基于多尺度计算的尿沉渣图像识别方法分析-analysis of urinary sediment image recognition method based on multiscale calculation.docx

基于多尺度计算的尿沉渣图像识别方法研究摘要在当今医院临床检验中，尿液分析是常规检验的项目之一。其中尿沉渣图像分析利用人体尿液进行检查，将尿沉渣中白细胞、红细胞等成分的识别和计数结果提供给医生，用来判断患者是否有泌尿道、肾脏等方面的疾病。因此尿沉渣检验是具有非常重大临床意义项目。由于尿沉渣图像中的成份种类多、目标复杂多变，传统的人工肉眼检验工作量繁重、人工误差率较大难以满足临床诊断的要求。随着计算机技术和数字图像处理的飞速发展，计算机辅助尿沉渣图像的自动分类识别应运而生，而如何提高尿沉渣细胞识别的识别率和识别速度成为研究的热点。通过对传统图像识别算法的研究和总结，发现传统的算法存在一些计算量和计算复杂度方面的缺陷和问题。通过大量的实验，本文提出了一种新的尿沉渣细胞快速定位算法和细胞分类算法。本文主要从以下几个方面进行了研究和分析：（1）多尺度下传统图像定位算法中计算量非常大，本文中提出的基于多尺度计算的快速定位算法可以有效解决计算复杂，计算量大的难题。结合Viola积分图像方法与多尺度图像矩对图像进行快速扫描计算，实现自动滤波、尺度无关性、计算速度快等优点。论文论述了这种算法的原理、特征的选择以及应用。（2）本文将提出的多尺度快速定位算法主要应用尿沉渣图像细胞定位中。利用Matlab软件在尿沉渣细胞图像上实验，通过对图像进行快速扫描得到特征图像，并通过对目标区域上细胞质心的快速计算和统计合并，得到唯一的质心。（3）本文基于基因调控网络和统计方法提出了支撑特征网络（SupportFeatureNetwork:SFN）识别方法。通过寻找不同尿沉渣成分的支撑特征关系网来实现类别描述，从而构建相应的分类器实现分类识别。通过在尿沉渣图像上实验得出这种方法可以成功的实现对白细胞、红细胞以及结晶的分类识别。关键词：尿沉渣图像；图像定位；多尺度；细胞识别；支撑特征网络ResearchontheMethodofUrinarySedimentImageRecognitionBasedonMultiscaleComputationAbstractTheurineanalysisisoneoftheconventionexaminationprojectintodayshospitalclinicalexaminations.Theurinarysedimentimageanalysisprovidestheidentificationandcountingresultsaboutredcells,whitecellsandothercomponentsinurinarysedimenttothedoctors.Ithelpsthedoctorstodeterminewhetherpatientshaveurinarydisease,kidneydiseaseandotherdiseases.Otherwisetheurinarysedimentinspectionhasgreatclinicalsignificancefordiseasediagnos.Theingredientsinurinarysedimentimageisvariousandcomplex.Sotraditionalhumaneyetestishardtomeettherequirementsofclinicaldiagnosisbecausetheheavyworkloadandartificialerrorrate.Withtherapiddevelopmentofcomputertechnologyanddigitalimageprocessing,thecomputer-assistedautomaticclassificationandrecognitionofurinarysedimentimagescomesintobeing.Howtoimprovetherecognitionaccuracyrateandrecognitionspeedisbecomingaresearchhotspot.Throughtheresearch,summaryandalotofexperimentsonthetraditionalimagerecognitionalgorithm,wefindthatthetraditionalalgorithmshavesomedisadvantagesatcalculationandcomputationalcomplexity.Thisarticleputsforwardanewrapidurinesedimentcellslocationandclassificationalgorithm.Thearticlehasmainlycarri