白带常规是女性生理检查的常规手段之一。白带常规的主要检查方式是通过对白带分泌物进行显微成像,通过镜下有型成分的识别与计数等方式得到相应的指标参数,从而分析待检测样本的病理特性。由于白带常规具有无创的特点,患者易接受。在中国,每天都有数以万计的女性进行白带常规检查。然而,目前,白带常规的检测由医生手动完成,易造成交叉污染,并且检测的效率极低。此外,具有炎症的样本一般具有浓烈的气味,严重影响医务人员的工作环境。随着机器学习和深度学习技术的发展,白带常规向自动化和智能化发展,而其中最关键的就是显微图像的有型成分自动检测和识别算法。关于白带显微图像中的多类别有型成分识别,国内外还没有相关的研究。而对于显微图像中细胞或细菌的识别也仅限于在特定环境下的识别。本文针对白带显微图像中有型成分的特点,对其进行检测所涉及的相关理论和关键技术进行了深入研究,主要成果及研究内容如下所述:1.基于组合生物纹理特征的白带显微图像中上皮细胞检测方法白带显微图像中的上皮细胞是白带显微图像中的重要有型成分。针对白带显微图像中上皮细胞的面积大且具有网状纹理结构的特点,提出了一种应用于上皮细胞前景目标位置检测的数字图像处理方法,该方法用于提取显微图像中上皮细胞及类上皮细胞的杂质等前景目标。根据提取的前景目标,通过分析并比较前景目标的各类纹理特征(二值模式(LBP),Gabor特征和梯度方向直方图(HOG)特征),用支持向量机对目标的纹理特征进行分类。本文创新性的提出采用局部二值模式(LBP)组合梯度方向直方图(HOG)特征实现上皮细胞等网状生物细胞的分类识别。实验表明,所提方法检测速度快(304 ms),检测精确率高(86.9%),漏检少(召回率:88.9%),满足白带常规中的实时检测需求。2.基于改进R-CNN的小细胞快速目标检测和识别方法对于白带中的小细胞有型成分,例如白细胞、红细胞和霉菌等有型成分的识别,本文在R-CNN模型的基础上,提出了一种基于改进R-CNN的白带有型成分目标检测方法。首先,提出了一种应用于白带显微图像小目标的区域建议方法,该方法较R-CNN模型中的选择性搜索方法效率提升50倍,并且产生的前景目标少,极大的缩减了R-CNN中前景目标提取的复杂度。其次,提出了基于Inception-ResNet-V2网络的前景目标识别和位置回归方法。通过收集的数据进行实验证明,该方法实现了对上述有型成分的高精确率和召回率的检测,平均检测精确率mAP(Mean Average Precison)为:79.75%。3.基于改进Faster R-CNN的白带显微图像粘连细胞检测方法对于清洁度较高的白带样本,其显微图像中细胞等有型成分较多,各成分之间相互粘连,采用上述前景目标提取方法无法实现这些粘连细胞的分割。本文针对这类问题提出了基于改进Faster R-CNN的白带显微图像的目标检测方法。首先,在分析有型成分形态特征的基础上,提出了一种改进的区域建议网络,该网络具有较少的Anchor,因而训练和测试的效率更高;其次,提出了基于PCA的特征图降维方法,用于实现对特征图的降维和维度的归一化,并输入到全连接层进行分类和位置回归。通过实验数据的测试,该方法对于粘连的细胞能够实现有效的分割和识别,算法执行效率快,准确率高。4.基于VIBE改进模型的滴虫运动目标检测方法由于新鲜的白带样本中滴虫仍然具有活性的特点,而从形态学方面很难直接提取到滴虫,因此本文从运动目标的检测角度出发,提出了一种基于VIBE改进模型的滴虫检测方法。算法改进了VIBE模型中的背景模型更新方式以及邻域背景模型的散播机制,同时提出了一系列的杂质过滤措施,最终实现了对白带显微图像中滴虫的检测。通过对采集的视频帧进行实验,结果证明该算法有效的提升了滴虫检测的精确率等指标,并与其他运动目标检测算法相比较,取得了最好的检测效果。