（计算机应用技术专业论文）人体细胞识别技术研究.pdf

摘要 针对国内癌症医疗诊断系统对人体细胞识别技术的需求，本文研究 并设计出一套有效的基于病理分析的人体细胞识别系统，以达到提高癌 症诊断正确率的目的。 本文根据不同的需求，采用最佳阈值分割算法和边缘分段自增强算 法，分割出细胞和细胞核。针对癌细胞的特点，提取出细胞的基本特征、 形状特征、光密度特征以及纹理特征。然后基于肿瘤细胞种类很多、特 征复杂，本文采用模糊球面领域算法进行癌细胞的分类识别，获得了较 好的识别效果。 关键词：小尺度高斯滤波；分段自增强；最佳阈值分割：孔洞填充；模 糊球面领域算法 a b s t r a c t l nv i e wo fd o m e s t i cc a n c e rm e d i c a ls e r v i c ed i a g n o s i ss y s t e mt oh u m a n b o d yc e l l r e c o g n i t i o nt e c h n o l o g yd e m a n d t h ea r t i c l es t u d i e sa n dd e s i g n s e f f e c t i v e l yb a s e do n t h ep a t h o l o g ya n a l y s i sh u m a nb o d yc e l lr e c o g n i t i o ns y s t e m ，a n da c h i e v e dt h eg o a lt h a t t h ea c c u r a c yo fc a n c e rt od i a g n o s ei se n h a n c e d a c c o r d i n gt ot h ed i f f e r e n td e m a n d ，t h ea r t i c l eu s g st h es e g m e n t a t i o na l g o r i t h mo f t h eo p t i m a lt h r e s h o l da n ds u b - e d g ea c c u m u l a t i o na l g o r i t h mt os e g m e n t a t i o no ft h ec e l l a n dt h ec e l ln n c l e u s hv i e wo fe n n c e rc e l l sc h a r a c t e r i s t i c e x t r a c tt h ec e l lt h eb a s i c c h a r a c t e r i s t i c ，t h es h a p ec h a r a c t e r i s t i c , t h el i g h td e n s i t yc h a r a c t e r i s t i ca sw e l la st h e t e x t u r ec h a r a c t e r i s t i c t h et u m o rc e l lt y p ei sv a r i o u sa n dt h ec h a r a c t e r i s t i ci sc o m p l e x t h ea r t i c l eu s e sr 葛n ( f u z z yc o v e r i n gw i t hs p h e r en e i g h b o r h o o d ) a l g o r i t h mt o i d e n t i f y i n gc a n c e rc e l l s ，a n di tc o u l da c h i e v eag o o dr e c o g n i t i o ne f f e c t k e yw o r d s ：s m a l ls c a l eg a u s sf i l t e r ；s u b e d g ea c c u m u l a t i o n ；t h e s e g m e n t a t i o n a l g o r i t h mo f t h eo p t i m a lt h r e s h o l d ；h o l ef u l l ；f c s n 长春理工大学硕士学位论文原创性声明 本人郑重声明：所呈交的硕士学位论文，人体细胞识别技术研究是本 人在指导教师的指导下，独立进行研究工作所取得的成果。除文中已经注明 引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品 成果。对本文的研究做出重要贡献的个人和集体，均己在文中以明确方式标 明。本人完全意识到本声明的法律结果由本人承担。 作者签名：盘盔型! z 年五月目日 长春理工大学学位论文版权使用授权书 本学位论文作者及指导教师完全了解“跃春理工大学硕士、博士学位论 文版权使用规定”，同意长春理工大学保留并向国家有关部f 】或机构送交学位 论文的复印件和电子版，允许论文被查阅和借阅。本人授权跃春理工大学可 以将本学位论文的全部或部分内容编入有关数据库进行检索，也可采用影印、 缩印或扫描等复制手段保存和汇编学位论文。 作者签名：叁生垦彰圣盟z 年王月驾日 指导导师签名：篮! 盏篁：四年工月丑日 第一章绪论 1 1 医学图像处理简介 目前，图像处理技术在生物医学中的应用方兴未艾，极大地推动了 生物医学的发展。医学图像在l 临床诊断、新药研制、基础研究等方面都 占有非常重要的地位。依据所获取图像中的目标的大小，医学图像可分 为宏观和微观两大类。宏观图像主要是指应用医学成像技术制造的医疗 仪器设备所获取的图像，如以前的x 线计算机断层成像，以及近年发展 起来的各种先进医疗设备，如核磁共振成像( m r i ) 和发射体断层成像 ( e c t ) 如正电子发射体断层成像( p e t ) 与单光予发射体断层成像( s p e t ) 等新的成像技术获得的图像。微观图像则是指通过显微镜与计算机连 接，获取的细胞、组织图像，以改变长期以来对于细胞和组织形念结构 只能靠人工观测，定性或半定量描述的状况。 医学上用于观察和分析的显微图像种类很多，包括各种细胞涂片、 组织或器官切片等。借助于光学显微镜、电子显微镜、或共聚焦激光扫 描显微镜，人们可以观察到细胞及组织的显微、超显微结构并分析其形 态，从中获取诊断疾病所需要的丰富信息。但通过显微镜直接观察这些 微细结构不仅容易使观察者眼睛疲劳，而且掺杂了较强的主观因素和缺 少客观的定量标准，会产生较大的误差。随着技术的不断发展，人们对 医学检测客观性的要求越来越高，检测手段从过去的人工主观检测逐步 发展到现在的主观检测和客观检测指标相结合。医学图像的显微分析有 着很广泛的应用领域，如在医疗诊断方面，可进行细胞自动分类计数、 染色体分析、细胞识别等：在新药研制方面，将计算机图像分析技术引 入新药临床前评价中，可以检测药物介入后组织或细胞的最基本的变化 情况，观察到药物对机体最直接的影响，并给出规范、准确的试验数据， 比以往动物试验更为准确、快捷。近年来，人们研制了许多用于细胞分 析和自动识别的系统，对细胞图像进行自动分析，统计细胞个数和测量 各个细胞的有关参数，如面积、周长、体积等。这些细胞分析和自动识 别系统减少了主观干扰，减轻了相关人员的工作负担，提高了分析的准 确性。 组织切片是组胚、解剖中常用的手段，对怀疑有病变的部位，通过 手术耿出部分组织，通过染色、干燥、切片等手段，制作序列切片，每 片厚度仅为几个微米。通过电子显微镜，可以观察各个断层，以获得微 观上的诊断依掘。通过对切片图像的处理，使医务人员可定量的分析结 果，准确的判断患者的病情。在一些手术后，也可采用组织检查的方法 来验证手术的正确性。 医学图像处理利用多种方法对各种图像数据进行处理，以期得到更 好的显示效果以便进行分析。常用的处理技术有滤波、缩放、增强、分 割、恢复、重建等，譬如对组织图像进行滤波处理，最终目标是达到 除去图像中的噪声，突出感兴趣目标的目的。利用所获取的一系列人体 某一部分的连续切片图像，对切片图像进行三维重建，能够获得人体部 位的三维模型，医生可以对三维模型进行手术仿真，并可以用于教学实 验o 】。计算机图像处理技术在医学图像领域已得到了越来越广泛的应 用。 1 2 人体细胞识别的目的和意义 生物识别技术是用来测量、统计并分析生物数据的- - f q 学科和技 术。伴随着信息技术的不断进步在最近的2 0 年问得到了飞速的发展， 已渗透到人类生活和社会发展的各个方面，并在军事、生物医学、商务、 金融等领域得到了越来越多的应用。 在信息技术中，生物测量学通常指代的是测量和分析人类特征( 比 如指纹、视网膜和虹膜、声音模式、面部模式) 的技术。在生物医学领 域，这门技术之所以被引入，完全得益于其形态定量分析技术对医学相 关学科发展所起的推动作用。从8 0 年代初以来，国内一些重要的医学 研究部门相继引入了一系列图像分析设备：如德国的i b a s 2 0 0 0 ，英国 的m a g i s c a n 2 ，美国的h p i s a - 1 0 0 0 等。这些图像分析设备的功能主要 是针对通用需要设计的，只能对一般性的图像进行分析或处理和提供基 础的测量分析数据，而且界面复杂，操作不便，价格昂贵，非一般用户 所能承受，并且由于医学显微图像的特殊性，其背景往往比较复杂，因 而相当一部分设备的分割识别处理效果往往不是十分理想，且无法提供 对医学图像分析有针对性的数据统计和判断参数，并给出相应的分析、 分类和判别的结果。目l ； ，有关于这方面的研究也显得非常分散，或是 针对某个病变，采用图像分析设备得到的一些结论，或者是从图像处理 角度对某类医学图像进行处理的算法等等”。从资料检索的情况来看， 比较完整地研究病理诊断中关于细胞组织形态、颜色特征和细胞纹理的 分类识别的，只有南京大学计算机软件新技术国家实验室等少数几家单 位的工作见诸于报道。 病理切片图像的观察分析是医学检验及诊断工作的重要内容，针对 目前国内外研究现状和应用水平，研究对该类图像行之有效的图像预处 理，模式识别，特征参数及测量，以及基于神经网络的模糊细胞分类器 的设计，不仅具有较高的理论价值，而且也具有实际意义“1 。根据相关 的研究成果，可以设计出一套有效的病理分析、分类及“诊断”系统。 在实际应用中，快速而准确地对有关定量数据进行统计与分析，从而达 到提高工作效率，提高诊断正确率的目的。同时，针对目前所做工作的 进一步深入研究，对于提高病理诊断的科学性也具有重要意义。 在生物体中，不同的细胞具有不同的形态特征，其大小、形状和密 度等形态参数均随细胞而异，同一种细胞，在不同的生理、病理或实验 条件下，其形态特征也有可能发生变化。研究细胞超微形态的最主要方 法，是在显微镜下观察超薄切片，对于所获得的显微镜图像，传统的分 析方法主要是在大量观察的基础上，进行定性的描述。例如，在肿瘤的 病理诊断过程中，基本是以对肿瘤细胞形态的观察和定性描述为主要依 据，而且大多数是依靠医务人员长期积累的经验作出相应的诊断。这种 方式，强烈的依赖医务人员的工作经验和责任心，并且容易产生主观性 和片面性，而与科学的客观性要求不相符合。图像识别是数字图像处理 中的重要课题，也是计算机辅助诊断的重要环节。将图像识别技术引入 到医生的诊断过程中，不但可以极大地提高诊断的同一性，减少个体差 异和主观性，部分地代替人的劳动，以物化的人的经验和智力工作，而 且可以提取人眼所不能观察到的信息，辅助医生诊断。因此，本文开展 了有关显微图像处理与分析的研究工作，着重于细胞图像的分割处理和 分析研究，对涉及到的技术进行算法和理论的研究，提出切实可行的方 法，为显微细胞图像等方面的研究提供现代化手段以及更精确的数据。 意义在于通过研究，达到有效地从图像中分割出细胞个体，鉴别出细胞 特征上的差别，进行识别分类，以便及早迅速、准确地发现病变，使病 人得到及时、有效的治疗。 1 3 显微图像识别方法概述 细胞自动化的研究始于2 0 世纪四十年代末期，早期工作主要是研 制定量计算的电视显微镜，后来逐步发展为定量分析细胞及细胞分类， 尤其是肿瘤细胞的分类识别“1 。五十年代术，m e ll o r s 等人通过测定核 尺寸和投射，可以把颈部涂片中的癌细胞与诈常细胞区别开来，才算真 j 下丌始了显微细胞图像分析的研究。但这次的研究很快就失败了，到了 十多年后，失败的原因才被找到：测定的参量不足以反映细胞的特征。 于是，提取有效的特征参量、提高识别率，成为临床医生和 墨j 像处理工 作者的目标m ，近些年，国内外丌始了一些这方面的研究。洪沁对胃癌细 胞图像识别进行了研究，选取了5 6 幅单细胞图像，提取了细胞面积、 核面积、核浆比、核的密集度、核的平均灰度及核内光密度均方差六个 特征参量，用人工神经网络的方法进行分类，取得了较好的结果。 j e a n p h i l i p p e 等人对肺部细胞图像进行分析，基于数学形态学的方法 进行图像分割，并提取了核浆比、核畸形度、核粗糙度3 个特征，进行 分类。t h o m a ss c h i n d e w l o f 利用色度和纹理特征，对表皮细胞进行分 类。国内外还有一些相关的研究，针对不同的肿瘤细胞进行分类，提取 了形态参量和纹理参量进行分类。 显微细胞图像识别的一般流程如图1 1 所示： 图1 1 图像识别流程 1 4 模糊球面领域分类器概述 1 9 4 3 年，m c c u l l o c h 和p i t t s 首次提出一种神经元的数学模型， m - p 模型。 如图1 2 所示： l ，x x n ， 图1 2m p 神经元 一个m - p 神经元是一个n 输入，单输出的处理单元即 4 y = s g n ( 坩x 一。，其中 x = ( x l x 二，3 i ) o 一赣入l 柚： i 。 w 互( w i ，w ：聃- ) t - - f t i ；, jl | ，i | j 一溺绫 f1 。y 0 5 9 “”= i 一1 p o 1 1 一个m - p 神经元对应一个超平面，w 。x 一1 l r = 0 表示一个超平面， 它将样本空间分为两个半空间，h + ：w 5 x v 0 以及h 一：w x v 0 所代表的点集就是球面s “与h + 的交集，这 里把球面s “与半空间h + 的交集称为球面邻域。当一个输入向量x 属于 球面邻域时，即x 被球面邻域覆盖时，神经元的输出为1 ，否则为一1 。 这就是m p 神经元的另一种解释，球面领域模型。 由于每个球面领域覆盖的范围是有限的，而且球面领域网络的球面 领域的数目( 即神经元的数目) 也是有限的，因此在球面领域模型网络 中引入模糊数学的思想，允许每个球面领域在其边界处覆盖若干个非同 类的训练样本，使每个球面领域可覆盖更多的样本点，同时去掉覆盖同 类样本极少的球面覆盖领域，这样可减少球面领域的覆盖总数，使网络 的结构简单。 1 5 本文的主要工作 1 5 1 图像预处理 在医学图像数掘的获取过程中，影像设备中各电子器件的随机扰动 不可避免地会带来噪声。可能因为各种内在或外在的原因而导敛图像质 量不能符合实际需要，因此在对图像进行进一步的深入处理之荫，要根 5 据需要对采集来的图像进行预处理，调整图像效果，以期达到所要求的 图像质量。预处理的目的就是对其进行滤波( f i l t e r i n g ) 或平滑 ( s m o o t h i n g ) ，以实现抑制噪声，增强图像特征，提高信噪比。本文选 取小尺度高斯滤波器( 6 1 ) 对噪声图像进行滤波可以确保边缘的定 位并且尽可能保留图像的细节信息。 在图像识别和分析中，彩色图像比灰度图像提供了更多的信息量 一颜色值。在彩色图像的获取过程中，不同的光照条件，不同的图片质 量会对图像的颜色值产生影响，这给彩色图像的识别，特别是一些定量 分析带来了很大的困难。因此，在彩色图像的识别和分析应用中，实现 颜色的恒常性是非常重要的，否则当光照、材质等条件发生变化时，就 不能保证识别和分析结果的可靠性。本课题中所处理的图像都是彩色图 像，为了方便后续阶段的深入处理。本文要对彩色图像的彩色信息进行 一些调整，比如r g b 颜色的调整，图像亮度和对比度的调整，饱和度的 调整，突出所处理对象的颜色特征，方便专业人员对图像进行观察分析， 更准确的提取所需的细胞特征值。目前对彩色图像的分割技术还不是很 完善，如果直接对彩色图像进行分割，效果是不太理想的，而且速度也 是一个问题。于是，本文采用了先将彩色图像转会成灰度图，同时保留 其彩色图像的彩色信息。灰度图保留图像的大部分信息，有利于各种图 像分割方法的实现。保留的彩色图像用于特殊情况的处理及以后特征向 量的测定。 1 5 2 特征提取 本文考虑的分类问题都是在特征空间中进行的，总是把识别对象的 某些特征，无论是物理的或形态的，都加以数字化，并根据一定的原则 加以选择，从而形成特征空间的一个向量，并用来代表所考虑的识别对 象，这样，就可以在特征空间中对这些向量加以分类判别。本文研究的 是对癌变细胞图像进行识别，辅助医生诊断，本文在提取特征向量时， 参考了病理学先验知识，所依据的是正常细胞与癌变细胞之间的本质区 别。病理学上，癌变细胞与币常细胞的主要区别有以下几点：正常细胞 通常形状规则，体积正常，核浆比保持一定的比例，染色质分布均匀等。 而癌变细胞形状不规则，体积明显增大，核浆比失调，染色质分布不均， 有团块等”3 。依据这些特征，在图像处理中的特征提取中，就映射为两 方面的特征向量：意识形念特征向量，如细胞大小、面积、囫度等；二 是纹理特征向量，主要表现狄度分布的不规则性，体现了染色质分布的 特征。 图像识别在实际运用中，特征提取是很重要的一环，对于不同的识 6 别对象必须考虑不同的特征提取的方法，很难有统一的方法和理论。由 于细胞本身种类、数量繁多；含有些许杂质，有细胞交叉、重叠的情况， 实际工作中图像常染色不好、光照不均等众多于扰因素，因此若采用全 局阈值，如果不能选好所需闽值，则不能排除众多干扰因素，产生失真， 很难达到所需结果；如果采用自适应阈值，分割的标准很难达到统一， 不利于细胞特征的提取；最佳阈值方法，能准确的识别出边界，有利于 细胞特征的提取，虽然也不能排除大部分干扰因素，但加上孔洞填充等 后续步骤就可以排除干扰因素并达到满意的分割效果。每个细胞都有细 胞核，细胞核的瓣数、形状、大小、数量、纹理等特征，对肿瘤细胞的 识别具有重要意义。由此，能否有效地由噪声图像中提取出真正的细胞 核边缘，并能最大限度地保留细节信息，成为细胞核分割的重点。本文 使用一种基于边缘分段自增强的启发式搜索算法，可以有效地实现这一 目标。 1 5 3 图像识别处理 在这一部分本文将使用上面提到的模糊球面领域分类算法，根据提 取的细胞和细胞核的特征参数，对识别对象进行分类识别。具体的思想 和实现算法将在后面详细介绍 第二章细胞图像预处理 图像在采集的过程中，可能因为各种内在或外在的原因而导致图像 质量不能符合实际需要，因此在对图像进行进一步的深入处理之前，要 根据需要对采集来的图像进行预处理，调整图像效果，以期达到所要求 的图像质量。 在图像识别和分析中，彩色图像比灰度图像提供了更多的信息量一 颜色值。在彩色图像的获取过程中，不同的光照条件，不同的图片质量 会对图像的颜色值产生影响，这给彩色图像的识别，特别是一些定量分 析带来了很大的困难。因此，在彩色图像的识别和分析应用中，实现颜 色的恒常性是非常重要的，否则当光照、材质等条件发生变化时，就不 能保证识别和分析结果的可靠性。 本课题中所处理的图像都是彩色图像，为了方便后续阶段的深入处 理。本文要对彩色图像的彩色信息进行一些调整，比如r g b 颜色的调整， 图像亮度和对比度的调整，饱和度的调整，突出所处理对象的颜色特征， 方便专业人员对图像进行观察分析，更准确的提取所需的细胞特征值。 目前对彩色图像的分割技术还不是很完善，如果直接对彩色图像进 行分割，效果是不太理想的，而且速度也是一个问题o 。于是，本文采 用了先将彩色图像转会成灰度图，同时保留其彩色图像的彩色信息。灰 度图保留图像的大部分信息，有利于各种图像分割方法的实现。保留的 彩色图像用于特殊情况的处理及以后特征向量的测定。 2 1 小尺度6 1 高斯滤波 高斯函数即正态分布函数常用作加权函数，二维高斯函数如下： 一查一生 g ( x ，y ) - a e 缸2 一加幻2 ( 2 1 ) 射邮3 ；1 21 、 42i ( 2 2 ) 2 i j 通过用不同平滑尺度6 的高斯函数对图像滤波，可得到图像边缘在 不同尺度下的响应。高斯滤波器抑制噪声的能力随平滑尺度6 的增大而 增强，但同时对图像细节的模糊也随之增强，易造成图像轮廓的变形。 选取小尺度高斯滤波器( 6 1 ) 对噪声图像进行滤波可以确保边缘的 定位并且尽可能保留图像的细节信息“。 2 2r g b 调整 光谱中最重要的三原色是红( r ) 绿( g ) 蓝( b ) ，所有颜色都可由 这三种色光重叠而产生。r g b 色度系统就是基于三原色学说的加色混色 系统。在坐标轴分别表示红、绿、蓝的三维坐标系中，r g b 颜色空间是 一个立方体。立方体底部r = g = b = o 处为黑色，顶部与其相对的角r = g = b = 2 6 5 处为自色。r g b 颜色空间在视觉上是非均匀的与设备相关 的空间。 r g b 颜色空间比较直观，要产生期望的颜色也相应简单，而其他一 些颜色空| 日j 的参数与感知色的关系很抽象，使人很难预测对应参数会生 成什么颜色。因此直接对r 、g 、b 三色进行加减调整，可以任意控制图 像颜色，以使其满足处理的要求。 2 3 饱和度调整 饱和度描述的是纯光被白光稀释的程度，换句话说，颜色的饱和度 越接近1 ，说明其色泽越好。像素的色饱和度分量由下式给出： 1 一i 条l m i n ( r g ，8 ) j ( 2 3 ) 在调整中，可以通过对每一个像素的饱和度乘以一个大于1 的常数 来使图像的彩色更为鲜明“。同样的，乘上一个小于1 的常数会减弱彩 色的鲜明程度。因此，可以在饱和度图像分量中使用非线性点操作，只 要变换函数在原点为零即可。要注意的是。接近于零的像素饱和度可能 会破坏彩色平衡。 图2 1 采集到的原图像图2 2 饱和度调整后的图像 2 4 彩色图像转换成灰度图像 y u v 是一种颜色表示方法，其中y 分量的物理含义是亮度，u 和v 分量代表了色差信号。使用这种表示方法有很多好处，最主要的有两点： 第一点，因为y 代表了亮度，所以y 分量包含了灰度图的所有信息，只 用y 分量就完全能够表示出一幅灰度图来。当同时考虑u 、v 分量是， 就能够表示出彩色信息来。这样，用同一种表示方法可以很方便的在灰 度和彩色图之间切换：第二点，人眼对于亮度信号非常敏感，而对色差 信号的敏感程度相对较弱，也就是说，图像的主要信息包含在y 分量中 “。y u v 和r g b 之间的对应关系如下所示： 一0 1 4 8 0 2 8 9 0 。4 3 7 ( 2 4 ) 由于采集到的图像是彩色图像，为了随后图像处理的方便，需要将 彩色图像进行灰度化处理。设r g b 图像为f ( x ，y ) ，则对于图像中的每一 个像素点f ( i ，j ) ，图像的灰度化处理可采用下面的公式： f ( i ，f ) = 0 2 9 9 尺+ 0 5 8 7 g + 0 1 1 4 x b ( 2 5 ) 其中，r 是r g b 图像中( i ，j ) 点的红色像素值，g 是r g b 图像中( i ，j ) 点的绿色像素值，b 是r g b 图像中( i ，j ) 点的蓝色像素值。 调整改变图像的狄度，可以提高图像的视觉效果，突出感兴趣的区 域。通常采用的方法有灰度级线性变换和非线性变换，线性变换可将灰 度区间进行线十牛放大和缩小或分段进行变换，非线性变换可使图像灰度 的分和与人的视觉相匹配。对细胞图像f ( i ，j ) ，设其狄度范围为 a ，b ， 1 0 9 7 4 9 8 l 2 5 1 0 o o |io卫 冠g 丑 _。j-_。-。l = ，liiij y 矿 -。l 变换后的细胞图像为g ( x ，y ) 。灰度范围为 c ，d ，为了突出感兴趣的目 标，屏蔽或抑制其它目标，可以采用全域线性变换或分段线性变换或灰 度分层切片技术，其变换函数如公式( 2 6 ) 、( 2 7 ) 所示 全域变换： f cf ( x ，y ) 口 g ( 不力= 口，( 力6 ( 2 6 ) f ( x 。力6 。- t x y )o f ( x ，y ) 口 _ d - 一。( 毛力一口) + f口a 暑力 6 m b n a d - ( 2 7 ) 笺力一6 ) + db s f ( x , y ) i a i ， i d - c l 1 f o m 和f o r e 表 示原图重要进行对比度扩展的范围，f n ，和f 。表示对应的新值。用公 式表示为： f a f o l d ， 怄f o l d i d l ， f ：州= b ( f o u f o l d i 岛描1 f b i d l l l d f o l d 2 2 8 【“f 0 i d f o i d 2 ) 卅o l d 2 ， f o i d 2 s f o l d s 2 5 5 显然要得到对比度扩展后的灰度，需要知道a ，b ，c ，如一- 和f o m 五 个参数。由于转换后的新图像的灰度级别也是2 5 5 这个约束，所以满足 方程： 九l + 6 ( 厶一厶1 ) + c ( 2 5 5 - l 甜2 ) = 2 5 5 ( 2 9 ) 这样就只需知道四个参数，另外一个可以代入方程求出。要注意的 是，给出的三个参数必须满足两个条件： 1 ) 6 ( ，0 ：一，如。) s2 5 5 2 ) ( 厂删2 一无甜1 ) s 2 5 5 上面是增强对比度的算法，如果需要降低对比度，参考上面的对比 度原理，可以得到类似的对比度降低的算法。总之，对比度越大，两种 颜色之间的相差越大，反之就越接近。一幅灰度图像提高它的对比度会 更加黑自分明，调到极限时，就会变成黑白图像，反之就得到一幅灰色 的面在。 例2 8 对比度调骆前的图像图2 9 对比度凋整后的幽像 第三章肿瘤细胞图像分割 人体癌细胞识别中，图像分割是其中重要的一环，其准确性直接影 响到癌症的早期诊断以及后续治疗。如图3 1 和图3 2 所示，肿瘤细胞 的形态各异，但都由细胞核和细胞浆构成。要正确识别肿瘤细胞，须将 细胞和细胞核图像正确分割出来，下面将分别介绍细胞和细胞核的分割 方法，但实际分割过程中两者是相互联系的。 图3 1细胞原图图3 2几种异常细胞形态 3 1 细胞图像分割 细胞本身种类、数量繁多；含有些许杂质，有细胞交叉、重叠的情 况，实际工作中图像常染色不好、光照不均等众多干扰因素，采用全局 阈值，如果不能选好所需阈值，则不能排除众多干扰因素，产生失真， 很难达到所需结果，如果采用自适应阈值，分割的标准很难达到统一， 不利于细胞特征的提取，最佳阈值方法，能准确的识别出边界，有利于 细胞特征的提取，虽然也不能排除大部分干扰因素，但加上孔洞填充等 后续步骤就可以排除干扰因素并达到满意的分割效果。 3 1 1 分割算法原理 阂值是在分割时作为区分物体与背景像素的门限，大于或等于阈值 的像素属于物体，而其它属于背景，这种方法对于在物体与背景之问存 在明显差别( 对比) 的景物分割十分有效。 闳值分割法“”是一种基于区域的图像分割技术，其基本暇理“”是： 1 4 通过设定不同的特征闽值，把图像像素点分为若干类，常用的特征包括： 直接来自原始图像的灰度或彩色特征；由原始灰度或彩色之变换得到的 特征。设原始图像为f ( x ，y ) ，按照定的准则在f ( x ，y ) 中找到若干个特 征值t 。，t 。，t n ( 其中n 1 ) ，将图像分割为几部分，分割后的图像为： g ( x ，y ) = 。如粜f 石，y ) l i 如果l i 锁算，) l ； i如果l 邓# ，) l ( 3 1 ) 厶如果尺舅，y ) 死 一般意义下，阈值运算可以看作是对图像中某点的灰度和该点的某 种局部特性以及该点在图像中的位置的一种函数，这种阈值函数可记作 t x 。y ，n ( x ，y ) ，f ( x ，y ) r ” 式中f ( x ，y ) 是点( x ，y ) 的灰度值；n ( x ，y ) 是点( x ，y ) 的局部特征， 根据t 的不同约束，可以分为两类： 全局阈值t f ( x ，y ) 局部阈值t n ( x ，y ) ，f ( x ，y ) 为了更有效地分割物体与背景，人们在此基础上发展了各种各样的 阂值处理技术“”，包括全局阈值、自适应阈值、最佳阈值等。、 1 全局闽值全局阈值“8 1 是指整幅图像使用同一个阈值分割处理， 使用与背景和前景有明显对比的图像。 2 自适应阈值在许多情况下，物体和背景的对比度在图像中各处 是不一样的，这时很难用统一的一个阈值将物体与背景分开，这时可以 根掘图像的局部特征分别采用不同的闽值进行分割。实际处理时，需要 按照具体问题将图像分成若干予区域分别选择阈值，或者动态地根据一 定的邻域范围选择每点处的阈值，进行图像分割“。 3 最佳闽值阈值的选择需要根掘具体问题来确定，一般通过实验 来确定，对于给定的图像，可以通过分析直方图的方法确定最佳的阈值， 例如当直方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳 阈值。 3 1 2 最佳阈值 在最佳闽值分割的情况下，取闳值分割后的图像可表示为 g ( x ，y ) = k ，若t 。f ( x ，y ) 0 是判 断门限。最后根据标记的点提取边缘。 5 算法流程 ( 1 ) 对滤波后的图像用上文所提到的边缘检测算子进行边缘检测； ( 2 ) 指定开始点，依据为其边缘幅值大于阈值叽 ( 3 ) 根掘处理点t 是否为开始点来判断其援索方向。如果是开始点则 在八邻域内搜索，如果是非开始点则在三个可能的方向上搜索。 ( 4 ) 选择最大梯度幅度值的点作为扩展候选点。 ( 5 ) 通过检查该点梯度幅值是否大于终止阈值 l ，。来确定是否为终止 点，如果是终止点转至第( 7 ) 步，否则此点作为扩展点并作为 处理轨迹t 的下一个点，然后转至第( 4 ) 步，同时若搜索轨遮 长度大到门限值k ；，则搜索强行结束； ( 6 ) 该次搜索轨迹上的每一像素点的积累器值加1 ； ( 7 ) 确定遍历搜索是否结束，即是舀遍历完丌始点，如果不是转至第 ( 4 ) 步，否则，转至第( 9 ) 步； ( 8 ) 通过比较积累器值a ( x ，y ) 和闰值a 的大小来确定是否为边缘 点； ( 9 ) 输出二值化的边缘图像 3 2 1 方法的实现 在实验中，边缘检测后的边缘幅度值归一化在0 2 5 5 之间，并且 有终止点阈值与开始点阈值相等，即地。= 砜。积累器阈值a t 。l o ，轨迹 长度阈值k 。= 3 0 不同图像之间在进行边缘检测时只是开始点闽值这个参数不同，其 他参数基本一致，并且有。正比于图像噪声的大小，本文实验中也n 和；。取为8 3 ，效果如图3 1 5 示： 图3 1 5 细胞核提取图3 1 6 原图细胞核 第四章特征向量的选取及测量 4 1 特征向量选择 所谓特征，是指一类事物区别于其他事物的本质特点。由于本文研 究目的是对癌变细胞图像进行识别，辅助医生诊断，本文在提取特征向 量时，参考了病理学先验知识，所依据的是正常细胞与癌变细胞之间的 本质区别。病理学上，癌变细胞与正常细胞的主要区别有以下几点：正 常细胞通常形状规则，体积正常，核浆比保持一定的比例，染色质分布 均匀等。而癌变细胞形状不规则，体积明显增大，核浆比失调，染色质 分布不均，有团块等o “。依据这些特征，在图像处理的特征提取中，就 映射为两方面的特征向量：意识形态特征向量，如细胞大小、面积、圆 度等；二是纹理特征向量，主要表现灰度分布的不规则性，体现了染色 质分布的特征“1 。选取的特征向量及其意义如下。 1 细胞的基本特征 细胞面积：9 0 以上的癌细胞较正常细胞大，有时可以大十倍； 细胞伸长度：癌细胞多为畸形细胞，如出现蝌蚪状、纤维状、蛇形 等奇形怪状的细胞； 细胞核色度平均值：胞核颜色的一个度量； 细胞浆色度平均值：胞浆颜色的一个度量： 细胞核灰度平均值：胞核染色较深； 核浆面积比：在癌细胞的发展过程中，核的增大超过了浆的增长， 至于失常的程度，应与相应的正常细胞作比较，例如底层细胞型癌细胞， 常有核浆比例明显倒置，而中层细胞型癌细胞，核浆比例仅轻度倒置； 2 细胞的形状特征 细胞核圆形度：癌细胞的细胞核常出现各种不规则的形态，如：梭 形、瓜子形等畸形； 细胞核凹性：细胞核形状的一种度量，单核细胞的一个重要特点是 细胞核有明显的折叠感，表现出胞核表面曲线的凹陷； 细胞核偏心率：细胞形态的一种度量，针对单核细胞和圆形度取值 较小的细胞； 3 细胞的光密度特征 不同类细胞对同一波长光的吸收程度不同，在细胞图像中表现为对 应的直方图模式不同( 如狄度偏向，峰谷数多少，峰值大小等) ，其数 值直接依赖于胞浆胞核的划分。 4 细胞的纹理特征 纹理表现为图像中象素的空间排列的相互关系，它包含对比度和空 间频率两方面内容，在灰度或色调发生变化的地方，就可以观察到纹理。 细胞的纹理特征包含了细胞组织表面结构排列的信息，能比其它特征更 好地表征细胞核中的颗粒性质1 。 细胞核纹理( 能量、熵、对比度) ：度量细胞核的颗粒大小及均匀