本發明屬于使用計算機視覺方案對醫學顯微圖像進行自動檢測及識別，具體指的是一種提取hog特征，使用svm支持向量機進行白帶中的桿菌分類。
背景技術：
桿菌數量的多少是白帶常規檢查中的一項重要標準。傳統的檢測方法為醫生獲取病人的白帶樣本，制成涂片后在顯微鏡下觀察。涂片中觀察到的桿菌數量的多少可作為細菌性陰道病的診斷標準之一。傳統的人工判斷方式效率低，且桿菌細小，數量難以判斷，大部分情況下僅依靠醫生的經驗。目前，計算機圖像處理技術發展日新月異，同時考慮到未來的發展趨勢為全自動化取代人工，我們提出了一種計算機視覺方案：使用濾波方法分割圖像，提取桿菌的離心率等二值圖像特征和方向梯度直方圖(histogramoforientedgradient，hog)特征、gabor變換(窗口傅里葉變換)特征等灰度圖像特征，最后使用svm支持向量機進行分類。該方案解決了人工檢測效率低、易出錯等問題。
技術實現要素：
本發明為解決目前醫院白帶檢測項目中的技術不足問題提出了解決方案。
步驟1：使用顯微鏡獲取白帶樣本圖像
步驟2：將步驟1中的圖像進行灰度變換，獲得灰度圖像。
步驟3：對步驟2獲取的灰度圖像濾波獲得二值圖像。
步驟4：標定步驟3獲得的二值圖像連通區域，計算每個連通域的離心率，橢圓長短軸之比和面積大小，根據預設的參數粗篩選桿菌區域。
步驟5：提取步驟4中每個被保留的區域對應的灰度圖像，分別計算目標和背景的像素均值和方差，進一步篩選區域，對保留的灰度圖像計算hog特征和gabor特征，組成高維向量。
步驟6：對步驟5中獲取的向量進行pca主成分分析，結果特征向量送入svm支持向量機進行分類，精細篩選。
步驟7：統計桿菌數量，輸出判斷結果。
其中，步驟3的具體步驟為：
步驟3-1：首先對圖像進行中值濾波，獲得濾波圖像。
步驟3-2：使用原圖像與濾波圖像相減，獲得差值圖像。
步驟3-3：對差值圖像使用局部自適應二值化獲得二值圖像。
其中，步驟4的具體步驟為：
步驟4-1：標記二值圖像連通區域。
步驟4-2：計算每個連通區域的面積，通過面積篩選保留面積在50～400之間的區域。
步驟4-3：計算保留連通區域的橢圓長短軸之比，經過篩選，保留比例大于2的區域。
步驟4-4：計算保留連通區域的離心率，經過篩選，保留離心率大于0.7的區域。
其中，步驟5的具體步驟為：
步驟5-1：提取步驟4中每個剩余連通區域對應的灰度圖像。
步驟5-2：計算每個矩形灰度圖像中目標區域的灰度均值，保留均值小于160的區域。
步驟5-3：計算每個矩形灰度圖像中目標區域的灰度方差，保留方差小于10的區域。
步驟5-4：計算每個矩形灰度圖像中背景區域的灰度均值，保留均值大于150的區域。
步驟5-5：計算每個矩形灰度圖像中背景區域的灰度方差，保留方差小于6的區域。
步驟5-6：所有保留區域灰度圖像放縮至64*64。
步驟5-7：提取每個保留區域灰度圖像的hog特征，每16*16個像素組成一個cell，每個cell獲取9個方向特征，每4個cell組成一個基本圖像塊，圖像塊的移動步長為8個像素，共獲得49個搜索窗口，提取到1764維向量。
步驟5-8：提取每個保留區域灰度圖像的gabor特征，使用2個不同尺度和8個不同方向，共16個gabor濾波器，共提取40960維特征。
其中，步驟6的具體步驟為：
步驟6-1：將步驟5-7獲得的hog特征和步驟5-8獲得的gabor特征組合，進行pca主成分分析，獲取高維向量的關鍵信息。
步驟6-2：使用svm支持向量機，徑向基核函數rbf作為核函數(如公式6-1和6-2所示)，懲罰系數c取2，rbf核半徑σ取3。
k(x,y)＝exp(-γ||x-y||2)公式(6-1)
s.t.,c≥αi≥0,i＝1,…,n
步驟6-3：將訓練樣本降維后的特征輸入到svm支持向量機中訓練，樣本標記設置為：桿菌1、雜質0，訓練樣本至輸出誤差小于0.001。
步驟6-4：將6-1獲取的主成分向量輸入至訓練好的svm中分類，輸出大于0.5的為桿菌，輸出小于0.5的為雜質。標記桿菌區域，并統計桿菌個數。
附圖說明
圖1是本發明的算法流程圖。
具體實施方式
下面結合附圖，對本發明的視覺方案進行詳細說明：
步驟1：使用顯微鏡獲取白帶樣本圖像
步驟2：將步驟1中的圖像進行灰度變換，獲得灰度圖像。
步驟3：對步驟2獲取的灰度圖像進行濾波獲得二值圖像。
步驟3-1：首先對圖像進行中值濾波，獲得濾波圖像。
步驟3-2：使用原圖像與濾波圖像相減，獲得差值圖像。
步驟3-3：對差值圖像使用局部自適應二值化獲得二值圖像。
步驟4：標定步驟3獲得的二值圖像連通區域，計算每個連通域的離心率，橢圓長短軸之比和面積大小，根據預設的參數粗篩選桿菌區域，
步驟4-1：標記二值圖像連通區域。
步驟4-2：計算每個連通區域的面積，通過面積篩選保留面積在50～400之間的區域。
步驟4-3：計算保留連通區域的橢圓長短軸之比，經過篩選，保留比例大于2的區域。
步驟4-4：計算保留連通區域的離心率，經過篩選，保留離心率大于0.7的區域。
步驟5：提取步驟4中每個被保留的區域對應的灰度圖像，分別計算目標和背景的像素均值和方差，計算hog特征和gabor特征，組成高維向量。
步驟5-1：提取步驟4中每個剩余連通區域對應的灰度圖像。
步驟5-2：計算每個矩形灰度圖像中目標區域的灰度均值，保留均值小于160的區域。
步驟5-3：計算每個矩形灰度圖像中目標區域的灰度方差，保留方差小于10的區域。
步驟5-4：計算每個矩形灰度圖像中背景區域的灰度均值，保留均值大于150的區域。
步驟5-5：計算每個矩形灰度圖像中背景區域的灰度方差，保留方差小于6的區域。
步驟5-6：所有保留區域灰度圖像放縮至64*64。
步驟5-7：提取每個保留區域灰度圖像的hog特征，每16*16個像素組成一個cell，每個cell獲取9個方向特征，每4個cell組成一個基本塊，塊移動步長為8個像素，獲得49個搜索窗口，共提取1764維向量。
步驟5-8：提取每個保留區域灰度圖像的gabor特征，使用2個不同尺度和8個不同方向，共16個gabor濾波器，共提取40960維特征。
步驟6：對步驟5中獲取的向量進行pca主成分分析，結果特征向量送入svm支持向量機進行分類，精細篩選。
步驟6-1：將步驟5-7獲得的hog特征和步驟5-8獲得的gabor特征組合，進行pca主成分分析，獲取高維向量的關鍵信息。
步驟6-2：使用svm支持向量機，徑向基函數rbf作為核函數，懲罰系數c取2，rbf核半徑sigma取3。
步驟6-3：將訓練樣本降維后的特征輸入到svm支持向量機中訓練，樣本標記設置為：桿菌1、雜質0，訓練樣本至輸出誤差小于0.001。
步驟6-4：將6-1獲取的主成分向量輸入至訓練好的svm中分類，輸出大于0.5的為桿菌，輸出小于0.5的為雜質。標記桿菌區域，并統計桿菌個數。
步驟7：統計桿菌數量，輸出判斷結果。