（生物医学工程专业论文）基于医学图像的细胞识别统计系统.pdf

心川i 火学颂l 学位论文 t h es y s t e mo fr e c o g n i t i o na n ds t a t i s t i cb a s e d o n c e l l u l a rm e d i c a li m a g e m a j o r ：b i o m e d i c a le n g i n e e r i n g g r a d u a t e ：j i a n gd o n ga d v i s o r ：f e n gc h e n g d e w i t ht h e d e v e l o p m e n to fs c i e n c et e c h n o l o g y , e s p e c i a l l yt h e i n f o r m a t i o n t e c h n o l o g y ，i m a g ep r o c e s s i n gt e c h n o l o g yh a sb e e nt h ei n d i s p e n s a b l ei m p o r t a n tt o o l f o rs c i e n c er e s e a r c h s i n c e 】a s t c e n t u r y6 0 s c o m p u t e ri m a g ep r o c e s s i n gh a d p r o c e s s e dt h ei m a g ew h i c ht r a n s f e r r e df r o mm o o ni nt h ea s p e c to fs p a c e f l i g h t s of a r i th a sb e e na p p l i e di ne v e r yw a l k o fl i f e ，e v e r ys u b j e c t f o ri n s t a n c e s i m a g e t e l e p r o c e s s i n gf o rm a j o rp o s t u r eo lc l i m a t e ，g e o g r a p h yc h a r tp r o t r a c t ，g e o l o g i c r e c o n n a i s s a n c e ，a g r i c u l t u r a lp r o d u c t i o n ，f o r e s t r e s o u r c e i n v e s t m e n t ，o c e a n r e c o n n a i s s a n c ee t c a n o t h e rr e p r e s e n t a t i v ea p p l i c a t i o ni sf o rm e d i c a le n g i n e e r o n e s i d e m i c r oi m a g ep r o c e s s i n gi na n a l y s i ss t a t i s t i co fr e dc e l l a n da n o t h e rs i d e ， m e d i c a li m a g eh a sb e e nt h eo n eo ff a s t e s td e v e l o p m e n to fm e d i c a lt e c h n o l o g yi nl a s t t w od e c a d e s a n di tl c a dt ot h ed o c t o rc a no b s e r v em o r ed i r e c t l y , c l e a r l y , a c c u r a t e l yt o t h ed i s e a s et a r g e t i n7 0 s2 0c e n t u r v x c th a sa r o u s e dar e v o l u t i o ni nm e d i c a li m a g e a tt h es a m et i m e ，m r i u l t r a s o u n dt o m o g r a p h y , d i g i t a lr a d i a lp h o t o g r a p h y , e m i s s i v e c o m p u t e rt o m o g r a p h ya n dp e th a sd e v e l o p e dg r a d u a l l y a st h eb a s eo ft h e s e t e c h n o l o g i e s ，c o m p u t e ra n dm e d i c a lp r o c e s s i n gt e c h n o l o g yi sd r i v i n gt h ep r o f o u n d r e v o l u t i o no fm e d i c a ld i a g n o s i s m e d i c a ld i a g n o s i sa n dt r e a t m e n tt e c h n o l o g ym a k e s g r e a te f f o i t su n d e rt h e s en e wm e t h o d s a tt h es a m et i m e ，k i n d so ft o m o g r a p h y t e c h n o l o g yc a nm a k eam u t u a ls u p p l e m e n t a n dp r o v i d ep o w e r f u ls c i e n t i f i cp r o v ef o r c l i n i cd i a g n o s i s a c c o r d i n gt ot h ea b o v e m e d i c a l i m a g ep r o c e s s i n gh a sb e e na t t a c h e d m u c ha t t e n t i o ni na l lc i r c l eo fs p e c i a l i s t s t h i si s s u ei sat y p i c a la p p l i c a t i o ni nm e d i c a le n g i n e e r i n g t h i si s s u ea i m sa t m e d i c a lc e l l u l a ri m a g et oe x p l o r et h ea r i t h m e t i co fr e c o g n i t i o na n ds t a t i s t i c w i t l lt h e h o p et h a tf i n d so u tt h em e t h o d sa b o u ti m p r o v i n go nr e c o g n i t i o na n ds t a t i s t i c a n dc a n a p p l yi nl a r g e rr e s p e c t sa n dm o r ek i n d so fi m a g e s q u i c k e nt h ec a l c u l a t es p e e d a n d c o n t r o lt h ee r r o ri nt h er e q u i r e dr a n g es t r i c t l y k e y w o r d ：m e d i c a li m a g e ，c e l l ，r e c o g n i t i o n ，s t a t i s t i c ，t h r e s h o l d ，s y s t e m 摧一i 一医学图像的细胞识刖统计系统 第一章绪论 近年来，随着计算机及其相关技术的迅速发展及图形图像技术的日渐成熟， 使得图像处理技术逐步渗入医学领域中，开创了数字的新时代。医学是关系到 千千万万人的身心健康的应用学科，医学的发展水s f - 体现了一个国家的人民生 活标准，代表了一个国家的综合国力。自古以来，“望、闻、问、切”都是国 内外进行医学诊断最基本的手段。但是，自伦琴】8 9 5 年发现x 射线以来，医学的 诊断方式发生了翻天覆地的变化。随着可视化技术的不断发展，现代医学己越 来越离不开医学影像技术，医学影像在临床诊断、教学科研等方面正发挥着极 其重要的作用。 生物医学工程是建立在现代高科技基础上的新兴交叉学科，涉及现代图像 技术、信号处理、计算机视觉、医学成像、人工智能等学科。数字图像处理和 模式识别等技术在生物医学领域得到广泛的应用，如病理切片图像、x 射线透视 图像、c t 和m r j 、核医学影像、超声影像、红外线热成像图像等。其中在染色 体分析、血细胞自动分类、胸部x 光照片的鉴别、眼睛虹膜和指纹识别等生物 识别技术方面都开展了卓有成效的研究工作。 图像处理技术是把经过数学变换后得到数字图像信息，再由计算机进行编 码、增强、复原、压缩、存储等处理，最后产生可视图像。图像处理技术在通 信科学、机器人视觉、多媒体技术、高清晰度电视、医用图像、目标跟踪等领 域得到了广泛的应用。自九十年代起，借助计算机图像处理与分析、计算机图 形学、虚拟现实和计算机网络等技术的医学影像分析与处理一直是国内外研究 与应用的热点 3 1 。目前生物医学工程是数字图像处理技术应用的一个非常活跃 的领域。 目前，医学影像包括b 超扫描图机图像、x 射线透视图像、核磁共振( m r f ) 图像、c t 图像、p e t 图像、s p e c t 图像、数字x 光机f d x l 图像、各种电子内窥图 像、显微镜下病理切片图像等，同时，更清晰、更有诊断价值的高质量医学图 像技术正在不断研究和发展中。 图像的预处理技术对图像数据进行各种处理以期达到最好的显示效果，常 用的预处理技术有直方图处理、滤波、增强、恢复、插值、形态学、旋转、平 移以及缩放等变换技术。几何变换可以方便的使用户从不同角度多方位的观察 图像。滤波、增强、恢复操作可以消除图像数据中的噪音，提高图像质量。在 四川人学硕上学位论文 所提供的医学细胞图像当中，经常存在源图像在图像质量上存在较大的噪音或 者缺陷，需要进行以上一系列工作才能得到一个较为清晰的图像is l 。 医学图像与普通图像相比，本质上具有模糊性和不均匀性的特点，一是医 学影象有灰度的含糊性，即在同一类组织中，像素值也会出现大幅度的变化， 同种组织里面也会有像素的不均匀。另外由于图片源的来源问题，带来的噪声 信号往往模糊了物体边缘的高频信号，造成了图像在一定程度上的模糊效应1 6 1 。 此外，还存在局部效应。比如在一个边界的体素中，常常包含了边缘和物体两 种物质，图像中的物体的边缘拐角及区域间的关系都难以精确的描述，一些组 织相互重叠，边缘无法界定。这就需要使用滤波以及增强等方法对其处理，使 局部区域的对比度上升，方便以后的处理中进行比如分割，确定边缘等系列工 作。 1 1 课题研究的目的和意义 近几年来，计算机图像处理及模式识别技术发展迅速，理论上不断深入， 应用面不断拓展，并在很多领域获得了成功。许多医院为了提高红细胞检验的 准确度、精确度和效率，对于红细胞的识别统计由过去的人力识别逐渐转换为 软件算法的实现。我所做的工作就是开发一个识别统计系统，能对医学图像中 的细胞进行统计，并对其算法实行优化，以有利于识别的精确度提高与运算时 间的减少，减少人为的判断误差，降低劳动强度，提高工作效率。 1 2 国内外研究现状 目前，世界上己有不少国家的机构开始致力于这个领域的研发工作，并且 研究出一些面向临床的功能简单的影像处理与分析系统。这些系统虽然仅能提 供有限的临床所需的功能，但在临床研究中已经发挥重要的作用。正是由于医 学影像处理与分析对临床医学的发展有着促进作用，因而，医学影像处理与分 析的研究正逐步受到世界许多国家的重视。 1 3 本论文主要研究工作 本论文主要在于探索建立一套红细胞的识别统计系统，并在前有的基础上 对其进行优化，使系统对红细胞的识别统计率进一步提高。本系统是通过v i s u a l c + + 编程实现。 蜒于医学图像的细胞识别统汁系统 本论文主要有两个大部分： 1 首先实现现在普遍的一种对红细胞识别统计的方法，得到实验的结果。 继而提出对此方法的一个改进，得到一个更好的统计结果，将误差严格控制在 要求范围之内。 2 将本系统的所得到的结果从几个方面进行分析，寻找影响，采用不同类 型图片识别效果的因素，从而能得到更好的统计效果。 第二章图像处理的基本方法 厂k 簸缩 ，1 嬲扣鼢摆鞔 |il l 翻像勤a 面。1l 模蝗搀理j 器 l 非线性平滑 f 平嘎爹波线性平滑 墨翥翟慧jc 滤波，1锐化滤波；薹茬藐在 囊器雾篓 l l 龇警戤悸蒜蓄化理的方法1 、 k 器 u e 线性锐化 l低通滤波定簇雾蓑鎏滤波 l 频域方法 舰凇 1 时，输出图像的对比度将增大： 当k 1 时，输出图像的对比度将减小；当k = i 且k 0 时，操作仅使所有像素 的灰度值上移或下移，其效果是使整个图像更暗或更亮；如果k 1 ) 物体灰度区间以改善图像；同 样如果图像灰度集中在较亮的区域而导致图像偏亮，也可以使用灰度拉伸功能 来压缩( 斜率 1 1 物体灰度区间以改善图像质量。 n l h i t ；一缸l # 苜一 i 一点y 坤n ；二 x 呈# m i 二m # t 1 2 ， l 图2 7 降低对比度 叫川大学硕1 ：学位论文 26 直方图的均衡化 直方图均衡化是一种最常用的直方图修正。他是把给定图像的直方图分布 改造成均匀的直方图分布1 3 1 。由信息学的理论来解释，是具有最大熵( 信息量) 的图像为均匀化图像。直观的讲，直方图均衡化增加了像素灰度值的动态范围， 从而达到增强图像整体对比度的效果。 直方图均衡化从原理上是计算累计分布函数( c u m u l a t i v ed i s t r i b u t i o n f u n c t i o n ，c d f ) ，并将其作为灰度变换函数s = t ( r ) ，从而将原始图像的关于灰度r 的分布直方图，转换为关于灰度s 的均匀分布。 ( a ) 原图 0 1 1 8 1 14 。|l|l ( b ) 均衡化后 ( c ) 原直方图( d ) 均衡化后直方图 图2 8 细胞灰度图及其均衡化后效果图 2 7 图像的平滑 图像的平滑是一种实用的数字图像处理技术，主要目的是为了减少图像的 肌一 4jbll 基于医学图像的细胞识别统计系统 噪声”。一般情况下，在空问域内可以用临域平均来减少噪声：在频率域，由于 噪声频谱通常多在高频段，因此可以采用各种形式的低通滤波的办法来减少噪 声。 图像的均值滤波是一种图像空间域滤波增强技术。 图像的空间信息可以反映图像中的物理位置、形状、大小等特征，而这些 特征可以通过一定的物理模式来描述。例如，物体的边缘轮廓由于灰度值变化 剧烈，一般呈现高频率特征，而一个比较平滑的物体内部由于灰度值比较均一 则呈现低频率特征。因此，根据需要可以分别增强图像的高频和低频特征。例 如，对于人像的比对查询，就需要通过高频增强突出五官的轮廓。对图像的高 频增强为高通滤波，可以突出物体的边缘轮廓，从而起到锐化图像的作用。因 此，也可以称为锐化滤波。从频率域的角度讲，它能减弱甚至消除图像的低频 分量，保留高频分量，故称之为高通滤波。 相应地，低通滤波则是指对图像的低频部分进行增强，它可以对图像进行 平滑处理，一般用于图像的噪声消除，因此，也可以称为平滑滤波。从频率域 的角度讲，可以减弱甚至消除图像的高频分量，而保留低频分量，故称之为低 通滤波。滤波技术按照所在的空间不同，可以分为空间域滤波和频率域滤波， 锐化滤波和平滑滤波一般在空间域进行，高通滤波和低通滤波则一般在频率域 进行。 在一般的图像平滑中，常用3x3 或者5x5 的模板得到的平滑图像，一般 用于消除图像中的随机噪声，从而起到图像平滑的作用。均值滤波法是将一个 像素及其邻域中的所有像素的平均值输出作为相应的像素，从而达到平滑图像 的目的。 线性滤波器是线性系统和频域滤波概念在空问域的自然延伸。其输出像素 值r 的计算由下列公式定义： 】 r 2 一( w i z 】+ w 2 2 2 + + z n ) 2 8 其中：w i _ 1 ，2 ，n 是模板的系数 z ，i _ 1 j 2 ，r l 是被计算像素的值 常见的均值滤波3 x3 模板见图2 9 四川大学硕 ：学位论文 吲 i 喘耻矧卜 2 8 图像的分割 2 8 1 医学图像分割技术 医学图像处理的主要研究方向有图像分割、图像配准等，而其中医学图像 分割的研究具有更重要的意义妒j 。结构分析、运动分析、三维可视化等后续操 作，以及图像引导手术、肿瘤放射治疗、治疗评估等应用研究都假设己对图像 做了准确分割，或者说都是以图像分割为基础的。这与计算机视觉中出现的情 况类似。医学图像分割是正常组织和病变组织的三维重建、定量分析等后续操 作的基础，也是临床医学应用的瓶颈，分割的准确性对医生判断疾病的真实情 况并做出正确的诊断计划至关重要。 由于医学图像具有的极繁杂的多样性和复杂性，加上目前医学影像设备( c t m r i ，p e t ) 等成像技术上的特点，使得医学图像存在一定的噪声，图像中目标物 体部分边缘也有可能局部不清晰，这使得医学图像的分割更困难。因此，目前 在医学图像分割方面仍然没有可以通用的理论和方法，从指导思想上看，图像 分割方法可以分为两种体系，以计算机为单一执行者的自动分割方法和人机结 合的交互式分割方法。自动分割方法的指导思想是追求完全由计算机自主完成 目标的分割任务，而不需要人的参与。但是，目前计算机自主分割的结果不能 令人满意，准确性不能满足医学图像的应用要求，而对人机交互过于依赖又是 实际应用不能接受的。因而，目前对自动分割方法的研究继续关注的同时，对 交互分割方法的研究也成了医学图像分割的研究重点。 在于医学图像的细胞识别统计系统 所谓图像分割是指将图像中具有特殊涌义的不同区域区分开来，这些区域 是互棚不交叉的【驯。 图像分割的要求主要有：图像分割所得到的全部子区域的总和应该能包括 图像中所有的像素。各个子区域是相互不重叠的，分割出的区域的内部不应该 有t e , j , 的空洞；分割出的图像区域应该具有某种相同的性质。分割出的区域的 边界与实际的边界要吻合；分割出的同一个子区域内的像素应当是连通的。 2 8 2 医学图像分割方法的分类 图像分割是当今图像技术的一个热点和焦点。对于一幅灰度图像，区域内 部的像素一般具有灰度相似性，而在区域之间的边界上一般具有灰度的不连续 性，所以分割算法可据此分为利用区域问灰度不连续性的基于边界的算法和利 用区域内灰度相似性的基于区域的算法。另外根据分割过程中的处理策略不同， 分割算法又可以分为并行算法和串行算法【2 ”。对于医学图像分割算法的分类依 据也不统一，图2 1 1 是总结一些参考资料提出的一种大体的分类。 医学图像 分割 图2 1 1 并4 7 , 5 a 界微分算于方法 技术 、基于反应扩散方程的方法 串行边界基于曲面拟合的方法 技术 、二坐翻由界曲线拟台的方法 厂_ 闽值分割的方法 并行区域分类和空间聚类的方法 分割 1基于随机场的方法 li 主通区域丽月法 串募驴 2 个 一2o 200o 像素 101121 一，。 权值反比于邻点与 一1 o 1 一1 一压一1 中心点的距离，检测 i s o t r o p i cs o b e l l 一压0 扼i ? 尝? 1 沿不同方向边缘时 l 一1 o1 j 梯度幅度一致 表2 1 常用边缘算子的形式与特点 1 ) r o b e r t s 边缘算子 4 6 1 是一种利用局部差分算子寻找边缘的算子，是典型 的梯度计算法。为了简化计算经常使用梯度的简便计算方法用差分 来近似微分，可以看成是2 2 算子，如式3 1 l ： g ( i ，力= l 厂( i ，j ) - f ( f + 1 ，+ 1 ) i + i f ( f + 1 ，) 一f ( i ，+ 1 ) 1 2 1 6 2 ) 为了强有力地抑制噪声，p r e w i t t 边缘算子计算所要处理像素的邻域区 域内灰度的“和”及平均值的“差”。它也可以扩展成0 。、4 5 。、9 0 。、1 3 5 。、1 8 0 。、2 2 5 。、2 7 0 。、3 1 5 。这8 个方向，这里不做赘述。 称其0 。和9 0 。的样板算子为s m o o t h e d 算子。在程序设计中，依次用 样板去检测图像与被检测区域最为相似的样板给出最大值，并用该最大 值作为算子的输出值。 3 ) 8 个卷积组成了k i r s c h 边缘算子，图像中的每个点都有8 个掩模对某个 特定方向边缘做出最大响应，可以将所有8 个方向中的最大值作为边缘 幅度图像的输出。最大响应掩模的序号构成了对边缘方向的编码，也可 结合系统需要灵活组织样板。 每个点都用这2 个做卷积，一个对通常的垂直边缘响应最大，而另一个 基于医学图像的细胞识别统汁系统 对水平边缘响应最大。2 个卷积的最大值作为该点的输出值。运算结果 是一幅边缘幅度图像，对上一f 左右的像素赋予比对角线上大的权重可以 有效地抑制噪声。 4 1r o b i n s o n 算子是一个样板算子，是s o b e l 边缘算子的扩展，由8 个样板 组成，8 个卷积核形成了r o b i n s o n 算子。图像中的每个点都有8 个掩 模对某个特定方向边缘做出最大响应，可以将所有8 个方向中的最大值 作为边缘幅度图像的输出。最大响应掩模的序号构成了对边缘方向的编 码。也可结合系统需要灵活组织样板。 s o b e l 算子的处理效果较好，轮廓线清晰，各类噪声较少，有利于进一步的轮 廓跟踪与修补。在系统的实际使用过程中，经该算子增强处理的图像可实现关 键部位的自动识别定位，由轮廓线的模糊变形引起的测量误差可在实际应用中 尽量消除。所以在本文中，选用的是s o b e l 算子。 2 11 本章总结 本章主要是对图像的基本性质，灰度图像以及彩色图像( 2 4 位) 的直方图显 示，直方图的拉伸、均衡化以及数字图像形态学做一个简要的介绍，这也是图 像预处理工作中重要的基础工作，对于把握好图像的基本信息很重要。 蜒于医学图像的舅l j 胞识别统计系统 第三章细胞识别统计系统 3 1 系统基本概述 3 1 1 血液细胞识别统计系统 本系统是医院中血液红细胞记数的实用系统。它主要是以病人的血液样本 ( 切片样本) 为原始数据，通过一系列的图像处理与分析，最后识别出血液中 感兴趣的细胞( 红细胞或白细胞) ，同时给出他们的个数1 3 2 1 。在得到他们的个 数以后，通过检测的血液量，就可以得出血液中细胞的密度以检查患有何种病 变，该系统可以很方便的应用在i 临床诊断以及全功能监护仪上，大大提高速度 和效率。 3 1 2 系统基本技术要求 在系统开发前，首先需要确定系统的基本技术要求。以下是血液细胞自动 识别统计系统的基本技术要求，也是所有医院统一的技术要求： ( 1 ) 系统稳定，要求系统能够至少连续无错运行一个星期； ( 2 ) 系统对细胞的统计误差不能超过5 ： ( 3 ) 要求系统能够处理一些比较特殊的情况，比如比较严重的细胞粘连 ( 多个细胞重叠在一起) ，或者有多个细胞处于采集图片的边缘或者 细胞只呈现出半个； ( 4 ) 时间要求，从对玻璃片上的血液进行图像采集，到最后得出的细胞 数目并计算出细胞密度，最大耗时不能超过2 0 秒； ( 5 ) 界面简单，操作容易； 3 1 3 系统架构及实现 下面从图像识别统计系统的硬件和软件两个平台说明实现步骤： 夺系统硬件平台 硬件平台包括：摄像头、高倍放大镜、图像采集卡、高性能计算机。当扫 描到有新的血液切片时，就启动程序，对高倍放大的血液视图进行图像采集， 然后保存为b m p 文件。 夺系统软件平台 系统中用到的重要算法依次为：彩色图像平滑，h i s 色彩模型，域值处理， 孔洞填充，梯度修正，腐蚀，细化，中心点或非中心点统计。 2 4 赫于医学图像的细胞识别统汁系统 3 1 4 系统初步流程图 图3 1 列出了整个细胞识别统计系统的工作流程 图3 1 系统的工作流程 在图3 1 中，可以看到整个细胞识别统计的流程大概分为十数步，其中， 图片的读入以及直方图的相关处理已经在上一章进行了处理。本章就将直接从 图像的平滑开始后续工作。 四川大学顾上学位论文 3 2 图像的平滑 3 2 1 本文采用的平滑方法 均值滤波的过程如图3 4 所示。图3 4 a 是一幅图像的一小部分，共9 个像 素，p ，( i = o ，1 8 ) 表示像素的灰度值；图3 4 b 表示一个3x3 的模板，k ，( i = o ，1 8 ) 称为模板系数；模板的大小一般取奇数( 如3x3 ，5x5 等) ，均值滤波算法可分 为以下几步： 1 ) 令k ，( i = o ，1 一8 ) ； 2 ) 将模板在图像中漫游，并使k 与图3 4 a 中的岛像素重合。即可由3 - 1 式计算 输出图像中与相对应的像素的灰度值( 如图3 4 c 所示) 3 ) 对每个像素按上式进行计算即可得到增强图像中所有像素的灰度值。 针对彩色图像，可以对r ，g ，b 三原色通道分别进行平滑后再得到每个像 素的颜色值。 p 4p 3p 2 p 5p op l p 6p 7p s 屯屯屯 砖k o岛 吒k 7k ( b ) 图3 1 均值滤波全过程 吩t 吩 珞 3 2 2 图像平滑结果及讨论 在此，我们针对图像使用了3x3 的模板进行平滑处理。 ( a ) 原图( b ) 平滑后 ( c ) 基于医学图像的细胞识别统计系统 ( c ) 原图( d ) 平滑后 图3 2 3x3 均值滤波效果图 模板操作是数字图像处理中经常用到的一种运算方式，在图像的平滑、锐 化、以及边缘检测等都要用到模板操作。前面我们看到，虽然均值滤波器对噪 声有抑制作用，但同时会使图像变得模糊，而且容易产生新的颜色，特别是边 界区域，对于以后选取闽值后的结果会有一定的影响。为了改善这一状况，在 后一章节有针对性的改进方法。 3 3 图像的阈值分割 3 3 1 图像阈值分割 阈值分割是常见的、并行的直接检测区域的分割方法，如果只选取一个阈 值称为单阈值分割，它将图像分为目标和背景两大类；如果用多个阈值分割称为 多闽值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各 个区域进行标记。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相 邻像素问的灰度值是相似的，且不同目标或背景的像素在灰度上有差距，反映 在图像直方图上，不同目标和背景则相应不同的峰。选择的阈值应位于两峰谷 处，从而能将各个峰分开1 3 4 1 3 8 1 。 图3 3 直方圈图像分割 x 轴 四川大学硕士学位论文 如果图像中有多个灰度值不同的区域，那么可以选择系列的阂值以将每 个像素分到合适的类别中去1 3 7 。不管用何种方法选取闽值，取单阈值分割后的 图像可定义为： 贴川七i 嬲之筠 。， 3 3 2 本文阈值分割算法 对于单一阈值的选取问题，其解决方法较为简单，但对于多目标的图像来 讲，如何选取合适的阈值是基于阈值图像分割的困难所在，至今仍有不少学者 针对该问题进行深入的研究，提出了许多新的方法。 在此运用的是一种图像最佳分割阈值的算法m 】，步骤如下： 1 、统计求出图像中的最小和最大灰度值兄和r 。，设阈值初始值 兀：竺立生3 2 “ 2 2 、根据闽值瓦将图像分割成目标和背景两部分，求出两部分的平均灰度值 r 和r 1 ： r ( i ，j ) x n ( i ，) 铲坚 丽广 r ( i ，) 五 3 3 盹m ( f ，) r = 型 而厂 3 。4 r ( f j ) ) 耳 式中r ( i ，j ) 是图像上( i j ) 点的灰度值，n ( i ，j ) 是( i j ) 点的权重系数，一般 n ( i ，) = 1 0 a 3 、求出新的阈值 瓦矿譬粤 3 5 4 、如果瓦= 瓦则结束，否则k + 一k + i ，转步骤2 。 5 、将阈值范围内的像素赋蓝色，其余为背景色。 对于彩色图像，如果使用直方图阈值分割，则对r ，g ，b 三原色分别进行 以上的操作后再得到结果。 基于医学圈橡的细胞t 只别统汁系统 3 3 3 阈值分割结果及讨论 对以下图像进行处理 图3 4 图像阂值分割结果 阈值分割的缺点是不适应于多通道图像和特征值相关不大的图像，对于图 像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题 难以得到准确的结果【3 ”。另外，由于它仅仅考虑到图像的灰度信息而不考虑到 图像的空间信息，阈值分割对噪声和灰度不均匀很敏捷。针对阈值分割方法的 特别，不少学者提出许多改进方法，在图像的分割中，一些闽值分割方法还利 用了一些像素邻域的局部信息，如基于过渡区的方法，还有利用像素点空间位 置信息的变化阈值结合局部灰度和连通信息的阈值方法等。 在以上图中，我们也可以看到有很多明显是细胞的部分，因为可能在取样 上存在一定的偏差或者细胞本身在颜色上的一点差异，使其不能被划分为目标， 这样对以后统计结果会产生比较大的影响。另外，在后续章节将使用h i s 颜色 模型来进行阈值分割，将克服上述的一些问题。 四川人学硕士学位论文 3 4 图像的子l 洞填充 在图形、图像处理及图形与图像的转换中，区域填充算法是一种十分重要的 基本算法d o 。区域填充是指将符合四连通或八连通定义的区域内的一点( 常称为 种子点) 赋予给定颜色，然后将这种颜色扩展到整个区域的过程。该算法在计算 机辅助设计、真实感图形显示以及图像处理领域有着广泛的应用，它的适应性及 效率对于实际应用有着非常重要的意义。 常用的填充算法有多边形有序边填充算法、种子填充算法及多边形边标志 填充算法。有序边表填充算法的主要缺点是对各种表的维持和排序开销太大；种 子填充算法的缺点是需要栈结构，因而需要较大的存储空间以实现栈结构，而且 在有多个对象需要填充时种子点的逐个选取会降低效率，在有些情况下甚至是不 现实的；多边形边标志填充算法速度虽然较快，但对任意形状区域的填充却存在 缺陷，这对于在图像处理时需要完整地保持原形态的情况下尤为突出。本文提出 和实现了一种适应性广泛的任意形状区域内孔洞的填充算法，并将该算法应用于 医学图像处理的研究中。 在使用阈值分割了以后，由于闽值的选取或者图片源的问题，使得经常出 现细胞内部有孔洞的问题，这样的结果对以后的数量以及面积的统计非常不利， 所以需要用n ? l 洞填充的方法来进行弥补。 3 4 1 种子填充算法原理 种子填充算法首先假定封闭轮廓线内某点是已知的，然后开始搜索与种子点 相邻且位于轮廓线内的点。若相邻点不在轮廓线内，那么就达到轮廓线的边界； 若相邻点位于轮廓线之内，则该点成为新的种子点，然后继续搜索下去。在种子填 充算法中，填充方式的选择和填充效率的提高是两个十分重要的问题。传统的种 子填充算法，无论是简单种子填充算法还是扫描线种子填充算法，总免不了要将 已经填充过的像素点进行再次或多次重复判断，如扫描线种子填充算法，绝大多 数像素点的判断次数要高达三次，这必然降低填充效率。而以链码为基础的种子 填充算法，需要对边界链码方向进行判断，而且在填充过程中，需要采用回溯算法， 而不是一次搜索完全链，因此该算法较复杂f 4 ”。 3 4 2 本文算法设计 在图像处理中，我们经常会碰到需要填充某些区域中的许多小孔洞的情况 3 0 璀f 医学幽像的细胞识别统汁系统 1 4 2 l 。这些区域的形状各异：有凸多边形、叫多边形或者其他不规则图形。对于凸 多边形，我们可以用扫描线法快速地填充其中的7 l 洞；但是对于凹多边形和其他 不规则图形，扫描线法重复性太高，速度显然太慢。本文使用了一种利用图像外接 连通区域法进行搜索的孔洞填充算法，该算法可用于任意形状区域中若干孔洞的 快速填充。 在本文算法中，为了方便填充区域的计算、减少辅助内存，申请了一个结 构体，分别用于保存扫描过程中所搜索到的所有点的两种状态访问( v i s i t e d ) 和标志( m a r k e d ) 雕j 坐标。其存储大小和存储方式与原图像相同。该孔洞填充算法 的描述如下 4 3 j ： ( 1 ) 因为需填充的像素点肯定是阈值以外的，而在阈值以内的像素已经被标 志，所以需要找到所要标志的区域中所有非孔洞像素点。具体思路是：从预先任 意选定的种子点开始，采用8 邻域跟踪算法，搜索种子点的8 邻域，找出与种 子点相同颜色并且相连通的所有像素的位置。每找到一个与种子点颜色c o l o r l 相同的点，就把该点标记为种子点，并把它的颜色改为另一种颜色c o l o r 2 ，然 后将其坐标存入坐标数组中。该种子点搜索完毕后，再从坐标数组中取出个种 子点进行如上操作。由于在图像中的每个点，只要其颜色为c o l o r l ，在扫描后其 颜色都被改为c o l o r 2 ，这样，每扫描一个点，标志为c o l o r l 的点就减少一个。 最终当所有的种子点都扫描完毕后屑于区域中的点也就全部标志出来了。该算 法对每个点都只需扫描一遍，速度显然很快。 ( 2 ) 当所有的点都被访问，并且所有阈值内的点都被标志后，统计所有的连 通的非标志区域的面积。这时候会有1 个或者几个面积特别大的区域，其他的 都是面积相对较小或者很小的区域。较大或者很大的连通区域肯定是细胞外的 区域，属于访问但非标志区域；而较小或者很小的区域往往就是需要填充的区 域，属于访问且标志区域。被标志区域全部用蓝色标志。 3 4 3 孔洞填充结果及讨论 孔洞填充结果如下图： 四1 1 人学硕t 学位论文 图3 5 孔洞填充结果 从上面的结果看，孔洞填充的效果是不错的。上图的孔洞，有的是细胞间 的，有的是细胞内的。对于细胞内的，是必须得填充的，但是对于细胞间的， 填充了会造成细胞之间不能分开，以后的腐蚀操作也不能正确区分开细胞，对 于最后细胞的判断会造成很大的影响，所以要用到下面的边界提取。 3 ，5 梯度提取边界 3 5 1 本文梯度检测边缘算法 在边缘检测中，常用的一种模板是s o b e l 算子【4 7 l 。s o b e l 算子有两个，一个 一1 2 1 一1 0 1 1 是检测水平边沿的i ? ：0 7i ；另一个是检测垂直边沿的i - 2 。0i i 。 一1 1 1 一1 0 1 与l ? ：) ? i 和i ：。0 ：i 相比8 曲d 算子对像素的位置的影响做了加权， 因此效果更好。 s o b e l 算子另一种形式是各向同性s o b e l ( i s o t r o p i cs o b e l ) 算子，也有两个， 一个是检测水平边沿的 一1o1 一压0 压 一1 o1 1 4 2 1 000 14 21 ，另一个是检测垂直平边沿的 。各向同性的s o b e l 算子和普通s o b e l 算子相比，它的位置加权 培于医学吲像的细胞识别统计系统 系数更为准确。 在前面孔洞种予填充中，由于之前闷值的选取以及图片源本身的问题，很 可能造成很多实际上足细胞内部或本身的部分没有被标志，j l 洞种子填充已经 解决了这一部分的问题，但是同样会有些本身就不是细胞内部的部分，由于细 胞的重叠，紧密接触使得细胞间的小部分也成为了很小的非连通区域。在孔洞 填充当中，一洋会将他们标志掉，这样会造成比较严重的后果，在以后形态学 中的腐蚀和细化计算半径面积的时候，由于细胞问没有分开，会将重叠的细胞 团识别为一个细胞，这样对最后的数量统计以及面积统计会有很大的影响。因 此! 必须将这些区域中的非细胞内部的非连通区域找出来并且将其边界划分出 来。下图为细胞间的非连通区域被填充掉的情况： 图36 细胞间菲连通区域被填充掉情况 算法的步骤如下： 1 、由于之前将较小的非连通区域存放在一个数组当中，现在将此数组中所有 标志的像素还原为背景色。 2 、确定图像的第一个当前点，使用s o b e l 模板从第一个当前点开始遍历图像， 分别用水平方向和垂直方向两个模板对当前点周围9 个点迸 1 7 j j n 权计算，最后 累加得到当前点的x 方向和y 方向的梯度绝对值之和。 3 、将得到的绝对值之和结果做比较，将大于2 5 5 8 的结果值的当前点判定 为边界点，否则取周围像素的平均值。 4 、对于数组中的小非连通区域，如果其像素的梯度值大于闽值，那么标志失 败，返回其背景色值。如此以来错误的填充区域就被还原。 3 5 2 梯度检测边沿结果及讨论 图3 1 1 是梯度检测边缘的效果图 叫川大学珂j ：卜学位论文 3 7 梯度修正效果图 如图中所示，用s o b e l 算子进行修正处理能将原来错误的种子填充区域还 原回来，并能正确识别细胞间的非连通区域，这样为以后进行统计建立了非常 良好的环境，大大降低了识别统计的错误率。 3 6 图像的腐蚀 3 6 1 本文腐蚀算法及结果 腐蚀是一种消除边界点，使边界向内部收缩的过程，可以用来消去小且无 意义的点 5 h 。 对z 中的集合a 和b ，使用b 对a 进行腐蚀，用a o b 表示，并定义为： a b = z i ( b ) ：a 3 6 式3 1 4 表明，使用b 对a 进行腐蚀是所有b 中包含与a 中的点z 的集合用z 平移。 厂】门r o1o 本文所用的是简单腐蚀算法，在算法实现中循环使用i1 11i 和l111 i 111 1 0 10 模板。腐蚀效果如下： 龋千医学蹭像的细胞识别统计系统 ( c ) 原图( d ) 腐蚀后 图3 8 腐蚀效果 腐蚀操作不是一次就可以达到目的的，要进行多次腐蚀才能有效。在识别 统计系统中，要得到半径的数值，统计中心点，必须进行多次腐蚀，去除噪音， 这样才能在后续方法中得到良好的效果。 3 7 图像的细化 3 7 ，】形态学细化简介 在图像处理和模式识别的研究中，常涉及二值图像的细化问题，通过细化 而抽取一个二值图形的骨架是一项极有意义的工作。近几十年来，各国学者为此 提出了许多细化算法，但大多是在以下两类方法的基础上发展起来的。其一是 b l u m 定义的一种细化法，即所谓的中轴变换；其二是r o s e n f e l d 提出的局部差 别删除法【5 3 】。由于这些算法在用于较复杂模式时，都不同程度地存在判断复杂， 执行时间长，对噪声敏感，不能很好地保持原图像的形状与连通性等问题，因 此，无法在图像处理领域和识别领域获得广泛的应用。数学形态学的建立，开 辟了数学图像处理的新途径。该方法具有算法简单、速度快、并行处理、易于 硬件实现等特点。 所谓细化就是寻找图形、图像的中轴线或骨架，以其骨架取代该图形或笔 划。也就是说，细化之后该图形或笔划的像素宽度为1 ，可以用数学语言严格地 描述图形的轴线或骨架。 3 7 2 细化算法 传统细化算法有很多，有串行算法和并行算法。常用的有h i l d i t c h 细化、 d e u t c h 细化和r o s e n f e l d 细化等。 h i l d i t c h 细化算法为串行处理方式，最终得到的是8 条近邻连接线条( 即细 化薄线的每个像素都被认为和其周围的8 个近邻的薄线像素连结) 。d e u t c h 细化 算法的处理方式为并行处理方式。所得到的线图形形态是不完全的8 一连接，可 以看作是8 连接图形。r e s o n f e l d8 - 连接这种细化算法的处理方式是并行处理方 式，最终得到图形是8 一连接图形。 3 7 3 本文的细化算法 对图像的细化要保持图像的连通性。这是一条细化的最基本准则。无论是 采用经典的算法还是应用数学形态学的方法，都毫不例外地要求遵守这一原则。 同时我们看到：细化过程也就是对图像逐层剥落的过程，随着细化的进行，图 像有规律地缩小。由数学形态学的基本知识可以知道，基本形态运算中的薄化， 即a o b ，可以使图形按一定规律不断缩小，并始终保持a o b 。因此，可选取薄 化运算作为进行细化的基本运算形式。运算方法确定后，结构元素b 的选择尤 为重要，成为影响整个细化问题的关键。 结构元素b 首先应使得图形在细化过程中保持连通性1 5 ”。更具体地说，基 于数学形态学的细化运算是由腐蚀和膨胀两种变换合成的，在腐蚀过程中，不 断移动结构元素b 的中心点，使它与图像a 中各点重合，若当a 中某点( 灰度为 1 ) 与b 的中心重合，该点的邻点( 在此取8 邻域点) 也恰好与b 的其它点结构 特征相同，则可将该点的灰度由l 变为o ，即从a 中删去该点，将中心点由1 变为0 后，a 的连通性不变。其次就是孤立点、一条线段的端点、非边界点的 结构形式不能选取。因为孤立点已经不存在进一步细化的问题：一条线段没有 “厚度”，因此，不必细化：非边界点不属于被腐蚀或“剥落”的对象。 基于医学幽像的细胞识别统i 1 系统 10】 1 1l1 图3 9 结构元素特征 其中，符号“”表示即可取灰度1 ，又可取灰度0 的像素。然后将以上两 种结构元素旋转9 0 度、18 0 度、2 7 0 度共6 种结构元素，共有8 种结构元素。 这8 种元素分别对应着东、西、南、北及东北、西北、西南及东南8 个方向上 的边界点。 为了更形象化一点，这里举几个细化例子： oo 0 0o o o0 o 11 l o 00 l11 ( 4 ) ( 2 ) 1o1 l00 11 1 ( 5 ) 图3 1 0根据8 临点情况判断中心点 10l 1 o0 1 01 ( 3 ) 011 1o1 1】l 其中，0 为暗点，l 为亮点。在( 1 ) 中，中心点为内部点，所以不能删为1 ， 不然骨架就被淘空