作为检验科常规的检验项目,粪便常规检查在临床检验中具有重要的地位。目前,粪便隐血检测仍然采用人工处理加读卡的方式,该方式具有效率低和容易造成污染等缺点。随着智能分类技术的发展,医学检测自动化已经成为现代医学检验的发展趋势。本文对粪便隐血检测试剂卡的自动分类技术进行研究。依托于全自动粪便常规分析仪,通过摄像头获取粪便隐血检测试剂卡图像,将图像处理技术和机器学习技术相结合用于试剂卡的自动分类。本文的主要工作如下:首先,对粪便隐血检测试剂卡的光学图像进行人工标记,根据反应线(T线)颜色浅深将其标记为阴性、弱阳性或阳性以及一个[0,10]之间的分数。然后对图像进行预处理。试剂卡在实际使用过程中存在被粪便污染的情况,通过对多种图像分割方法进行对比,本文采用阈值和频率域相结合的方式对光学图像进行分割,并且使用LAB颜色空间模型进行辅助验证,准确提取出试剂卡图像中的反应区域;其次,研究了试剂卡反应区的特征提取和选择,通过对试剂卡反应区的图像和基本特征进行分析,得出单一的图像基本特征不符合直接作为试剂卡的分类依据,故本文提出将纹理特征和颜色特征相结合的特征作为试剂卡分类的依据。最后,对支持向量机的多分类算法和回归算法进行了讨论。将提取到的特征向量进行处理,分成训练集和测试集。将训练集送入支持向量机中训练调整参数,并通过验证集对训练的模型进行验证,得到参数最优的分类模型。使用测试集对得到的分类模型进行测试得到最终实验结果。提出使用回归模型对数据进行打分,得到更精确的分类结果,辅助医生更准确的判断和掌握病人的实际情况。本文研究的特点在于需要自动分类的粪便隐血检测试剂卡光学图像背景复杂,且试剂卡分类为多分类问题,分类边界处无明显界限,由于污染的情况导致图像无明显可区分的特征。实验结果表明,本文的方法对粪便隐血检测试剂卡光学图像的自动分类准确率达到了98.4%,单卡平均检测速度为0.69 s,满足了临床检验的要求。目前该技术已在国内部分医院投入临床使用阶段。