白带显微图像中白细胞的自动识别算法技术是一种与机器学习方法,人工智能思想密切关联的数字图像处理技术。阴道白细胞的存在是阴道或宫颈组织炎症的重要标志,白细胞的识别与计数是评估病情的简单、有效手段,是白带常规检查的重要部分。然而,传统方法中白细胞的识别主要通过人工方法进行,效率低下。迄今为止,粪便、血液等物质中的有形成分均实现了智能化的自动识别,而白带中白细胞的自动识别研究则刚刚起步。白细胞自动识别的实现依托于全自动白带检测仪,借鉴并使用了图像处理、特征提取、智能分类、神经网络等多种算法技术,主要包括两个阶段:白带显微图像预处理,和白细胞正负样本的智能分类。白带显微图像的预处理,完成了对白带显微图像的分割与裁剪,得到了白细胞的正负样本库,是实现白细胞自动识别的基础与首要步骤。之后,本文提出了三种用于白细胞正负样本分类的算法模型:提取样本的形态学特征和纹理特征,组成特征集并输入到分类器中进行分类;设计一个卷积神经网络的算法模型,从不同维度不同层次完成特征抽取,并将分类步骤融合于网络之中;将上述两种算法模型线性组合,得到一个组合算法模型。经过白细胞正负样本的分类之后,将正样本在白带显微图像中框出并计数,至此,完成了白细胞的自动识别。实验结果表明,基于这三种不同算法模型的白细胞识别方法均可用于实际生产中。基于手工设计特征并分类的方法达到了88%的灵敏度,97%的特异性和92.5%的准确率。基于卷积神经网络的方法获得95%的灵敏度,89%的特异性和91%的准确率。最后,基于组合模型的方法中,实现了93%的灵敏度,96%的特异性和95%的准确率。可见,这三种方法在不同评价指标下各有优劣,但差别较小,均可用于白带显微图像中白细胞的自动识别。考虑程序运行的时间,则基于卷积神经网络的算法模型呈现出最优的性能。本文从算法角度出发,研究了白带显微图像中白细胞的自动识别技术,针对具体的识别情景,设计手工特征集和卷积神经网络,并创造性的将两者相结合,实现了多种算法下的白细胞自动识别,达到了生产要求,提高了白带检测仪的智能化程度。