寄生蟲病原體自動識別研究

摘要：寄生蟲病是影響人類健康的重要疾病。診斷該病的最常用和最可靠的方法是檢測疑似患者是否攜帶有寄生蟲病原體，然而寄生蟲病原體的形態多樣性和復雜性及檢測人員的主觀因素等嚴重影響了寄生蟲病的正確檢測。為了改變人工檢測方法的低效率，便于醫務工作者開展大規模的寄生蟲病普查與防治工作，該文利用醫學顯微圖像自動識別技術對人體寄生蟲病原體彩色蟲卵顯微圖像的自動識別進行了研究，并且通過對采集到的10種人體寄生蟲卵圖像進行識別，取得了較好的識別效果。

關鍵詞：寄生蟲卵；圖像識別；紋理特征；分類器

中圖分類號：TP391文獻標識碼：A文章編號：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

計算機在醫學中的廣泛應用以及數字圖像處理技術與顯微技術的緊密結合，產生了現代圖像處理的重要分支——醫學顯微圖像處理。該技術已成功應用于血球分類、細胞識別等醫學領域。醫學顯微圖像處理技術有利于提高醫學診斷的準確性；特別是模式識別技術與該技術的結合，形成的醫學顯微圖像自動識別技術，更是減輕了醫務工作者繁重的勞動，為醫務工作者提供了可靠的診斷依據，大大提高了他們的工作效率。

本文借助于該技術對醫學上常見的10種人體寄生蟲病原體（蟲卵）的顯微圖像的自動識別進行了研究。

2 圖像預處理

通常在圖像的信號采集、輸入等過程中，設備會引入一定量的噪聲。噪聲的存在一定程度上會影響到目標物的準確分割，因此，有必要先對采集到的原始蟲卵圖像進行濾噪。另外，拍攝到的蟲卵圖像中除了蟲卵和背景，也摻雜著數量不等的雜質和水泡等干擾物。為了提取到到目標區域進行后續的特征提取和分類，本文選用了Otsu分割算法對蟲卵圖像進行分割，并對分割出來的蟲卵區進行了切割和旋轉操作。

2.1 圖像濾噪

圖像濾噪的方法有很多種，為了消減噪聲的同時不至于使得蟲卵的邊界過分迷糊，這里選用了中值濾波器對蟲卵圖像進行濾波去噪。中值濾波就是采用一個含有奇數個點的滑動窗口，用窗口中各點灰度值的中值來替代窗口中心點象素的灰度值。二維中值濾波可以用下式表示：

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

二維中值濾波的窗口形狀和尺寸對濾波效果影響較大，一般來說，小于中值濾波器窗口面積一半的亮或暗的物體（如小的孤立噪聲點）基本上會被濾掉，而較大的物體（如蟲卵）則幾乎會原封不動地保留下來。由于本文選取蟲卵圖像的B信號作為閾值分割的依據，這里我們只對蟲卵圖像的B信號進行中值濾波。圖1是一幅鉤蟲卵圖像的中值濾波效果。從中可以看出，圖像中的一些噪聲點已經被過濾掉。

■

圖1 鉤蟲卵圖像中值濾波效果

2.2 圖像分割

圖像分割是圖像理解與分析的基礎。由于拍攝到的蟲卵圖片中的蟲卵和背景之間的對比度較強，且經過濾波之后彩色蟲卵圖像的藍色信號（即RGB中的B信號）的一維直方圖呈現出較明顯的雙峰分布（如圖2(a)），本文采用了動態閾值分割方法中的Otsu法對蟲卵圖像進行圖像分割，取得了較好的效果，如圖2(b)所示。

■

圖2 鉤蟲卵圖像的分割效果

2.3 區域填充

由于蟲卵區域內部某些象素點的B信號的值偏高，跟蟲卵圖像的背景顏色比較接近（譬如鞭蟲的兩端，鉤蟲和蟯蟲的卵殼與細胞之間的空隙等），以致于采用閾值法對蟲卵圖像分割后，蟲卵區域內有存在許多孔洞（如圖2(b)所示）。為了準確地提取出蟲卵區域，可以采用二值形態學的區域填充算法來消除這些孔洞。

我們先標注出整個蟲卵圖像的所有八連通區域，然后對每個區域進行區域填充，消除區域內部的孔洞。

單個區域的填充算法是一個迭代算法，其步驟如下（A為待填充區域，B為結構元素）：

1）取一個區域內的一個初始點P，令X0=P；

2）Xk=(Xk-1?茌B)∩Ac k=1，2，3...；

3）若Xk=Xk-1，則Xk∪A為所求，結束；否則轉到2）。

對圖2(b)所示蟲卵二值圖像采用區域填充算法計算得到的圖像如圖3所示。

■

圖3 二值鉤蟲卵圖像填充效果

2.4 圖像的切割和旋轉

經過閾值分割和二值形態學處理后，我們得到一個較滿意的二值蟲卵圖像。

接下來我們采用圖像切割算法對標注后的二值蟲卵圖像實施定位和切割，分離出我們感興趣的蟲卵區域。由于后文中嘗試用灰度共生矩陣來提取蟲卵的紋理特征，而用灰度共生矩陣提取到的特征對蟲卵的方向性比較敏感。為了保持所提取的蟲卵特征的同一性，需要將各個蟲卵區域旋轉到相同的方向。

圖4是鉤蟲卵圖像分割后經切割，旋轉得到的蟲卵區域。

■

圖4 鉤蟲卵圖像預處理結果

3 特征提取與優化

圖像特征指圖像的原始特性或屬性，是圖像識別的依據。本文在相關領域專家的建議及大量實驗的基礎上，提取了蟲卵在紋理、形態、顏色等三方面的30個特征。考慮到一些特征存在相關性，本文利用統計軟件SPSS，以逐步判別分析方法結合T檢驗、方差分析、SNK-q檢驗對上述特征進行優化篩選，最終保留了蟲卵圖像的圓形度、長度、寬度、R均值、B均值、熵等6個顯著特征作為蟲卵圖像識別的依據。

4 分類器設計

提取出蟲卵圖像的特征之后，就可以設計相應的分類器對蟲卵圖像進行識別了。在本文中，用于學習的蟲卵圖像樣本的類別是已知的，因此這里采用了監督分類方法中的Bayes判別分類法來設計分類器。

Bayes分類器建立在Bayes判別準則的基礎之上，Bayes判別準則以分類函數形式表示如下：

■

其中m為類別數目，每個線性方程對應一個類別，方程中的系數和常數項Cij(1≤i≤m，0≤j≤n)為需要估計的參數。X=[x1，x2…xn]T為選用的特征向量。利用分類函數來進行判別的過程為：將待識別樣本的特征向量分別代入上述判別方程，計算Yi(1≤i≤m)，然后比較這m個Y值，若第j個Y值（即Yj）最大，則意味著樣本屬于第j類的后驗概率最大，故判該樣本為第j類。

借助SPSS統計軟件建立起這10種蟲卵的Bayes判別方程系數如表1所示。

表1 10種蟲卵的Bayes判別方程系數

■

從表1得到Bayes分類器的判別方程如下：

■

5 結束語

我們把采集到的鞭蟲等10種人體寄生蟲病原體圖像樣本分為訓練樣本和檢驗樣本。根據前文提到的預處理算法，我們對所有訓練樣本和檢驗樣本進行預處理，分割選取出蟲卵區域進行特征提取，結果如表2、3 所示。

表2 訓練樣本預處理結果表

■

表3 檢驗樣本預處理結果表

■

最后我們采用前文設計好的Bayes分類器對檢驗樣本中分割出的蟲卵區域進行識別分類，結果如表4所示。

表4 蟲卵類別的識別結果

■

從表4可以看出，采用優化后的6種特征對蟲卵區域進行分類，Bayes判別分類器對絕大多數蟲卵圖像的識別結果都很好，甚至對某些類的蟲卵圖像（如鞭蟲、鉤蟲等）的正確識別率達到了100%。

寄生蟲病原體自動識別技術的研究有助于寄生蟲病的大面積普查普治。同時，本文提出的圖像預處理、特征提取、圖像識別等方法亦可推廣應用到其它領域。

參考文獻：

[1] 邊肈祺，張學工. 模式識別[M]. 2版. 北京：清華大學出版社，2000:30-50，89.

[2] 吳冰，秦志遠. 自動確定圖像二值化最佳閾值的新方法[J]. 繪測學院學報，2001，18(04):283-286.

[3] 付忠良. 一些新的圖像閾值選取方法[J]. 計算機應用，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] 孔祥維. 顯微鏡下蠕蟲卵微機檢測與識別系統研究[J]. 中國寄生蟲學與寄生蟲病雜志，1995，13(2):150-151.