（测试计量技术及仪器专业论文）白细胞显微图像识别技术研究.pdf

摘要 人体白细胞的计数和质量是临床诊断的重要依据。目前国内大多数医院的血 液白细胞的检验以人工操作为主，由于受到各种人为因素的影响，使得白细胞的 检测质量和效率受到一定的影响。 将计算机图像处理和神经网络理论用于白细胞的检测，可以提高白细胞检测 质量和效率。本文研究了用于白细胞识别的图像分析系统的结构和性能，提出了 以显微镜、微机和彩色c c d 摄像机为主体，应用计算机数字图像等技术实现白 细胞分类的实用化系统结构。 本文的主要研究工作是白细胞显微图像分析，综合应用微机控制技术、嵌入 式系统技术、数字图像处理技术、小波分析、数学形态学和神经网络理论，围绕 着白细胞显微图像分析系统的信息化、自动化程度中的几个关键问题做了以下几 方面的研究：1 建立以彩色c c d 摄像机成像，计算机进行处理的血细胞自动分类 系统模型。2 实现血细胞的定位检出和区域分割。3 对血细胞图像进行数学形态 学，彩色光密度和纹理特征的提取。4 运用b p 神经网络建立自细胞图像识别分类 器，进行网络训练。5 嵌入式l i n u x 显微镜数控平台控制系统设计。本文分别从 理论和实际应用的角度对其中的技术难点进行深入分析，在几个方面取得了创新。 采用嵌入式l i n u x 作为开发平台，研究基于l i n u x 的微机控制图像分析系统， 利用l i n u x 的开放性和灵活性，精简系统内核，提高了系统的可靠性和稳定性。 基于小波包分解的白细胞图像处理，提出了细胞胞核提取的基本思想，进行 了深入的理论研究和实际分析，实现对胞核边缘快速而有效的提取。 应用数学形态学流域分割算法对具有连通或相似灰度的目标图像进行检测与 标示，解决了一般数字图像处理技术难以分割具有交叠区域的白细胞图像的问题， 在细胞浆的边缘分割中具有创新意义。 分析了图像识别系统的处理流程，设计了基于l i n u x 平台的上下位机两级控 制系统，实现了l i n u x 下的接口通信和视频采集，并将系统软件嵌入到硬件中， 显著提高控制精度和系统的响应速度。 本课题中的生物显微镜数控平台已经在广州光学仪器厂投入生产。理论分析 广东工业大学工学硕士学位论文 和应用表明，本系统具有实际的应用价值。 关键词：自细胞，小波分析，数学形态学，流域分割，神经网络，模式识别，嵌 入式l i n u x i i a b s t r a c t t h ea m o u n ta n dq u a l i t yo f l e u c o c y t e si sai m p o r t a n tg i s ti nt h ec l i n i c a ld i a g n o s i s t h em e a s u r eo fb l o o dc e l l si nm o s td o m e s t i c h o s p i t a l r e l i e s m a i n l y o nm a n u a l o p e r a t i o n a t p r e s e n t ，i t i si n f l u e n c e db yv a r i o u sk i n d so fh u m a nf a c t o r s ，s o t h e e x a m i n a t i o n q u a l i t i e s o ft h e l e u c o c y t e s a r e p a r t l ye f f e c t e d ，a n dt h ee x a m i n a t i o n e f f i c i e n c yo f t h el e u c o c y t e si se f f e c t e dt o o t h ea p p l i c a t i o no fc o m p u t e ri m a g ep r o c e s s i n ga n dn e u r a ln e t w o r kc a ng r e a t l y i m p r o v et h ea n a l y t i c a le f f i c i e n c yo fl e u c o c y t e s t h i sp a p e rd i s c u s s e dt h es t r u c t u r ea n d p e r f o r m a n c eo f a u t o m a t i cc l a s s i f i e ss y s t e mo f l e u c o c y t e s t h es y s t e mi sc o m p o s e db y m i c r o s c o p e ，m i c r o c o m p u t e ra n dc h r o m a t i cc c dc a m e r a ，i tu s et h et e c h n o l o g yo f d i 百t a li m a g ep r o c e s s i n ga n dn e u r a ln e t w o r kt h e o r yt or e a l i z ea u t o m a t i cc l a s s i f i e so f t h el e u c o c y t e s t h em a i nw o r ko ft h e p a p e r i ss t u d yo nt h e a n a l y s i sa n d t h er e c o g n i t i o ns y s t e mo f l e u c o c y t e sm i c r o g r a p h t h et e c h n o l o g yo fc o m p u t e rc o n t r o la n de m b e d d e d t h e o r yo f d i g i t a li m a g ep r o c e s s i n g ，w a v e l e t ，m a t h e m a t i c sm o r p h o l o g y , a n dn e u r a ln e t w o r k p a t t e r n r e c o g n i t i o n ，a r ea p p l i e do nt h es y s t e m a r o u n ds e v e r a lk e yp r o b l e m s ，w h i c h a n a l y t i c a ls y s t e mo fl e u c o c y t e sm i c r o g r a p hi so fi n f o r m a t i o na n da u t o m a t i z a t i o n ，h a v e s t u d i e do nt h e f o l l o w i n ga s p e c t s ：1 d e s i g na u t o m a t i cc l a s s i f i e ss y s t e mm o d e lo f b l o o dc e l l ，w h i c hi sb a s e do ni m a g i n go fc o l o r e dc c d c a l n 6 t aa n dc o m p u t e rc o n t r 0 1 2 r e a l i z et h e1 0 c a l i z a t i o na n de x a m i n e do u to ft h eb l o o dc e l la n dt h ea r e ac u t t e d 3 u s i n gm a t h e m a t i c sm o r p h o l o g yo nt h ea b s t r a c t i o no fc h r o m a t i cl i g h td e n s i t ya n d v e i n sc h a r a c t e r i s t i co f t h eb l o o dc e l li m a g e 4 u s i n gb pn e u r a ln e t w o r ko n s e t t i n gu p r e c o g n i t i o nc l a s s i f y i n gd e v i c eo fl e u c o c y t e si m a g e s ，a n dt h e nt r a i ni t 5 t h ed e s i g n o f m i c r o s c o p e sn cp l a t f o r mc o n t r o ls y s t e mb a s e do n t h ee m b e d d e dl i n u x t h e p a p e r h a sa n a l y z e dd e e p l yo nt h ed i f f i c u l tp o i n to ft h et h e o r ya n d p r a c t i c a la p p l i c a t i o n ，a n d a c q u i r e ds o m e c r e a t i o ni nt h ef o l l o w i n g a s p e c t s t h e p a p e rh a ss t u d i e dt h ei m a g ea n a l y s i ss y s t e mb a s e do nt h el i n u xo p e r a t i o n 1 1 1 童三些查兰三兰堡圭兰堡丝耋 s y s t e m u s i n g t h eo p e na n d a g i l i t yo f t h e l i n n xw eh a v es i m p l i f i e dt h e s y s t e m sk e r n e l a n d i m p r o v e dt h es y s t e m sr e l i a b i l i t ya n ds t a b i l i t y t oa n a l y z et h el e u c o c y t e si m a g e b yu s i n gw a v e l e t ，w eb r i n gf o r w a r dt h ei d e ao f d e t e c t i n gl e u c o c y t e s k a r y o n t h r o u g ha n a l y z i n gd e e p l y ，w er e a l i z et h ef a s t t i m e l e u c o c y t e si m a g ed e t e c t i o n i nt h i sp a p e rw eh a v eu s e dt h ew a t e r s h e d s e g m e n t a t i o na r i t h m e t i co f m a t h e m a t i c s m o r p h o l o e 耍ct oa n a l y z ea n dm a r kt h es e q u e n t i a la n ds i m i l a rg r a yt a r g e ti m a g e a sa r e s u l t ，r e s o l v e dt h ed i f f i c u l tp r o b l e mt h a tg e n e r a lt e c h n o l o g yo fd i g i t a li m a g ec a n t d e t e c tl e u c o c y t e s e d g eo f o v e r l a p p i n gc e i l s ，w h i c hh a sc r e a t i v em e a n i n g i nt h ee d g e s e g m e n t a t i o nt e c h n o l o g yo fl e u c o c y t e sp l a s m t h e p a p e rd i s c u s s e dt h ed i s p o s e df l o wo fi m a g er e c o g n i t i o ns y s t e m ，a n dd e s i g n e d t h ei n t e r f a c ec o m m u n i c a t i o no ft h ec o n t r o l s y s t e m t h a ta r em a s t e ra n ds l a v e c o m p u t e r sb a s e do nt h el i n u xp l a t f o r m ，t h e ne m b e d st h ec o n t r o lp r o g r a m si n t ot h e s y s t e mh a r d w a r e a l l o ft h e mc a ng r e a t l y i m p r o v et h ec o n t r o lp r e c i s i o na n dt h e r e s p o n s er a p i d i t yo fs y s t e m m i c r o s c o p en cp l a t f o r mo ft h i ss y s t e mh a sb e e nf i n i s h e d i th a sp u t t e di n t o p r o d u c t i o ni ng u a n g z h o uo p t i c a li n s t r u m e n tf a c t o r y p r o v e db yt h ea n a l y z i n gt h e o r y a n d p r a c t i c a la p p l i c a t i o n ，t h es y s t e m i so f a p p l i e d v a l u e k e y w o r d s ：l e u c o c y t e s ，w a v e l e t ，m a t h e m a t i c sm o r p h o l o g i c ，e d g ed e t e c t i n g ， w a t e r s h e ds e g m e n t a t i o n ，n e u r a ln e t w o r k ，p a t t e r nr e c o g n i t i o n ，e m b e d d e dl i n u x 1 。1 本课题的学科背景 第一章绪论 1 1 1 生物医学图像处理技术的发展 生物医学图像处理是一门新兴技术，是图像处理研究领域的一个重要方面， 随着生物科学技术的发展，生物医学图像处理的应用也越来越广泛。主要表现为 如下两个方面：一方面是对生物体内部器官进行观察“1 。比如医师为患者诊断， 若要了解肺、心、肝、肠、肾等内脏器官的情况，除了在体外听诊触摸外，就靠 放射科的x 光透视，b 超声波的透视，或其它射线装置的透射。这就产生了大量 的医学图像，医学专家除了应用其专业知识或者目测等常规进行诊断的方法外， 多数采用计算机数字图像处理及辅助医学专家系统进行图像分析识别。另一方面 是生物医学的学科要求，需要进行微观的观察，最常用的手段是采用光学显微镜 和电子显微镜观察细胞组织的图像。1 。医学图像处理技术结合了计算机数字图像 处理技术的进步而得到飞跃的发展。 数字图像处理、模式识别和人工智能技术现在已经被广泛地应用于显微生物 医学领域，其中血液细胞图像自动识别是应用计算机处理医学图像并识别对象物 的代表性课题之一。 1 1 2 白细胞分析与临床诊断 人体血液中的白细胞含量和质量是人体健康状况的重要表征，白细胞分类计 数是临床检验的一项重要内容。由于外周血中的白细胞各有其生理功能，在不同 生理状态下，可引起不同类型的白细胞发生数目和质量的变化。1 。如在肿瘤和血 液病的临床诊断治疗中，癌细胞在体内发生的病理生化过程能在免疫机能上表现 出来，白细胞中的淋巴细胞的生物活性物质可直接反映体内癌变进展程度，淋巴 广东工业大学工学硕士学位论文 细胞的生物活性物质可直接反映体内癌变进展的程度与免疫状况的相互关系m 。 对肿瘤高危人群和肿瘤患者的外周血淋巴细胞，用特殊培养液进行培养后， 用图像分析系统测量出的核仁银染面积的相对值和积分光密度相对值有很好的协 同性，可反映体内癌变进展程度和机体免疫状态“1 。 1 1 3 白细胞显微检测技术的发展 白细胞检验传统是通过人工分类计数完成，而在一些条件较好的大中型医院， 已经较多地采用了血细胞自动分类仪器以提高血检的效率和质量。人工方式是医 务人员将血液涂抹在玻璃片上进行染色制成血涂片，然后在显微镜下观察检出白 细胞并根据细胞大小、形态、颜色、纹理等特征进行视觉分类计数。每检查一次 1 0 0 2 0 0 个左右的自细胞需要大约5 分钟时间。这是国内目前小型医院普遍采用 的方式，仅适合于血液检查任务量很少的场合”1 。这种检测方法存在如下不足： 首先，检验工作量大，检验效率低，医师连续工作时很容易因疲劳或粗心引起错 误识别，影响病情诊断：其次，对细胞图像的分析识别易受医师经验和视觉分辨 率的限制，掺杂了较强的主观因素而缺乏客观定量标准；另外，一般每一张血涂 片只含有较少的白细胞，从统计的角度看，因样本集较小而可靠性不高。根据国 内医院统计调查，全国每天有几百万张血涂片需要进行白细胞检查。这种情况下 利用自动化仪器代替人工处理，不仅可以大大提高血检工作效率、降低人工劳动 强度，而且可以消除主观因素的干扰，保证了检查的质量，还可以通过增大检验 白细胞的检查数目，提高统计检验的可靠性”1 。 目前已有的白血细胞分类计数仪器主要有两种类型“：类是用组织化学染 色法。该方法通过连续流动的系统，以光电效应的方式分数单一细胞，报告血细 胞中自细胞总数、各类细胞的百分率和绝对值。因为该法不是由形态学特点辨识 各类白细胞，所以不能用目试观察白细胞形态，亦不能保留样本，对感染中自细 胞无法识别。目前的代表仪器有美国贝克曼库尔特公司的血细胞流式分析仪 c o u l t e rm a x m 。 另一类是原型认识型，其工作原理模仿人“脑眼”系统的智能识别过程， 运用计算机图像处理和模式识别技术，将从显微镜与摄像机得到的数字化细胞图 像进行自动处理分析和分类。与前一种类型的白细胞分类仪器相比，其主要特点 第一章绪论 是运用图像处理分析技术提取细胞形态( 如中性粒细胞的核象变化) 、色彩、纹理 等方面的多种特征信息，并采用模式识别技术进行细胞分类。 计算机技术以及图像处理、模式识别技术的发展，医学显微图像处理自动分 析系统，针对不同类型的检验标本可设计或选用不同的处理算法软件。除血液细 胞分类、细胞诊断系统外。近年来又出现了诸如染色体分类、眼底图像分析、微 循环参数检测、组织切片显微图像自动分析、电子显微图像自动处理等以微型计 算机为处理核心的医学显微图像自动分析系统。可以预计，计算机图像处理与识 别技术将会在显微医学领域内获得更深广的应用。 1 2 本课题的工程背景 1 2 1 国内外白细胞显微分析的发展现状 医学显微图像自动分析一直是生物医学工程中非常活跃的领域。用于细胞图 像数字分析的第一个通用系统t i c a s 是在芝加哥大学问世的。2 0 世纪6 0 年代末 出现的c e l l s c a n g l o p r 是在显微镜载物片上分析血液涂片的第一个全自动的 研究系统，具有自动搜索、对焦和细胞分类等功能。随后，几何数据公司和康宁 电子公司分别研制出了商用血液涂片分析仪h e m a t r a k 和l a r c 系统，如日立公 司的a c s 和东芝公司生产的c y b e s t 等。到7 0 年代末，商业化细胞分类机有 h e m a t r a k 、l a r c 、a d c 一5 0 0 等系统，其分类误差减小到了人工误差范围内。目 前这方面的代表仪器有美、日等国生产的c e l l d y n l 6 0 0 、s y s m e x - - 8 0 0 等自 动分类机，都是通过自动扫描平台对血液涂片扫描，获取白细胞图像，经数字化 后，可提取各种特征参数，最后进行分类识别。h c m a t r a k 使用的是飞点扫描器来 获取图像，专用数字逻辑电路来完成图像分析运算；l a r c 系统处理图像使用了 专用图像处理系统；而a d c - - 5 0 0 系统则使用光电二极管来获取图像，并用一台 n a v a - - 2 和一个图像预处理机来完成图像处理和分类工作。由于受当时技术和成 像技术的限制，它们的结构都很复杂，体积大、成本高、价格昂贵且性能不够稳 定，影响了其推广使用。 在血细胞自动分类商品化的同时，理论研究一直进行着，而且其最新成果很 3 广东工业大学工学硕士学位论文 快就被应用到商品化系统中“。2 0 世纪6 0 年代末，p r e w i t t 和m e n d e l s o l m 发现了 光透过生物细胞时的彩色谱，并利用光密度直方图将白细胞分成五类。而y o t m g 研究了利用彩色信息提取特征参数，对白细胞分类识别问题，b a c u s 则研究了有 关模式识别问题。到8 0 、9 0 年代，模式识别理论和神经网络的研究和应用得到了 充分的发展。w c r o g e r 和l t l d e n n i s 等人对分层的树状分类器进行了研究。 j m c h a s s e r y 和g g a r b a y 用区域增长的方法对骨髓中白细胞图像进行分割，得到 了较好的结果。但是，由于目前该类系统存在性能不稳定等方面的缺陷而未能得 到普遍的应用。 近年来，白细胞自动分类结合了计算机和c c d 技术，主要集中于彩色血液 显微图像的处理和分析，提高系统的识别率，这些研究结果正在争取应用于临床 1 1 1 2 2 白细胞显微图像分析系统的工作原理 论文研究的显微图像分析系统由微机、彩色图像采集卡、彩色摄像机、高倍 显微镜构成。计算机控制显微镜载物平台的三维方向移动，彩色摄像机与显微镜 观察平台相连，通过图像卡实时获取白细胞血液涂片的视频信号，得到细胞的真 彩色图像。 像。 图1 - 1分析系统处理流程 f i g 1 - 1o p e r a t i o n f l o wo f a n a l y z i n gs y s t e m 显微白细胞图像处理系统的处理流程如图卜1 所示，简单说明如下： 1 图像获取：通过c c d 彩色摄像机和图像采集卡获得相应细胞的真彩色图 4 2 图像预处理及分割：对原始图像进行滤波、去噪、增强、平滑和锐化等等 一系列处理，提高图像质量。将r g b 图像转换至相应h l s 空间，采用数学形态 学方法进行分割。 3 细胞特征提取：运用图像处理相关算法，获得细胞图像的各种定量描述参 数。 4 特征选择：过多的特征使得特征空间级数极大地增加，导致样本训练量增 大，而且会带入噪声，损害所生成分类规则的精度。必须找出最优的特征组合。 5 神经网络分类器：主要是完成神经网络的训练，寻找相应分类准则，从而 实现细胞的自动识别。 1 3 本课题的研究内容 针对国内外白细胞图像分析技术的现状，本课题研究用于白细胞分析系统的 图像识别技术。课题的主要内容有以下几方面： 1 嵌入式l i n u x 微机控制图像分析系统的实现。 2 白细胞显微图像提取和分割。 3 白细胞图像区域特征分析。 4 用于白细胞识别的神经网络分类器设计。 本课题研究白细胞显微图像处理技术。主要内容包括白细胞图像变换，纹理 分割和特征提取等。一直以来，在从事显微图像的分析和研究中，我们取得了一 定的成果。特别在金相显微图像分析的研究过程中，应用了小波多分辨率理论和 数学形态对金相试样的压痕提取“，对图像的区域形态等特征进行了深入的研 究。 在显微图像分析研究成果的基础上，我们开展了白细胞图像分析和识别的研 究。 本课题的技术关键有：1 白细胞血液图片的分割。2 白细胞特征的提取与 神经网络分类器设计。3 嵌入式自动控制分析系统的设计。 论文的第一章简述课题学科背景，课题研究的意义和国内白细胞识别技术的 发展状况。 论文的第二章讲述白细胞数字图像分析基础。包括：1 数字图像技术的主要 广东工业大学工学硕士学位论文 内容。2 经典的图像边缘分割算法。3 神经网络基础知识，介绍了神经元模型， 神经网络基本结构和数学基础。4 b p 神经网络，介绍了b p 神经网络的结构，b p 神经网络神经元，b p 神经网络的算法以及b p 神经网络的训练。 第三章研究白细胞显微图像提取和分割。这一章介绍了五类白细胞的特征， 分析了白细胞胞核区域提取和胞浆分割的难点。1 运用正交小波包分解对白细胞 图像进行处理，提出了细胞胞核提取的基本思想，进行了深入的研究，实现了对 白细胞胞核区域的有效提取。2 分析了有交叠区域的白细胞图像特征和胞浆分割 的难度，研究一些边缘分割算子对白细胞胞浆的处理结果，得出经典提取算法在 细胞图片提取不足的结论。提出了应用数学形态学流域分割算法对细胞浆进行分 割，研究该算法的原理和实现，并用样本图像进行测试，得到比较满意的结果。 第四章对白细胞显微图像识别进行研究，详细讨论白细胞图像的特征的提取 和特征的筛选方法，并得出白细胞特征的优化参数。研究了b p 神经网络的参数 输入，分类器设计，网络训练并对分类精度和效率进行分析。 第五章介绍了图像分析系统的设计。介绍了嵌入式l i n u x 操作系统的特点和 在工业控制中的优势，给出了系统的硬件结构和软件结构原理图。讨论了l i n u x 下串行通信技术和视频采集技术。最后还分析图像的识别流程和软件的工作原理。 本论文深入分析了白细胞图像识别中的难点，解决了白细胞的定位、检出和 统计等问题，达到了预期的研究目的，具有一定的应用前景。作为本系统重要组 成部分的生物显微镜数控载物平台已经在广州光学仪器厂投入生产。 6 薹三茎垦塑墼鍪童里堡坌丝兰塑 第二章白细胞数字图像分析基础 2 1 数字图像处理的主要内容 数字图像处理可分为几方面：图像信息的获取，图像信息的存储，图像信息 处理，图像信息的输出和显示。 2 1 1 图像信息的获取 就数字图像处理而言，图像信息的获取主要是把一幅图像转换成适合输入计 算机或数字设备的数字信号。图2 - 1 表明如何用一个数字阵列来表示一个物理图 像。物理图像被划分为称作图像元素( p i c t u r ee l e m e n t ) 的小区域，图像元素简称为 像素( p i x e l ) 。最常见的划分方案是图中所示的方形采样网格，图像被分割成由相 邻像素组成的许多水平线，赋予每个像素位置的数值反应了物理图像上对应点的 亮度。 物理图像数字图像 图2 - 1 物理图像及对应的数字图像 f i g 2 lr e a li m a g ea n d i t sc o r r e s p o n d i n gd i g i t a li m a g e 7 广东1 = 业大学工学硕士学位论文 图像转化的过程称为数字化。在每个像素位置，图像的亮度被采样和量化， 从而得到图像对应点上表示其亮暗程度的一个整数值“。对所有的像素都完成上 述转化后，图像就被表示成一个整数矩阵，作为计算机处理的对象。每个像素具 有两个属性：位置和灰度。位置( 或称地址) 由扫描线内的采样点坐标决定，又称 为行和列，而表示该像素位置上亮暗程度的整数称为灰度。 2 1 2 图像信息的存储 图像信息的突出特点是数据量巨大。一般作档案存储主要采用磁带、磁盘或 光盘。为解决海量存储问题，需要研究数据压缩、图像格式及图像数据库技术等。 2 1 3 图像信息的传送 图像信息的传送可分为系统内部传送与远距离传送。内部传送多采用d m a 技术( d i r e c tm e m o r ya c c e s s ) 以解决速度问题，外部远距离传送主要解决占用带宽 问题。目前，已有多种国际压缩标准来解决这一问题，图像通讯网正在逐步建立。 2 1 4 数字图像处理 目前，数字图像处理多采用计算机处理，因此，有时也称之为计算机图像处 理( c o m p e e r i m a g e p r o c e s s i n g ) ，主要包括如下几项内容：几何处理( g e o m e t r i c a l p r o c e s s i n g ) ，算术处理( a r i t h m e t r i cp r o c e s s i n g ) ，图像增强( i m a g e e n h a n c e m e n t ) ， 图像复原( i m a g er e s t o r a t i o n ) ，图像重建( i m a g er e c o n s t r u c t i o n ) ，图像编码( i m a g e e n c o d i n g ) ，图像认识( i m a g er e c o g n i t i o n ) ，图像理解( i m a g eu n d e r s t a n d i n g ) 。 2 2 经典的图像边缘提取算法 边缘检测算子实际上都属于空间域线性滤波技术“。若频域的滤波函数n ( u ，v ) 的空间域函数为 ( x ，则在空间域用他和i l o ) 作卷积的效果和在频域滤波 是一样的。其中i l o ) 是h ( u ，v ) 做傅里叶反变换得到的。从原理看频域滤波是频域 乘以一个h ( u ，v ) 滤波( 传递) 函数，这是相当于在空间域把图像与滤波函数的空 间域函数 ) 作卷积。因此可把频域的滤波处理改为在空间域执行卷积，称为 空间域滤波方法。空间域滤波方法需要找到滤波函数h ( u ，v ) 的空间域函数h ( x ，y ) 。 设图像f i x , y ) 为n n ，则 o ) 也是n x n 大小，这样做卷积很浪费时间。因此常 用小区卷积，就是把图像分成许多小区进行滤波，但此操作是在空间域作卷积， 故称空间域滤波。这个小区也称为滤波窗口，大小一般取为3 3 ，5 5 等。显然 小区越大计算量越大。因此一般实用的处理方法往往都选择3 3 的滤波窗口作卷 积，选择不同的滤波窗口就可以实现图像的高通、低通、带通、带阻等滤波操作。 缸) 是空间域的一个小图像块，也称作模板。 常用的边缘检测模板有r o b e r t s 算子、l a p l a c i a n 算子、p r e w i t t 算子、s o b e l 算子、l o g ( l a p t a c i a n g a u s s ) 算子以及近年来发展的c a n n y 边缘检测算子等。 2 2 1r o b e r t s 算子 函数m ) 的梯度定义为 v f ( w ) ：o f ( - - 主 y - - ) i x + 墼掣 ( 2 1 ) o x咖 7 通常把梯度的模叫做图像的梯度。对于数字图像，可以用差分来近似微分。r o b e r t s 模板是用斜向上的4 个象素的交叉差分定义的，即 图2 - 2r o b e r t s 边缘检测 f i g 2 - 2e d g ed e t e c t i n gu s i n g r o b e r t sa r i t h m e t i c 9 广东工业大学工学硕士学位论文 1 w ( 圳) i ：拓鬲f 万i 鬲萨面百面焉瓦丽f ( 2 2 ) 一般将上式简化成 i v f ( x , y ) i = l ，( z ，y ) 一f ( x + l ，y + 1 ) l + t f ( x + l ，y ) 一f ( x ，y + 1 ) i ( 2 3 ) 和 i v f ( x ，y ) l = m a x 4 f ( x ，y ) - f ( x + 1 ，y + 1 ) i ，i f ( x + l ，y ) - f ( x ，y + 1 ) j ) ( 2 4 ) 表示成模板的形式就是口。1 1 和 二 2 2 2l a p l a c i a n 算子 l a p l a e i a n 算子定义为 v 圳= 学+ 鼍笋 ( 2 s ， d 摹一c v 。 它的差分形式为 v 2 f ( x ，_ y ) = 【厂( x + 1 ，y ) 一f ( x ，y ) 一【厂( x ，y ) 一f ( x 一1 ，) ，) b + 眇y + 1 ) 一f ( x ，y ) 】_ l 厂( 五力一f ( x , y 一1 ) b = 厂( x + l ，y ) + f ( x l ，y ) + ，( 工，_ y + 1 ) + ，( x ，y 一1 ) 一4 f ( 工+ 1 ，y ) 图2 - 3 l a p l a e i a n 边缘检测 f i g 2 - 3e d g ed e t e c t i n gu s i n gl a p l a c i a n a r i t h m e t i c i o 第二章白细胞数字图像分析基础 睢川 e 2 2 3p r e w i t t 算子 检测水平边缘的模板 ；1 1 罩 和检测垂直边缘的模板 _ ：1 i 111 ll 一 图2 4p r e w i t t 边缘检测模板处理 f i g 2 - 4e d g ed e t e c t i n gu s i n g p r e w i t ta r i t h m e t i c 妄查三些盔兰三耋塑圭兰竺鎏兰 2 2 4s o b e l 算子 检测水平边缘的模板 j j1 1 、检测垂直边缘的模板 ： ；锢。与 测水平边缘的亨- 曼4 5 罩 ，另一个是检测垂直边缘的 # ；幸 。各向同 图2 - 5s o b e l 边缘检测模板处理后 f i g 2 - 5e d g ed e t e c t i n gu s i n g s o b e la r i t h m e t i c 1 2 第二章白细胞数字图像分析基础 2 2 5c a n n y 算子 根据边缘检测的有效性和定位的可靠性，坎尼研究了最优边缘检测器所需的 特性，推导出最优边缘检测器的数学表达式。对于各种类型的边缘，坎尼边缘检 测算子的最优形式是不同的。根据坎尼的定义，中心边缘为算子g 与图像他) 的卷积在边缘梯度方向上的区域中的最大值，这样，就可以在每一点的梯度上判 断此点强度是否为其邻域的最大值来确定该点是否为边缘点“。当一个像素满足 以下三个条件时，则被认为是图像的边缘点。 1 该点的边缘强度大于沿该点梯度方向的两个相邻像素点的边缘强度； 2 与该点梯度方向上相邻两点的方向差小于4 5 0 ； 3 以该点为中心的3 x3 邻域中的边缘强度极大值小于某个域值。 此外，如果1 和2 同时被满足，那么在梯度方向上的两相邻像素就从候选边 缘点中取消，条件3 相当于用区域梯度最大值组成的域值图像域边缘点进行匹配， 这一过程消除了许多虚假的边缘点【2 1 。图2 - 6 是用c a n n y 边缘检测算子对细胞图 进行的边缘检测。 2 2 6l o g 算子 由于噪声点( 灰度与周围点相差很大的象素点) 对边缘检测有一定的影响， 所以效果更好的边缘检测器是l o g 算子，也就是l a p l a c i a n - g a u s s 算子。它把g a u s s 平滑滤波器和l a p l a c i a n 锐化滤波器结合了起来，先平滑掉噪声，再进行边缘检测， 所以效果会更好。 常用的l o g 算子是5 5 的模板 2 4 - 4 4 2 4080 4 482 484 4080 4 2 4 4 4 2 。到中心的距离与 位置加权系数的关系曲线象墨西哥草帽的剖面，所以l o g 算子也叫墨西哥草帽 滤波器n 7 1 。图2 7 为l o g 模板对图2 - 3 图进行处理后的效果。 ：蛮三些奎兰三耋竺：； ；：耋堡鎏兰 图2 - 6 c a n n y 边缘检测模板处理 f i g 2 - 6e d g ed e t e c t i n gu s i n gc a n n y a r i t h m e t i c 图2 7l o g 边缘检测模板处理 f i g 2 - 7e d g ed e t e c t i n gu s i n g l o ga r i t h m e t i c 1 4 第二章白细胞数字图像分析基础 2 3 神经网络基础 2 3 1 神经元模型 神经网络的基本单元称为神经元，是对生物神经元的简化与模拟。神经元的 特性在某种程度上决定了神经网络的总体特性。大量简单神经元的相互连结即构 成了神经网络。一个典型的具有r 维输入的神经元模型可以用图2 - 8 来加以描述。 由图2 - 8 可见，一个典型的神经元模型主要由以下五部分组成。 1 输入 尸1 ，p 2 ，p r 代表神经元的r 个输入。可以用一个r x l 维的列矢量p 来表示： ( 其中t 表示取转置) p = 【p 1 , p 2 ，野】1 2 网络权值和阈值 啊1 ，矾，2 ，矾皿代表网络权值，表示输入与神经元间的连接强度；b 为神经 元阈值，可以看作是一个输入恒为1 的网络权值。神经元的网络权值可以用一个 l x r 维的行矢量形来表示： 矿= 【矾1 ，矾，2 ，明， 】 阈值b 为1 1 的标量。 值得注意的是，不论是网络权值还是阈值都是可调的。正是基于神经网络权 值和闽值的动态调节，神经元乃至神经网络才得以表现出某种行为特性。因此， 网络权值和闽值的可调性是神经网络学习特性的基本内涵之一“”1 。 3 求和单元 求和单元完成对输入信号的加权求和，即 月 n = p ；w 1 ，+ 6 | 2 i 这是神经元对输入信号处理的第一个过程。 4 传递函数 在图2 8 中，厂表示神经元的传递函数或激发函数，它用于对求和单元的计算 结果进行函数运算，得到神经元的输出，这是神经元对输入信号处理的第二个过 程。表2 1 给出了几种典型的神经元传递函数形式及描述。 输入神经元层 p i p 2 p 3 输入 a = ，( w p + b ) 图2 - 8 神经元模型 f i g 2 - 8n e u r a lc e l lm o d e l 神经元层 p 厂 f l 悃 “ l l a = 厂( w p + 6 ) 图2 - 9 神经元模型的缩略形式 f i g 2 - 9b r e v i a r y f o r mo f n e u r a lc e l lm o d e l 1 6 表2 - 1 几种典型的神经元传递函数形式 t a b l e2 - 1s e v e r a lt y p i c a lk i n d so f t r a n s f e r r e df u n c t i o nf o r m so f n e u r a lc e l l s 传递函数名称函数表达式函数曲线m a t l a b 函数 阂值函数 m ，= 亿= 丰。田 h a r d l i m 线性函数，( 曲= k x 靠n 园 p u r e l i n 对数s i g m o i d 函数( 算) = 1 ( 1 + e ) 孝。团 l o g s i g 正切s i g m o i d 函数，= t a n h ( x ) 去。囝 t a n s 培 5 输出 输入信号经神经元加权求和及传递函数作用后，得到最终的输出为：a = f ( w p + 6 ) 。为了描述方便，图2 8 所示神经元模型可以用图2 - 9 所示的缩略形式加以描 述。在图2 - 9 中，黑色矩形块代表神经元的输入矢量，r 为输入矢量的维数：o 代 表加权求和运算单元；厂为传递函数运算单元。可见，该图简洁清晰地描述了神 经元的结构特性及其对输入信号的处理过程。 1 7 广东工业大学工学硕士学位论文 2 3 2 神经网络的基本结构 神经网络是由大量简单神经元相互连接构成的复杂网络。一个典型的具有r 维输入、s 个神经元的单层神经网络模型可以用图2 1 0 来加以描述。 输入神经元层 r _ _ 、 p 厂、 r 习 s一r 。 z 叵u i， s 1 s l w t ，l w 2 ，1 - 1 w 1 2 w 22 - 讹2 w 1 r ，2 r 讹r b = 在单层神经网络基础上可以构造多层神经网络。一个典型的三层神经网络模 1 8 量三茎呈竺堡鍪王篁堡坌堑董型 型如图2 1 1 所示。 产生神经网络最终输出的网络层称为输出层，输入层和中间层也称为隐层。 图2 - 1 1 所示的神经网络三层神经元的数目分别为：s 1 、妒、妒。 为了描述方便，采用上标法对神经网络中相关元素加以标记，其中：j 1 ( s 1 x r ) 表示输入层权值矩阵，l w 2 1 ( 妒x s l ) 和l w 3 , 1 ( x 于) 分别表示第一层到第二 层、第二层到第三层的网络层权值矩阵。b 1 、b 2 、b 3 分别表示各层的网络阈值矢 量。神经网络的输出为： 口3 = ，3 ( l w 3 ，扩( l w 2