尿沉渣显微图像有形成分的识别与分析

打开文本图片集

摘要：尿沉渣检查是对尿液进行有形成分识别的重要检查手段，可以及时有效地检查出肾脏疾病和泌尿道疾病，尿沉渣图像检查的临床诊断准确度以及检测速率的快慢，成了现阶段在医学研究上的重要讨论话题，尿沉渣显微图像中有形成分繁多，所以在进行有形成分的识别时需要进行相应的图像处理，才能够分析出显微图像中各成分的占比，并做出准确的临床诊断。该文首先分析了尿沉渣显微图像的特点，并展开了关于尿沉渣显微图像有形成分聚类分析识别以及BP神经网络应用的探讨。

关键词：尿沉渣显微图像;有形成分识别;聚类分析;BP神经网络

中图分类号：TP18 文献标识码：A

文章编号：1009-3044（2019）32-0202-02

尿沉渣显微图像在进行有形成分识别时，需要进行显微图像的预处理、图像分割、目标定位及检测、特征提取与选择以及有形成分识别等步骤。图像识别在概念上被分为三个层次，分别是图像处理、图像分析以及图像理解。在尿沉渣显微图像有形成分识别中，图像的预处理可以分为图像的滤波处理、灰度化处理、对比度增强处理等;图像的分析主要指进行有形成分提取的过程;图像的理解自然就是关于识别方法的应用，对图像中有形成分进行识别以及特征的分类。

1尿沉渣图像的特点

1.1边缘成像不稳定

在获取尿沉渣图像时，往往会发现在尿沉渣显微图像的整体边缘出会出现一些黑边，或者小面积的像素黑点。边缘成像的不稳定也会给图像识别的工作带来很大的影响。

1.2目标与背景的对比度偏低

尿沉渣图像成像时通常会采用点光源，而光源一般都会处在载物台的中心位置，所以这也会使尿沉渣显微图像中心部位的亮度比图像边缘亮度高，而往往在选择目标区域时，为了避免图像边缘成像不稳定和模糊的现象，会选着中心部位的目标进行分析。所以目标区域的成分内部和外部非常相近，所以在对比度上应该进行提高，这样才能方便后续的观察。

1.3边缘模糊

图像中有些有形成分的边缘在成像时会出现模糊的现象，使其和背景相互融合，比如透明管型的上皮细胞，如果出现边缘模糊的现象，那么就会在图像分割和图像提取上带来很大的困难。

1.4有形成分存在重叠或粘连的现象

尿沉渣图像中的有形成分种类繁多，细胞分布较为密集。所以细胞之间会出现重叠或者粘连的现象，在进行图像处理时，应该对重叠或粘连部分进行切割。

2尿沉渣图像的预处理以及分割方法

尿沉渣显微图像有形成分识别的第一步就是进行图像的预处理，首先需要先将彩色的图像进行灰度化的处理，这样在进行尿沉渣图像中有形成分提取时，才能够更好地利用光密度特征、形态学特征以及纹理特征完成相应的操作。然后还需要对尿沉渣图像进行降噪处理。在进行图像采集时由于转换器和某些电子元件在进行摄像和收集工作时会产生一定的噪音，所以为了确保图像能够在后续的分割中能够正常使用，需要对图像进行降噪处理，常用的集中滤波方式有低通滤波、中值滤波、高斯滤波以及阈值滤波。有形成分识别的第二步就是图像的分割，图像分割的方案有很多种，而比较常用的有边缘检测法、阈值分割法、区域生长分割法等。本文以边缘检测法为例做简单的介绍，边缘检测法是对每个像素在其临近区域内灰度变化进行检测的方法，从一阶方向导数或二阶方向导数的变化规律来实现检测。在一阶或二阶边缘检测局部算子法中通常会采用Sobel算子、Roberts算子、Kirsch算子、Prewitt算子、LOG算子、Marr算子等。

3尿沉渣图像的特征提取

尿沉渣显微图像的第三个步骤为特征的提取和选择，在进行特征提取时，通常情况下会从形态特征和纹理特征两个方向进行操作。比如采用形态特征进行提取时，可以从面积、扁度、周长、圆形度、体态比等参数上进行计算。而纹理特征则能够反映出尿沉渣显微图像中有形成分表面结构在排列上的特性，像这种纹理特征肉眼是无法观察到的，需要利用计算机进行相应的数据计算。从尿沉渣图像当中三个变化矩阵中提取出梯度熵、灰度熵以及角度二阶距等纹理特征，然后通过引入相应的矩阵概念求出纹理参数。将形态特征和纹理特征相互结合，实现关于尿沉渣显微图像有形成分的识别和分析。

4尿沉渣显微图像有形成分聚类分析识别

在临床实验中尿沉渣显微图像有形成分识别的方法有很多种，比如：支持向量机、神经网络、模糊推理等，这些方式都是针对尿沉渣显微图像中每个成分进行线性的识别。本文所探讨的聚类分析识别是通过以有形成分的特征参数为依据，使每一类中能够代表一个确定的有形成分，在通过对每一类进行目标的抽取与辨识，最终确定该类成分。在辨识抽取样本时则采用BP神经网络来完成。

4.1模糊聚類分析概述

模糊聚类分析是一种采用模糊数学语言并对分析事物按照一定要求进行描述以及分类的数学方法。在进行模糊聚类分析时需要根据所研究事物的自身属性来创建模糊矩阵，并在模糊矩阵的基础之上来确定聚类的关系，通过模糊数学的方式来确定每个样本之间所存在的模糊关系定量，进行客观的、准确的聚类。聚类是指将样本分成多个类，每个类别之间的数据应该有较大的差别，而每个类别内的数据差距应该较小。

4.2聚类分析的要点和步骤

在尿沉渣显微图像中进行聚类分析时应该注意以下三个要点：1）样本之间的相似性;2）聚类准则函数的选择;3）聚类算法的选择。在进行尿沉渣模糊聚类分析中为了确保样本数据的标准化，需要采用两种变换：平移标准差变换和平移级差变换。而在聚类算法中，通常采用的算法有：数字积法、相关系数法、最大最小法、算术平均最小法、几何平均最小法、绝对值指数法等。但是在尿沉渣样本聚类结果中往往会出现串类的现象，为了能够有效地减少这样的误差，需要在聚类和神经网络识别的环节之间加入一个环节—类间阈值分割法，通过采用类间阈值分割法就可以确保最后的类别划分。具体操作步骤如图1所示。

在数据表示上主要是指样本的特征提取和选择，而阈值的选取则决定最后类别划分的准确性，所以在针对阈值入的选取上，也有着不同分类的正确和错误之分。本文根据上述步骤设计了尿沉渣显微图像有形成分模糊聚类的具体流程：1）对已经过预处理和图像分割的尿沉渣图像进行目标形态特征和纹理特征的提取，并根据相关的参数组成参数矩阵u，然后运用标准归一化将所有的形态和纹理参数进行处理。2）采用相关系数法对已归一化的矩阵建立出相似的矩阵R，在使用传递闭包法建立传递闭包矩阵B。3）统计矩阵B当中出现的不同值，收集不同值并设为待定阈值入，通过对每次阈值入的取值，可以获得入的截矩阵P。4）将矩阵P当中所有相同的向量归为一类。5）对所有分类采用F检验法进行入值的计算，并得出F统计量，F检验法时值，所给定的入值分类结果，对应最大F值的入值，就是阈值。

5BP神经网络用于有形成分的识别

采用人工神经网络进行有形成分的识别和分析时，主要运用识别方法为BP神经网络，BP神经网络是由非线性的变化单元所组成。BP网络的广泛应用是因为BP算法，其由两部分组成，分别是：信息的正向传输和误差的反向传输。在进行数据的正向传输时，数据从输入层进入，并经过隐层的计算，从输出层导出，每一层数据的状态只会对下一层造成影响。如果在输出层输出时并没有得到预期的输出效果，那么输出层就会对数据所存在的误差进行计算，并按照反方向进行传输，并修改每层中神经元的权值大小，直到输出效果达到预期效果为止。输出结构如图2所示。

从上图中可以看出，分类器在结构层次上分为输入层、隐层、输出层三个部分。输入层所输人的向量是样本个体经过归一化处理后所体现的特征参数，而所输出的向量类型则有很多种。

6结论

综上所述，在尿沉渣显微图像有形成分识别和分析中，通过对图像有形成分形态特征和文理特征的提取，并采用模糊聚类的分析方式将目标特性相似的个体分到同一种类之中，在对每个种类中的个体进行成分的检查，从而提高成分识别的准确率。同时本文在进行模糊聚类识别的探讨时，为了提高其识别效率，在其中运用了阈值分割的方式，为最后的成分类别识别做好确定工作。也针对已经确定性质的目标采取了BP神经网络识别的手段，通过BP算法的计算实现正向传输以及反向传输，确保了有形成分识别的准确性。

推荐访问:显微 成分 识别 图像 分析