寄生虫病原体自动识别研究

摘要：寄生虫病是影响人类健康的重要疾病。诊断该病的最常用和最可靠的方法是检测疑似患者是否携带有寄生虫病原体，然而寄生虫病原体的形态多样性和复杂性及检测人员的主观因素等严重影响了寄生虫病的正确检测。为了改变人工检测方法的低效率，便于医务工作者开展大规模的寄生虫病普查与防治工作，该文利用医学显微图像自动识别技术对人体寄生虫病原体彩色虫卵显微图像的自动识别进行了研究，并且通过对采集到的10种人体寄生虫卵图像进行识别，取得了较好的识别效果。

关键词：寄生虫卵；图像识别；纹理特征；分类器

中图分类号：TP391文献标识码：A文章编号：1009-3044(2008)25-1508-04

Research on Automatic Recognition System of Parasite Pathogens

LI Jun-feng, LI Yan

(School of Software Technology,Zhengzhou University, Zhengzhou 450002, China)

Abstract: Parasitosis is one of the most important diseases that affecting the health of human beings. The most credible and common method of diagnosing this disease is to examine whether the suspect patients bear parasite pathogens, whereas the exactness of the examination is greatly influenced by the diversity and complexity of parasite pathogens" shapes as well as the subjectivity of examiners. To improve the inefficient manual examining methods so that the medical staff can carry out large-scale examinations and preventions of parasitosis, this paper conducts a research on using medical microscopic image recognition technology to automatically recognizing the human parasite eggs. Through recognizing 10 kinds of the human parasite eggs, this has achieved good identification results.

Key words: parasite eggs; image recognition; texture feature; classifier

1 引言

计算机在医学中的广泛应用以及数字图像处理技术与显微技术的紧密结合，产生了现代图像处理的重要分支——医学显微图像处理。该技术已成功应用于血球分类、细胞识别等医学领域。医学显微图像处理技术有利于提高医学诊断的准确性；特别是模式识别技术与该技术的结合，形成的医学显微图像自动识别技术，更是减轻了医务工作者繁重的劳动，为医务工作者提供了可靠的诊断依据，大大提高了他们的工作效率。

本文借助于该技术对医学上常见的10种人体寄生虫病原体（虫卵）的显微图像的自动识别进行了研究。

2 图像预处理

通常在图像的信号采集、输入等过程中，设备会引入一定量的噪声。噪声的存在一定程度上会影响到目标物的准确分割，因此，有必要先对采集到的原始虫卵图像进行滤噪。另外，拍摄到的虫卵图像中除了虫卵和背景，也掺杂着数量不等的杂质和水泡等干扰物。为了提取到到目标区域进行后续的特征提取和分类，本文选用了Otsu分割算法对虫卵图像进行分割，并对分割出来的虫卵区进行了切割和旋转操作。

2.1 图像滤噪

图像滤噪的方法有很多种，为了消减噪声的同时不至于使得虫卵的边界过分迷糊，这里选用了中值滤波器对虫卵图像进行滤波去噪。中值滤波就是采用一个含有奇数个点的滑动窗口，用窗口中各点灰度值的中值来替代窗口中心点象素的灰度值。二维中值滤波可以用下式表示：

其中A为窗口，{fij}是以象素(i,j)为中心的落在窗口A中的所有象素灰度值的集合。gij为象素点(i,j)的新的灰度值。

二维中值滤波的窗口形状和尺寸对滤波效果影响较大，一般来说，小于中值滤波器窗口面积一半的亮或暗的物体（如小的孤立噪声点）基本上会被滤掉，而较大的物体（如虫卵）则几乎会原封不动地保留下来。由于本文选取虫卵图像的B信号作为阈值分割的依据，这里我们只对虫卵图像的B信号进行中值滤波。图1是一幅钩虫卵图像的中值滤波效果。从中可以看出，图像中的一些噪声点已经被过滤掉。

■

图1 钩虫卵图像中值滤波效果

2.2 图像分割

图像分割是图像理解与分析的基础。由于拍摄到的虫卵图片中的虫卵和背景之间的对比度较强，且经过滤波之后彩色虫卵图像的蓝色信号（即RGB中的B信号）的一维直方图呈现出较明显的双峰分布（如图2(a)），本文采用了动态阈值分割方法中的Otsu法对虫卵图像进行图像分割，取得了较好的效果，如图2(b)所示。

■

图2 钩虫卵图像的分割效果

2.3 区域填充

由于虫卵区域内部某些象素点的B信号的值偏高，跟虫卵图像的背景颜色比较接近（譬如鞭虫的两端，钩虫和蛲虫的卵壳与细胞之间的空隙等），以致于采用阈值法对虫卵图像分割后，虫卵区域内有存在许多孔洞（如图2(b)所示）。为了准确地提取出虫卵区域，可以采用二值形态学的区域填充算法来消除这些孔洞。

我们先标注出整个虫卵图像的所有八连通区域，然后对每个区域进行区域填充，消除区域内部的孔洞。

单个区域的填充算法是一个迭代算法，其步骤如下（A为待填充区域，B为结构元素）：

1）取一个区域内的一个初始点P，令X0=P；

2）Xk=(Xk-1?茌B)∩Ac k=1,2,3...；

3）若Xk=Xk-1，则Xk∪A为所求，结束；否则转到2）。

对图2(b)所示虫卵二值图像采用区域填充算法计算得到的图像如图3所示。

■

图3 二值钩虫卵图像填充效果

2.4 图像的切割和旋转

经过阈值分割和二值形态学处理后，我们得到一个较满意的二值虫卵图像。

接下来我们采用图像切割算法对标注后的二值虫卵图像实施定位和切割，分离出我们感兴趣的虫卵区域。由于后文中尝试用灰度共生矩阵来提取虫卵的纹理特征，而用灰度共生矩阵提取到的特征对虫卵的方向性比较敏感。为了保持所提取的虫卵特征的同一性，需要将各个虫卵区域旋转到相同的方向。

图4是钩虫卵图像分割后经切割，旋转得到的虫卵区域。

■

图4 钩虫卵图像预处理结果

3 特征提取与优化

图像特征指图像的原始特性或属性，是图像识别的依据。本文在相关领域专家的建议及大量实验的基础上，提取了虫卵在纹理、形态、颜色等三方面的30个特征。考虑到一些特征存在相关性，本文利用统计软件SPSS，以逐步判别分析方法结合T检验、方差分析、SNK-q检验对上述特征进行优化筛选，最终保留了虫卵图像的圆形度、长度、宽度、R均值、B均值、熵等6个显著特征作为虫卵图像识别的依据。

4 分类器设计

提取出虫卵图像的特征之后，就可以设计相应的分类器对虫卵图像进行识别了。在本文中，用于学习的虫卵图像样本的类别是已知的，因此这里采用了监督分类方法中的Bayes判别分类法来设计分类器。

Bayes分类器建立在Bayes判别准则的基础之上，Bayes判别准则以分类函数形式表示如下：

■

其中m为类别数目，每个线性方程对应一个类别，方程中的系数和常数项Cij(1≤i≤m,0≤j≤n)为需要估计的参数。X=[x1,x2…xn]T为选用的特征向量。利用分类函数来进行判别的过程为：将待识别样本的特征向量分别代入上述判别方程，计算Yi(1≤i≤m)，然后比较这m个Y值，若第j个Y值（即Yj）最大，则意味着样本属于第j类的后验概率最大，故判该样本为第j类。

借助SPSS统计软件建立起这10种虫卵的Bayes判别方程系数如表1所示。

表1 10种虫卵的Bayes判别方程系数

■

从表1得到Bayes分类器的判别方程如下：

■

5 结束语

我们把采集到的鞭虫等10种人体寄生虫病原体图像样本分为训练样本和检验样本。根据前文提到的预处理算法，我们对所有训练样本和检验样本进行预处理，分割选取出虫卵区域进行特征提取，结果如表2、3 所示。

表2 训练样本预处理结果表

■

表3 检验样本预处理结果表

■

最后我们采用前文设计好的Bayes分类器对检验样本中分割出的虫卵区域进行识别分类，结果如表4所示。

表4 虫卵类别的识别结果

■

从表4可以看出，采用优化后的6种特征对虫卵区域进行分类，Bayes判别分类器对绝大多数虫卵图像的识别结果都很好，甚至对某些类的虫卵图像（如鞭虫、钩虫等）的正确识别率达到了100%。

寄生虫病原体自动识别技术的研究有助于寄生虫病的大面积普查普治。同时，本文提出的图像预处理、特征提取、图像识别等方法亦可推广应用到其它领域。

参考文献：

[1] 边肈祺,张学工. 模式识别[M]. 2版. 北京：清华大学出版社,2000:30-50,89.

[2] 吴冰,秦志远. 自动确定图像二值化最佳阈值的新方法[J]. 绘测学院学报,2001,18(04):283-286.

[3] 付忠良. 一些新的图像阈值选取方法[J]. 计算机应用,2000,10(04):13-15.

[4] Ostu N A. Threshold selection method from gray-level histograms[J]. IEEE Trans On System Man and Cybernetics,1979,9(1):62-66.

[5] 孔祥维. 显微镜下蠕虫卵微机检测与识别系统研究[J]. 中国寄生虫学与寄生虫病杂志,1995,13(2):150-151.

推荐访问： 病原体 自动识别 寄生虫 研究