本发明公开了一种用于生物细胞显微镜图像分类的特征子空间集成方法，包括提取待分类的生物细胞显微镜图像的特征；使用核主成分分析法（KPCA）对提取的生物细胞显微镜图像的三种图像特征构建特征子空间模型，使每类生物细胞显微镜图像具有三个特征子空间；采用每一类已训练好的三个特征子空间对待分类的生物细胞显微镜图像重建三种图像特征，得到由每一类中各特征子空间对待分类图像特征的重建结果，通过各个特征子空间重建结果与原提取的图像特征向量的比较获得分类图像对每一类的分类置信度；将待分类图像将分类到置信度最高的类别当中。该方法可以有效地降低特征维数，提高集成分类器的多样性，进一步提升分类效果。

本发明属于智能图像分析领域，尤其是生物细胞显微镜图像的分类研究，具体涉及一种用于生物细胞显微镜图像分类的特征子空间集成方法。

细胞显微镜成像技术对于理解细胞的功能以及构造方式是至关重要的，对于许多疾病的诊断、分类，细胞组织镜下活检已经成为了诊断的金标准。然而，大量的病理活检成像对于医学图像分析师来说会造成巨大的工作负担；人工检测有时因为种种外部因素（如疲劳、经验不足等）也很可能造成错检和漏检，因此，自动的细胞显微镜图像检测技术成为近年来研究的热点。

目前广泛使用的亚细胞蛋白质位置检测方法是荧光显微法。近年来，有很多基于荧光显微镜图像的细胞检测方法，以正细胞图像分割为基础，显型检测问题就成为了一个多类的图像分类问题，包含两个主要的步骤：特征表示和分类。

一般来说，大部分的基于图像的细胞结构分析使用多种图像特征的组合来表示图像，例如，形态学、边缘、纹理、几何特征、矩，以及小波特征。近年来，图像特征描述方法的进步产生了一些“拿来即用”的特征提取方法，这些方法可以直接应用于生物图像分析领域。

另一方面，大量的机器学习和智能计算方法已经进入到生物体图像分析领域，例如人工神经网络、支持向量机等。这些工具已经广泛地用于荧光显微镜图像的分类以及亚细胞蛋白质的分类中。然而，生物显微镜图像具有一个显著的特点：图像具有较大的类间相似性和类内相异性，这决定了使用常用的分类器难以达到很好的分类边界。此外，由于多种图像特征的组合使用，特征的维数不断增加，使得特征向量的维数超过了训练集的样本数。本发明因此而来。