一种基于慢特征的细胞分裂识别方法及其识别装置的制造方法
【技术领域】
[0001] 本发明涉及图像特征和模式识别领域，尤其涉及一种基于慢特征的细胞分裂识别 方法及其识别装置，特别涉及到将慢特征应用到细胞领域。
【背景技术】
[0002] 细胞生物学是研究细胞结构、功能、以及生命体的重要学科。细胞通过生长、分裂、 衰老、死亡等过程，促进生物的发展。其中，细胞分裂促进生物的生长发育，以及新陈代谢， 对细胞生长过程中具有重大意义。那么，如何快速准确的识别细胞分裂的过程，对研究细胞 的变化、事物的发展具有不可估量的价值。
[0003] 在对细胞数据的研究过程中，由于原始图像数据量大，通常不作为特征直接参与 分类识别，而是通过显微观测，形态分析以及技术统计等，抽取出图像的信息，然后再对处 理后的细胞数据进行识别。这一过程叫做特征提取。通过提取后的特征，采用现在数字图 像处理技术实现对细胞的自动识别和分析处理。
[0004] 细胞图像特征提取[2]常用的几种方法如下：1)基于细胞的形状或结构特征提取， 细胞形状对细胞起到保护和支撑作用，该方法利用形态学原理对细胞进行分割和跟踪，然 后将所提取的形状特征参数结合起来，描述细胞特征；2)基于细胞的颜色特征提取，通过 对细胞颜色特征的提取，可以更好地将不同种类的细胞分离，克服了染色不均、背景复杂等 特殊细胞图片捕捉处理的难题；3)基于细胞的纹理特征提取，纹理特征是图像处理和模式 识别中主要特征，它是指图像灰度等级的变化，反映了物体图像本身的一种属性，有助于对 图像信息进行进一步的处理。
[0005] 发明人在实现本发明的过程中，发现现有技术中至少存在以下缺点和不足：
[0006] 1)现有基于形状或结构特征提取方法要求对细胞区域的准确分割，但是显微镜图 像往往包含较强的噪声，很难准确的分割细胞，因此基于形状特征的方法通常性能较差，泛 化能力较低；
[0007] 2)基于细胞的颜色特征提取，由于细胞比较微小，观测困难，而且受背景，染色等 方面的影响比较严重，所以观测跟踪相对困难，存在误判率高、工作效率低等问题；
[0008] 3)基于相位模型的识别方法往往需要大范围的时序信息进行复杂模型的构建，同 时，使得模型的学习具有很高的计算复杂度，降低了细胞分裂识别速率。
【发明内容】
[0009] 本发明提供了一种基于慢特征的细胞分裂识别方法及其识别装置，本发明降低了 细胞特征提取的难度，提高了细胞特征提取的准确性，为后续分裂细胞的识别分类提供了 良好的条件，本发明的详细方案如下：
[0010] -种基于慢特征的细胞分裂识别方法，所述细胞分裂识别方法包括以下步骤：
[0011] 采用无监督慢特征分析的方式，提取细胞数据获取慢特征函数；
[0012] 求取细胞慢特征的累计平方偏移特征，获取慢特征变化速率从小到大的排列；
[0013] 利用模型学习的方法对最终的累计平方偏移特征进行检测，获得细胞数据随时间 变化的过程是否包含有丝分裂的概率；
[0014] 如果输出类别标记为1，则该测试数据包含有丝分裂，如果输出类别标记为0,则 该测试数据不包含有丝分裂。
[0015] 其中，所述细胞分裂识别方法还包括：
[0016] 对细胞图像进行灰度图归一化的预处理；
[0017] 对细胞图像进行数据集划分；随机取正例和负例中一半的数据作为训练集和测试 集。
[0018] 其中，对于每个j e {1，···】}，所述慢特征函数必须满足如下条件，即：
[0020] 其中，为变化最缓慢的慢特征；
取到最小值时对应的j的值；％表 示第j个慢特征y的一阶导数再求平方：
：在时间上t的平均值。
[0021] 其中，所述模型学习具体为：
[0022] 支持向量机的模型学习、混合高斯模型学习，贝叶斯模型学习。
[0023] 另一实施例，一种基于慢特征的细胞分裂识别装置，所述细胞分裂识别装置包 括：
[0024] 第一获取模块，用于采用无监督慢特征分析的方式，提取细胞数据获取慢特征函 数；
[0025] 第二获取模块，用于求取细胞慢特征的累计平方偏移特征，获取慢特征变化速率 从小到大的排列；
[0026] 第三获取模块，用于利用模型学习的方法对最终的累计平方偏移特征进行检测， 获得细胞数据随时间变化的过程是否包含有丝分裂的概率；
[0027] 输出模块，用于如果输出类别标记为1，则该测试数据包含有丝分裂，如果输出类 别标记为0,则该测试数据不包含有丝分裂。
[0028] 所述细胞分裂识别装置还包括：
[0029] 预处理模块，用于对细胞图像进行灰度图归一化的预处理；
[0030] 划分模块，用于对细胞图像进行数据集划分；随机取正例和负例中一半的数据作 为训练集和测试集。
[0031] 本发明提供的技术方案的有益效果是：
[0032] 1、本发明利用图像灰度等级的变化反映物体图像本身的属性，能够更加准确的描 述细胞图像；
[0033] 2、本发明降低了细胞特征提取的难度，提高了细胞特征提取的准确性，为后续分 裂细胞的识别分类提供了良好的条件，便于细胞的识别跟踪处理；
[0034] 3、采用支持向量机的模型学习方法，降低了模型的学习的计算复杂度，同时使用 正负样本来训练模型参数，提高了判别细胞有丝分裂的能力。
【附图说明】
[0035] 图1为本发明提供的基于慢特征的细胞分裂识别方法的流程图；
[0036] 图2为本发明提供的基于慢特征的细胞分裂识别装置的结构示意图；
[0037] 图3为本发明提供的基于慢特征的细胞分裂识别装置的另一结构示意图。
[0038] 附图中，各部件的列表如下：
[0039] 1 :第一获取模块；2 :第二获取模块；
[0040] 3 :第三获取模块；4 :输出模块；
[0041] 5 :预处理模块； 6 :划分模块。
【具体实施方式】
[0042] 为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步 地详细描述。
[0043] 为了能够更加有效的提高识别细胞分裂的能力，本发明实施例提出了一种新的方 法对细胞特征进行提取，慢特征分析方法从快速变化的输入信号中提取慢的或者不变的特 征 [5]，它已经成功应用在了皮层神经的视觉接收领域的模型中。它可以将变化非常缓慢的 信号看作是高频输入信号在高级表示水平上抽象出来的不变量信息，不变量表示事物的固 有属性，它的学习一直都是模式识别的重点。同时，对时序信号而言，不变量的学习就是提 取慢的特征。它不仅能够保证得到全局最优解，而且能够同时得到变化速率从小到大的排 列等一系列特征。慢特征的学习就是为了完成这些任务而提出的。它可以通过高维的输入 信号去提取复杂的特征。
[0044] 实施例1
[0045] 为了使细胞的特征提取更加的准确，既能很好的检测图像边缘，又能够有效降噪， 参见图1，本发明实施例提供了一种基于慢特征的细胞分裂识别方法，该方法包括以下步 骤：
[0046] 101 :对细胞图像进行数据集划分；随机取正例和负例中一半的数据作为训练集 和测试集；
[0047] 其中，在对细胞图像进行数据集划分之前，该方法还包括对细胞图像进行灰度图 归一化的预处理。
[0048] 102 :采用无监督慢特征分析的方式，提取细胞数据获取慢特征函数；
[0049] 103 :求取细胞慢特征的累计平方偏移特征，获取慢特征变化速率从小到大的排 列；
[0050] 104 :利用模型学习的方法对最终的累计平方偏移特征进行检测，获得细胞图像数 据随时间变化的过程是否包含有丝分裂的概率；
[0051] 105 :如果输出类别标记为1，则该测试数据包含有丝分裂，如果输出类别标记为 〇,则该测试数据不包含有丝分裂。
[0052] 综上所述，本发明实施例通过上述步骤101-步骤105降低了细胞特征提取的难 度，提高了