大便常规是临床三大常规检测之一,主要用于消化系统等相关疾病的诊断。临床已实现血常规、尿常规的自动识别检验,但由于标本成分复杂,大便常规检验的自动化检验技术一直不成熟,检验过程基本由手工完成,检测结果具有一定的主观性且检测速度慢。本研究主要针对低倍率(20倍目镜系统采集)粪便镜检图像的特点,设计一种基于低维特征条件的无标记红白细胞识别与分类算法,不仅能保证识别准确率,也能为提高识别速度提供可能。主要工作如下:1.分析当前显微镜检图像研究现状以及低倍率下采集到的粪便镜检图像与常规采集图像的不同特点,决定在参考目前显微镜检图像细胞自动分析方法的基础上,再根据低倍率粪便镜检图像的特点,对图像进行自动识别与分析研究。2.设计一种多信息、多方法的细胞图像综合分割方法。首先针对低倍率粪便镜检图像弱边缘问题,将R、G和B通道图像边缘检测结果融合互补,并通过形态学方法完善,充分利用彩色空间信息完成初步分割;然后针对细胞粘连问题,设计一种基于迭代腐蚀的标记分水岭分割方法,完成粘连细胞分割;最后融合初步分割和粘连细胞分割结果得到最终分割图像,很好地完成了对红白细胞的分割。3.运用基于改进的低维特征向量SVM识别算法,对红白细胞进行识别与分类。根据红白细胞在形态、FFT变换以及Canny边缘检测图像的差别,提取周长、面积、FFT后的圆形度、连通域数、像素和及闭合比值6个相关特征组成特征向量用于训练SVM分类器。4.设计了SVM和BP神经网络以及低维特征组合与常用特征组合识别对比实验。实验分别对300个红白细胞样本测试,结果显示基于改进的低维特征向量SVM识别方法识别效果相对较好,红细胞的识别率为91.7%,白细胞的识别率为92.7%,且分组测试识别率的标准差较小,识别效果稳定,有希望进一步应用于临床镜检。本课题实现了低倍率粪便镜检图像无标记红白细胞的识别,运用基于低维特征向量的SVM识别算法,对红白细胞进行识别分类测试,以较少的特征实现了较优的识别效果,而且识别效果相对稳定,不易受红白细胞异型情况影响。