《基于adaboost的尿沉渣管型细胞的识别》由会员分享，可在线阅读，更多相关《基于adaboost的尿沉渣管型细胞的识别（4页珍藏版）》请在金锄头文库上搜索。
1、第2 8 卷第4 I I i 增刊 2 0 0 7 年4 月 仪器仪表学报 C h m J o u n l a Io fS c t c r l L i f i cI n s t r u l e n t V 0 1 2 8N o 4 基于A d a b o o s t 的尿沉渣管型细胞的识别 曹晓光，刘湘航 ( 北京航空航天大学宇航学院图像中心。、北京。1 0 0 0 8 3 ) 摘重：本文研究尿沉渣图像中管型细胞的识男，并且提出了一种基于A d a b 0 0 皇t 的管型识另q 算法。A d a b D 0 s t 算法使用一组 弱分类器的组合构造m 最后识别效果理想的分类器。在人脸检测中广
2、泛使用并取得了较好的效果，但是在细胞识别中的应 用j 丕很少。本文通过选取有效特征将A d a b 0 0 s t 算法应用于细胞图像的识别，对于尿沉渣图像中准确检测难度较大的管型细 胞进行检测取得了较好的分类效果。 关键词：A d a b o o s t 算法；细胞识别 A d a l ) o o s t _ b a s e dr e c o g n i t i o na l g o r i t h mo fc a s t Si nu r i n a r y s e d i m e n ti l n a g e s 7 1 ： c a ox i a o g u a n g ，L i bX i
3、 a n g h a n g ( b 础胖P 删跚孵( 油缸r ，S c b o z 口，A 盯m 懈H f i 甜，m i H d 略L h 触瑚啦，上磷，；“ g i 0 0 0 8 3 ，( 硫f 黼) A b s t r 戤t ：T h er e s e a r c ho ft h i 3a r 石c l ei so nt h er e c o g 工l i t i o no fc a s t si nu r i n a r ys e d i m e n ti m a g e s A nA d a k ) o s 卜b a s e d r e 0 0 9 n i t l o na l
4、g o t h mo fc a 8 t si nu r i n a r ys e d i m e 眦1 m a g e si sp r e s e n t e d A d a b o o s ta l g o r i t h mI sg e n e r a l l yu s e di nf a c e d e t e c t i o I LI t1 1 s e sag r o u po fw e a kc l a s s i f i e r st oc o n s t 八l c tt h e 矗r l a lc l a s s i f i e rw h i c hh a sag ( ) 0 d
5、c l a s s i f yr a t e W h i l e A d a b 0 。s ta k 。r i t h mh a sb e e n w i d e l ya p p l i e di nf a c e4 e t e c t i o np r o b l e m sb u th a sr a r e l yb e e nu s e di nc e l Ir 喇n i t i o n ， t h i s 掣t i c l ec h s e se f f e c 酊v ef e a 沁r e so fc a 9 t sa n du B e sA d a b 0 0 8 t 矗l g
6、o r i t l l mi nc e nd e t e c t i o m 。T e s t i n gr e s u l ts h o w sa 9 0 0 dp e b 删r l c eo fc a s tr e c o g n j t i o ni nu r i n a f ys 幽眦ti m a g e 刮z K 帮竹0 r d s A d a b 。D 酏 ，c e Ur e 印g m t i Q n 、阱笠站 引：言 n 、尿沉渣检查 1 ( e x a m i n a t i o no fu r m a r ys e d i n 埘1 t s j 的目的是检查尿中的有形成分，通
7、过尿沉渣检查可以， 了解肾脏及尿路疾患的类型和程度，因此尿沉渣检查 是尿液检验的重要部分。将计算机图像处理与识别技 术应用于尿沉渣检查中，可以提高检查的效率和精度 是近年来研究的热点。本文的尿沉渣图像识别系统主 要由三部分组成：图像的预处理和分割部分i 特征计算 部分以及决策部分。图像经过预处理去掉噪声后进 行分割将可能是待检测细胞的区域分割出来；然后对 这些部分进行特征计算；最后将这些计算得到的特征 交给分类器进行分类。管型细胞( 图1 ) 的识别是尿沉 渣图像自动识别的一十难点，管型细胞在图中尺寸较 大形状各异，由于管型细胞的多样性和其他类似的成 分( 图2 ) 的干扰。使得难以提取有效特
8、征对其进行识 别。从图上可以看出管型细胞之间在外形上存在较大 的差别，而其他成分叉在某些特征上与之类似。 图1 管型细胞的2 个例子 ， 盐，一j A d a b 0 0 s “A d a p t i v eB c n B t ) 算法是F r e u n d 和 S c I I a p i 一4 在1 9 9 7 年提出，它的基本思想是通过组合 一组分类效果只略优于随机猜测的只使用一维特征的 仪器仪表学报第2 8 卷 图2 其他干扰成分示例 弱分类器，最终得到一个正确率较高的强分类器。 P a u lv i o l a 和M i c h a e lJ o n e s ”将其与H a r r
9、4 1 特征相结 合，应用到人脸的检测中，取得了巨大的成功。由于 A d a b 0 0 s t 的过程中每一次迭代过程选择一个弱分类 器，所以也可以用于特征选择，朱健翔等”将其与G a b o r 特征结合应用于人脸的表情识别中，用A d a b 0 0 s t 算法进行特征选择，取得了较好的效果。 A d a b o o s t 算法在人脸图像识别中取得了很大的 成功，但在细胞图像识别中的应用目前还比较少见。 因为人脸图像与细胞图像有很大的差异，主要表现 在人脸具有明显特征例如眼、鼻等器官的位置比例 较为固定。容易提取出有效的特征。而细胞图像不 具备这样的特点，无法采用H a r r 特征
10、或G a b o r 特征 这类与位置相关的特征来描述。本文通过对比待识 别的管型细胞与尿沉渣图像其他有形成分的特点， 总结计算出具有位置、灰度不变性的8 个特征。然 而，由于细胞图像的多样性，这8 个特征中任意一个 单独的特征并不能有效区分出管型细胞，所以需要 与A d a b o o s t 算法结合构造出识别率较高的分类器。 这一想法用于尿沉渣罔像中管型细胞的识别，取得 了较好的效果。 2 特征计算与分析 通过观察图像和参考医学专家的知识 “，管型细 胞的特征基本上可以总结为：面积较大，形状为管状或 不规则多边形，其内部可能有核也可能透明。针对这 些特点，本文使用了形状和纹理参数作为特征
11、对管型 细胞进行识别。形状特征包括通过边界跟踪得到的 F r e e m a n 链码计算得到的面积、圆形度” 、边界上最长 和次长直线段的长度和不变矩口。纹理特征则主要 通过灰度一梯度共生矩阵计算得出。 面积与周长是描述区域大小的最基本特征。图像 中的区域面积s 可以用同一标记的区域中像素的个数 来表示。区域周长用区域中相邻边缘点间距离之和来 表示。圆形度用来描述景物形状接近圆形的程度， 计算公式为： R 一4 “S L z ( 1 ) 式中：s 、L 分别表示面积和周长。管型的圆形度值一 般较小，可用来区分管型和其他较圆的有形成分。 不变矩特征就是图像中具有平移、旋转和比例不 变性的数学特
12、征，矩特征是利用力学中矩的概念将区 域内部的像素作为质点，像素的坐标作为力臂，从而以 阶矩的形式来表示区域的形状特征。 管型的管状外形特点使得其边界上最长直线段的 长度较长，而其边界的次长直线段长度与最长直线段 长度近似。在细胞图像中，因为细胞的特点和误差的 因素，不可能出现严格意义上的直线段，只能计算满足 一定标准的近似的直线段，所以通常用来检测直线的 H o u g h 变换 9 3 方法对其不适用。孙涵等提出了一种基 于F r e e m a n 准则的直线检测方法口，浚算法在边界跟 踪得到的边界图像中搜索直线，其基本思路是对于边 界上的任意两点P 。和P 2 定义直线近似度： s 一蹦
13、 据月L 觑，趣J ( 2 ) 其中：0p t 一觑I f 表示两点间连线的长度；z “( A ，m ) 表示在边界上从p 。到p 。经过的实际像素数，可以通 过边界链码计算得到。易知S 1 恒成立。而S 越大则 表示P 。到B 的边界段越近似直线，故可选取适当的 阈值s T ，若s S T 则P 到尸2 的边界段可判断为直 线。本文的应用中使用了这种算法，并根据本文应用 的特点通过实验选区了适当的阈值，然后在检测的所 有直线的选取其中长度最长和次长并使用其长度m ( p 。，声。) 作为特征。 灰度一梯度共生矩阵“是灰度共生矩阵的延伸，它 是灰度直方图和边缘梯度直方罔的结合。将图像的梯 度信
14、息加入进灰度共生矩阵，则使得共生矩阵能包含 图像纹理基元及其排列的信息。灰度一梯度共生矩阵 是计算图像纹理特征的重要方法，图像的灰度一梯度共 生矩阵H 的( i ，j ) 元素值等于灰度值i 和梯度值j 在同 图像中同一点出现的概率。一旦共生矩阵H 被计算 出来，就可以计算纹理特征，例如： ，o t 能量E = 序( z ，y ) ( 3 ) 混合熵H = 一膏( z 。，) 1 0 9 疗( z ，_ ) ( 4 ) 逆差矩k 薹霎端 ( 5 ) 一O ， 在实验中发现这些特征中许多都与图像的灰度相 关，经过试验最后选取分类效果较好而与灰度无关的 能量作为特征。 ! 蔓塑埋型堕堕垄竺：兰三垒
15、生皇竺塑垦望垩篁竺塑1 些竺望型! ! 经过实验发现，这些特征能够区分管型细胞和部 分其他成分但是由于细胞图像的复杂性，使用单独的 特征进行分类的分类效果不好。所以需要在后续的处 理中使用A d n 6 s 算法组合这些弱分类器，来构成最 终识别效果较好的分类器。 3A d a b 0 0 s t 算法的基本过程 3 已知n 个样本( x ，y ) ，( x n ，y n ) ，其中：d 维向量 x 1 ，对应从图像中计算出的d 个简单的特征表示为 ( ) ，l j d y l 一( 1 ，0 对应样本的真和假，在训练样 本中共有1 个真样本，m 个假样本；初始化权值w l 。= 寺，对于韩。
16、l w 1 。一赤对于y j 2 0 ； 训练过程对t 一1 ，T 循环，其中T 是最大迭代 次数： ( 1 ) 归一化权值：m ，= 挚L 。 厶砒， ( 2 ) 对于每一个特征( ) ，训练只使用一个特征 ( ) 的分类器h ( ) ，它的加权误差定义为： 旬一w 。+ lt ( 五) 一M ( 6 ) ( 3 ) 选取最小加权误差h 的分类器h ( ) 。 ( 4 ) 更新权值w m 一u 鹾一，其中：e 一o ，当焉 被正确分类时，e 一1 ，当墨被错误分类时 雠一i 兰= 。 ( 5 ) 最后得到分类器： ) ；J 1 蚤讥( z ) 专净( 7 ) 1 0o t h e l l 耐s 。 其中：m l o g 寺。 其使用一个特征 i ( ) 的分类器h ( ) 可以被看 作简单的线性分类器，可I 三( 写成如下形式： = f ：只墨二；。 其中：玛
