[发明专利]用于生物细胞显微镜图像分类的特征子空间集成方法

说明书

技术领域

本发明属于智能图像分析领域，尤其是生物细胞显微镜图像的分类研究，具体涉及一种用于生物细胞显微镜图像分类的特征子空间集成方法。

背景技术

细胞显微镜成像技术对于理解细胞的功能以及构造方式是至关重要的，对于许多疾病的诊断、分类，细胞组织镜下活检已经成为了诊断的金标准。然而，大量的病理活检成像对于医学图像分析师来说会造成巨大的工作负担；人工检测有时因为种种外部因素（如疲劳、经验不足等）也很可能造成错检和漏检，因此，自动的细胞显微镜图像检测技术成为近年来研究的热点。

目前广泛使用的亚细胞蛋白质位置检测方法是荧光显微法。近年来，有很多基于荧光显微镜图像的细胞检测方法，以正细胞图像分割为基础，显型检测问题就成为了一个多类的图像分类问题，包含两个主要的步骤：特征表示和分类。

一般来说，大部分的基于图像的细胞结构分析使用多种图像特征的组合来表示图像，例如，形态学、边缘、纹理、几何特征、矩，以及小波特征。近年来，图像特征描述方法的进步产生了一些“拿来即用”的特征提取方法，这些方法可以直接应用于生物图像分析领域。

另一方面，大量的机器学习和智能计算方法已经进入到生物体图像分析领域，例如人工神经网络、支持向量机等。这些工具已经广泛地用于荧光显微镜图像的分类以及亚细胞蛋白质的分类中。然而，生物显微镜图像具有一个显著的特点：图像具有较大的类间相似性和类内相异性，这决定了使用常用的分类器难以达到很好的分类边界。此外，由于多种图像特征的组合使用，特征的维数不断增加，使得特征向量的维数超过了训练集的样本数。本发明因此而来。

发明内容

本发明目的在于提供一种用于生物细胞显微镜图像分类的特征子空间集成方法，解决了现有技术中图像分类效果差、分类精度差等问题。

为了解决现有技术中的这些问题，本发明提供的技术方案是：

一种用于生物细胞显微镜图像分类的特征子空间集成方法，其特征在于所述方法包括以下步骤：

（1）通过以下方法提取待分类的生物细胞显微镜图像的特征：

i）将生物细胞显微镜图像变换到不同的频率子带（Sub-band）中，然后对各个频率子带进行特征统计；以及

ii）采用灰度共生矩阵的多个统计特征得到生物细胞显微镜图像的全局纹理特征；以及

iii）通过完整局部二值模式提取生物显微镜图像的局部纹理特征；

（2）使用核主成分分析法（KPCA）对提取的生物细胞显微镜图像的三种图像特征构建特征子空间模型，使每类生物细胞显微镜图像具有三个特征子空间；

（3）采用每一类已训练好的三个特征子空间对待分类的生物细胞显微镜图像重建三种图像特征，得到由每一类中各特征子空间对待分类图像特征的重建结果，通过各个特征子空间重建结果与原提取的图像特征向量的比较获得分类图像对每一类的分类置信度；将待分类图像将分类到置信度最高的类别当中。

优选的，所述方法步骤（2）中核主成分分析法（KPCA）按照如下步骤进行：

1）将所提取的n个图像(每一图像由m维特征向量描述)的一批数据记为一个(m×n)维数据矩阵计算核矩阵K_μv＝(Φ(x_μ)·Φ(x_v))；其中，x表示矩阵A中的行（列）向量，ΦYxY表示映射核函数，核函数其中x₁,x₂,...,x_M为训练样本，用{x_i}表示输入空间；σ为函数的宽度参数；

2）计算K的特征值λ₁,...,λ_n和对应的特征向量v₁，...,v_n；将特征值按降序排序，得λ′₁＞...＞λ′_n；并对特征向量进行相应调整得v′₁,...,v′_n；

3）通过施密特正交化方法单位正交化特征向量，得到α₁,...,α_n；

4）计算特征值的累积贡献率B₁,...,B_n，根据给定的提取效率p，如果B_t≥p,则提取t个主分量α₁，...,α_t；