摘 要：醫(yī)學(xué)上，人體細(xì)胞直接關(guān)系到人體各項指標(biāo)的性能。目前都是采用人工方法進(jìn)行細(xì)胞計數(shù)，效率低。為此，根據(jù)細(xì)胞特征的不同，研制了一套基于計算機(jī)模式識別的細(xì)胞自動統(tǒng)計系統(tǒng)，本文采用MATLAB軟件，利用最近鄰分類算法，對紅細(xì)胞進(jìn)行自動分類識別。

關(guān)鍵詞：紅細(xì)胞；NNC算法；應(yīng)用研究

中圖分類號：TP18

尿常規(guī)檢查是醫(yī)學(xué)臨床最常見的檢驗項目，是反映身體健康狀況的基本指標(biāo)之一。在尿常規(guī)分析中，我們經(jīng)常會根據(jù)紅細(xì)胞的指標(biāo)來判斷病人身體狀況，傳統(tǒng)方法是在顯微鏡下采用電阻原理及光散射法，由于受光線和視覺效果的影響，不僅費時，而且準(zhǔn)確率不高。本文就是基于這樣的背景下，對尿液中的紅細(xì)胞進(jìn)行分析研究，將尿液中原始細(xì)胞圖像進(jìn)行預(yù)處理，再分割定位紅細(xì)胞，將定位后的虹吸進(jìn)行特征提取，針對模式特征的不同選擇及判別決策方法的不同，采用最近鄰分類算法（NNC）進(jìn)行識別和分類。

1 NNC算法

1.1 算法思想

鄰近算法，也叫K最近鄰分類（kNNc，k-Nearest Neighbor Classification）算法，在圖像處理過程中，每個樣本都可以用它最接近的k個鄰居來代表。kNNC算法的核心思想是通過計算樣本之間的相似度，建立相似矩陣加速KNN算法中尋找K近鄰。由于kNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或重疊較多的待分樣本集來說，kNN方法比其他方法更為適合本系統(tǒng)的分類識別。

本文采用常用的最近鄰距離（NNC）分類器來分類識別樣本。對于任意兩個特征矩陣Y1=[y1（1），y2（2），…，yd（1）]和Y2=[y1（2），y2（2），…，yd（2）]，它們之間的距離定義為： ，式中||yk（1）-yk（2）||2表示兩個投影向量yk（1）和yk（2）之間的歐氏距離。對于一個給定的待識別樣本Y，若 ，且Yk=ωc（ωc表示第c個細(xì)胞類別），則識別結(jié)果Yk=ωc。

根據(jù)紅細(xì)胞在尿液中的特征，結(jié)合KNNC算法分類方法，我們在算法編程之前，就已經(jīng)設(shè)定好本算法的識別方法，我們把紅細(xì)胞和非細(xì)胞在算法中分別規(guī)定為“1”和“0”，根據(jù)分類規(guī)則，依次來識別尿液中的紅細(xì)胞與非紅細(xì)胞。

1.2 算法的缺點

該算法在分類時有個主要的不足是，黨樣本不平衡時，該算法不能很好地進(jìn)行識別，而且當(dāng)兩個樣本之間的距離相隔較遠(yuǎn)時，而其他類樣本容量很小時，有可能導(dǎo)致當(dāng)輸入一個新樣本時，該樣本的K個鄰居中大容量類的樣本占多數(shù)。

1.3 算法改進(jìn)方法

在NNC算法實驗研究處理過程中，所有的臨近K值對結(jié)果點的影響效果是一樣的，而在實際應(yīng)用中，我們可以采取附加權(quán)值的方法，放大臨近點對結(jié)果的影響，同時對事先對已知樣本點進(jìn)行權(quán)衡，先去除對分類作用不大的樣本。

2 實驗結(jié)果及分析

本實驗圖像庫中共有100幅圖（820個樣本），其中60幅作為訓(xùn)練集（520個樣本）；40幅圖作為測試集（300個樣本）。取樣本的過程如下圖所示：

圖1 細(xì)胞分類定位前圖像的

圖2 細(xì)胞分類定位后坐標(biāo)圖像

圖1是紅細(xì)胞分類前的原始圖像，圖2是細(xì)胞分類定位后的坐標(biāo)圖像。由圖我們可以看出，定位分類后形成的細(xì)胞定位空間，每個目標(biāo)為定位空間坐標(biāo)，即（x，y），我們一共檢測到8個細(xì)胞，其中目標(biāo)細(xì)胞是7個（它們坐標(biāo)值是{（301，189），（613，205），（338，210），（330，270），（221，357），（131，523），（361，525）}），非目標(biāo)細(xì)胞是1個（即顯示為0）。每個目標(biāo)細(xì)胞都有一個峰值，峰值是表明檢測細(xì)胞圖像的真實性，峰值越大，就代表失真越小，由圖像我們可以看出，坐標(biāo)為（330，270）的目標(biāo)細(xì)胞，它的峰值是18182，說明它是此次紅細(xì)胞定位最準(zhǔn)確的一個細(xì)胞，可以判斷，該細(xì)胞是紅細(xì)胞的準(zhǔn)確率可達(dá)到99%以上，基本上就可以確定是我們實驗要求的紅細(xì)胞。坐標(biāo)為（613，205）的目標(biāo)細(xì)胞，它的峰值為4927，是該幅圖定位峰值最小的目標(biāo)細(xì)胞，我們不能判斷它為非紅細(xì)胞，但該目標(biāo)細(xì)胞失真性較大，我們還將繼續(xù)研究該類目標(biāo)細(xì)胞的特征，進(jìn)而判斷是否為我們實驗要求的紅細(xì)胞。檢測到“0”的這個坐標(biāo)，因為不符合實驗要求，因此我們可以判斷它是非紅細(xì)胞。還有沒有檢測到的坐標(biāo)（在圖2中沒有出現(xiàn)的坐標(biāo)），我們完全可以確定為非紅細(xì)胞，依此方法類推，即可得到圖像庫中所有的樣本，從而達(dá)到計算機(jī)模式識別自動分類的目的。

本章研究了尿液顯微鏡圖像中紅細(xì)胞分類，根據(jù)算法分類規(guī)則，判斷是否是紅細(xì)胞和非紅細(xì)胞。在實驗研究分析過程中，我們發(fā)現(xiàn)NNC算法還是存在某些局限性，如圖2，我們看到有些目標(biāo)坐標(biāo)峰值比較小，說明失真性較大，對于判斷是否為目標(biāo)細(xì)胞有點困難，同時該算法比較適用于樣本容量比較大的類域的自動分類，而那些樣本容量較小的類域采用這種算法比較容易產(chǎn)生誤分。圖1可以看到，還有些雜質(zhì)或者是形體不規(guī)則的晶體，還有是黑點或半橢圓等雜質(zhì)，我們都不能完全檢測出來，在以后的研究中，我們還將進(jìn)一步完善該算法，繼續(xù)挖掘紅細(xì)胞的新特征，做更深入的研究，爭取達(dá)到更好的實驗效果。本文實驗結(jié)果是在windows XP/Matlab7.0.1環(huán)境下運行得到。

參考文獻(xiàn)：

[1]容觀澳.計算機(jī)圖像處理[M].北京：清華大學(xué)出版社，2000.

[2]何佳洲，周志華，高陽，陳世福.基于新型神經(jīng)網(wǎng)絡(luò)分類器的故障診斷模型[D].南京大學(xué)，2001.

[3]王相海，秦鋸鰲，方玲玲.基于感興趣區(qū)域AdaBoost分類器的視頻車輛檢測研究[D].遼寧師范大學(xué)，2014.

[4]鍋艷玲，模式識別技術(shù)在企業(yè)信息工作中的應(yīng)用研究[J].圖書館學(xué)研究應(yīng)用版，2010（01）.

[5]徐雅斌，李卓，陳俊伊.基于改進(jìn)K最近鄰分類算法的不良網(wǎng)頁并行識別[J].計算機(jī)應(yīng)用研究，2013（12）.

[6]郭金玉，劉玉芹，苑瑋琦.基于最近相關(guān)性分類器的單樣本掌紋識別[M].光電子?激光，2012（08）.

作者簡介：鐘彩（1982.08-），男，湖南湘陰人，講師，碩士，研究方向：計算機(jī)圖像處理。

作者單位：常德職業(yè)技術(shù)學(xué)院，湖南常德 415000