(f_i^l\right),i=1,2,...,N,---\left(9\right)$

圖像T_i¹中，每個像素值是處于范圍內的整數，

$T_{i,l}^2=\underset{m=1}{\overset{L_2}{\Σ}}{2}^{m-1}H(f_i^l*W_m^2),l=1,2,...,L_1,---\left(10\right)$

圖像中，每個像素值是處于范圍內的整數，

S233：計算圖像的特征

將每一個圖像T_i¹分割成J塊，每一塊大小為h₁×h₂，計算每個塊的直方圖，再將所有塊直方圖串聯按列化成列向量，定義為F₁＝BlkHist(T_i¹)，同樣地，對圖像進行操作得到列向量然后按式(11)計算得到第i張輸入圖像的特征Fⁱ：

$F^i=\[F_1,F_2\]\∈R^{(2^{L_1}J+2^{L_2}{L}_{1}J)}---\left(11\right)$

S300：宮頸細胞圖像識別

利用聯合特征PCANet輸出的圖像特征來訓練分類器的參數，然后再利用訓練好的分類器對其他宮頸細胞圖像進行分類識別。