基于小波变换的细胞图像处理综述

1、基于小波变换的细胞图像分割方法研究陈晨1（1南通大学，江苏 南通 226019） 摘要：细胞图像分割已成为国内外学者研究的一个热点，而粘连的细胞图像分析与识别更是现在科研人员的棘手问题。虽然现阶段的小波理论相对成熟，但近些年关于小波理论应用于细胞图像的分析与识别却在不断的发展和更新。本文通过介绍细胞图像分割方法的趋势，将小波应用在边缘检测和图像分割等方面，宏观剖析小波的研究现状及优势。关键词：粘连细胞；图像分割；小波变换Cell Image Segmentation Based on Wavelet TransformChen Chen1(1.Nantong University, Nanto

2、ng Jiangsu 226019 ChinaAbstract: Cell image segmentation has become a hot spot for domestic and foreign scholars to study, and adhesion of cell image analysis and identification is now the thorny problem of researchers. Although the theory of wavelet at this stage is relatively mature, but in recent

3、 years on the application of wavelet theory in cell image analysis and recognition is in constant development and updating. In this paper, by introducing the trend of cell image segmentation method, wavelet application is applied to edge detection and image segmentation, and the research status and

4、advantages of wavelet are analyzed.Keywords: cell adhesion, image segmentation, wavelet transform0 引言21 世纪以来，计算机图像处理技术在生物、医学领域迅速发展，人们研制出许多可对细胞图像进行自动分析和识别的系统，其中分割粘连细胞也成为自动识别系统的一个重要环节，因而成为国内外学者研究的一个热点。在一个全自动细胞图像分析系统中，细胞图像分割是主要功能模块之一，分割结果的好坏直接关系到接下来细胞图像识别和理解的过程。一般细胞图像分割就是从一幅包含了多个细胞和背景的复杂图像中分离出目标细胞的方法，是

5、对细胞切片图像中的细胞进行信息提取、分析与研究的重要前提。近年来，许多学者提出了许多关于细胞图像分割的方法。然而，由于细胞图像比较复杂（大多是由于显微技术、细胞类型、染色剂以及细胞密度的不同导致的），在细胞分割领域，分离重叠的或者聚类的细胞仍然是一个充满挑战的任务。目前存在的细胞图像分割方法不能完全实现对各种类型细胞图像正确的分割，总会产生粘连、重叠、边界定位不准确、过分割等现象12。小波变换作为一种有效的图像处理工具，已经有许多图像分析方面的应用，如基于内容的图像检索、癌细胞的识别、生物特征的提取与识别和细胞图像特征的提取与识别。小波变换具有多尺度、多分辨率的优良特性，克服了在空间域中单一尺

6、度的图像处理方法的缺点。在小波域中，我们只需要对图像的小波系数进行处理，即可实现对图像的多尺度多分辨率下的特征提取。1 细胞图像分割方法趋势细胞图像分割是对细胞图像进行分类识别的基本前提，是医学诊断的必要依据。对细胞图像分割的研究一直是多年来人们高度关注的重点，每年都有许多学者发表很多关于这方面的文章，提出的各种类型的分割方法也有上千种之多。一些学者将传统的图像处理算法进行结合或者改进。1）基于灰度阈值的分割算法。此方法基于细胞图像的灰度直方图，设置合适的阈值，根据灰度级将像素点分为内部点集和外部点集。2）基于边缘检测的分割算法。这类算法认为图像中细胞边界是由灰度的不连续性引起的，边缘像素点是

7、一个细胞区域的结束，同时也是另一个细胞区域的开始，所以可以利用这一特征来分割细胞图像。3）基于分水岭的分割算法。分水岭算法是Lue Vincent提出的一种用来分割图像中相接触目标（即粘连情况）的形态学方法，是形态学理论的一个重要应用，也是近年来细胞分割使用最广泛的方法。4）基于区域的分割算法。这种算法是近年来人工智能领域研究中十分关注的图像分割算法。该算法基于图像亮度的相似性来分割图像，根据图像的特征以及要分割目标的特征定制某种准则，以此准则把图像划分为一些相似的区域。由于传统的方法仍然存在着一些不足，许多学者将目光转向了一些新型的方法，并将其改进应用到了细胞图像的分割中。主要的算法有：1）

8、基于聚类的分割算法。聚类的主要思想是使同一簇内的对象的相似度尽可能高，而不同簇间的对象的相异度尽可能低。 2）基于人工神经网络的分割算法。该算法可以将本来无法直观确立非线性变换的泛函优化问题，转化为只需要求解神经网络参数的极值优化问题。3）基于小波变换的分割算法。该方法将一个母函数进行时间上的平移和尺度上的伸缩，以此获得可以对各种频率成分的有效信号进行自适应分析。2 小波变换在细胞图像分割的应用陆璐3等基于离散小波变换提出了不同的纹理特征提取方法对草细胞图像进行处理，只得到细胞区域，未分割细胞，没有重叠情况。甘岚4等针对胃上皮癌变细胞提出了一种将多尺度小波变换和改进的大津法相结合的分割方法，该

9、方法能有效地实现对胃上皮肿瘤细胞图像的分割，但没有细胞重叠情况。 Yugander P 5等结合双树复小波变换（DT-CWT）和多核函数模糊 C 聚类对医学图像进行处理，多次迭代后能得到比较好的分割效果，不能对重叠细胞进行处理。Shaheera Rashwan6等提出的分割算法是基于模糊C均值算法，将关系模糊概念和小波变换结合起来，提高其性能，尤其是在二维凝胶图像中。比较模糊C意味着实验结果（FCM）和Wavelet Fuzzy C手段（WFCM）所提出的算法在真实的二维凝胶图像从人白血病HL-60细胞系，并获得胎儿酒精综合征（FAS）表明所提出的算法的实现，克服分割误差的改进。张聚等7将无噪

10、信号的小波系数和斑点噪声的小波系数分别建模为广义拉普拉斯分布模型和高斯分布模型，利用贝叶斯最大后验估计方法得到了新型的小波收缩算法，利用小波阈值法对小波域内的高频信号分量进行去噪。一方面能够很好地抑制斑点噪声，另一方面能够保留图像中病灶边缘等 细节部分。针对彩色图像滤波去噪的同时把图像的一些特征信息去除和图像分割边缘模糊的问题，曹凤8等提出了将小波变换与数学形态学相结合的图像分割算法，通过 Matlab 仿真结果分析，该方法在组织切片细胞的分割应用中 有很明显的优势。王品9等人首先结合小波分解和多尺度区域生长算法分离细胞和背景，实现对细胞的精确定位；然后采用改进的数学形态学对粘连细胞进行一次细

11、分割；接着再采用基于曲率尺度空间的角点检测分割算法对粘连乳腺细胞进行二次细分割；该方法有较高的分割视觉效果和较高的定量分割精度，尤其是对粘连严重、灰度不均匀的情况更明显。陈锦，罗晓曙10在细胞图像小波多尺度分解的基础上，提出一种基于小波变换与野草优化算法相结合的细胞图像特征的提取方法，最后利用BP 神经网络作为分类器进行细胞图像识别。本文细胞图像特征提取、分析、识别方法所需时间更短，识别正确率更高，实时性、鲁棒性能更好。为了能准确地分割出骨髓细胞涂片中的各类细胞，苏士美11等人提出一种基于小波分析的Kmeans聚类分割方法。通过对比分析和实验测试，验证该算法有效克服了骨髓细胞显微图像的复杂散焦

12、、细胞种类繁多以及目标区分度低而导致图像分割的困难，准确率达94.15。文云12等将光学图像识别技术应用于生物目标的探测，用光学小波变换识别多个血红细胞，以提高系统的识别力。由于小波变换的引入，相关峰尖锐，峰噪比明显增强，峰的半宽度显著减小，在多目标识别中不同位移目标不易受干扰，提高了目标探测能力。Michal Kruk13等提出了一种弗尔曼分级的改进系统，利用分类器集来识别肾透明细胞癌。解决方案的新颖性包括在预处理阶段应用小波变换的分割，选择较少的特征生成方法，并能在最终识别步骤中使用分类器的集合。与现有最佳结果相比，这种方法已经可以使质量因素得到显着增加：灵敏度（该溶液的平均值为94.3，

13、原：91.5）和特异性（平均为98.6，原：97.5）3 小波在图像处理中的优势1）局部性：具有表征局部特征的能力。小波变换在在高频段，可用低频率分辨率和高时间分辨率（窄分析窗口），低频段可用高频率分辨率和低时间分辨率。2）能量压缩性：能够用少量的大幅值系数表示图像的主要特征，降低冗余度。3）还原性好：对于数字化图像，只要像素阵列完整存储和传输，利用小波处理图像能无损复原原图像。4）处理精度高：数字图像处理的单位是像素点，而像素点的位置和灰度都是量化的。我们可以通过调整像素的间距和灰度的量化数量级来改变图像的精度。5）适用面广：由于数字图像处理适用于所有图像，因此我们处理的就只是图像数字化后的

14、数字阵列。6）灵活性高：模拟图像处理只能进行线性运算，而数字图像处理就是一个离散的数学问题，而小波分析则可用于任何数字化图像。4 结语 通过以上对国内外的细胞图像分割方法的研究分析，发现还存在以下几个问题： 由于不同种类细胞的形态、大小、获取途径等各不相同，分割指定细胞能够得到较好的结果，应用到其他类型的细胞难以获得令人满意的效果。 各种方法的侧重点不一样，往往只针对细胞分割中出现的某一种分割错误提出新的解决方法，不能综合解决细胞分割中可能出现的所有分割错误，具有较大的局限性。 许多算法为了得到较好的分割效果需要进行人工干涉，不能实现对细胞图像的全自动分割。 目前，对于细胞图像分割效果的评价方

15、法没有统一的界定，是否需要获得细胞完整轮廓、细胞精确计数等方面还没有有效的广泛适用的准则。 参考文献：1 苏娜. 基于形状参数的重叠细胞图像判别研究J. 电脑知识与技术, 2012, 8(25: 61096111. 2 Eric Meijering. Cell Segmentation: 50 Years Down the RoadJ. IEEE Signal Processing Magazine. 2012, 29(5: 140143. 3 陆璐, 李玉龙. 基于离散小波变换多种纹理特征提取的草细胞图像分割比较J. 兰州交通大学学报, 2012, 31(01: 98101. 4 甘岚, 刘

16、梦清. 基于小波分析的胃上皮细胞自适应分割算法J. 计算机工程与设计, 2012, 33(07: 27342738. 5 Yugander, P. ; Babu, J. S. A complex wavelet based image segmentation using MKFCM clustering and Adaptive level set methodC, Advances in Engineering, Science and Management (ICAESM, 2012 International Conference on, 2012, 03: 297302. 6 Sha

17、heera Rashwan,Mohamed Talaat Faheem,Amany Sarhan,Bayumy A. B. Youssef,Liang Li. A Wavelet Relational Fuzzy C -Means Algorithm for 2D Gel Image SegmentationJ. Compu -tational and Mathematical Methods in Medicine,2013,2013:.7 张聚,王陈,程芸. 小波与双边滤波的医学超声图像去噪J. 中国图象图形学报,2014, 报(01:126-132.8 曹凤,霍春宝. 基于组织细胞的彩色

18、图像分割算法研究J. 辽宁工业大学学报(自然科学版,2015,(02:75-78.9 王品,胡先玲,谢文宾,李勇明,刘书君. 多尺度区域生长与去粘连模型的乳腺细胞分割J仪器仪表学报,2015,(07:1653-1659.10 陈锦,罗晓曙. 基于小波变换与野草算法的细胞图像特征提取与识别J. 广西师范大学 学报(自然科学版,2015,(02:22-28.11 苏士美,吕雪扬. 骨髓细胞图像的小波变换与K-means聚类分割算法J. 郑州大学学报(工学版,2015,(04:15-18.12 文云,黄晓菁. 利用光学小波变换对血红细胞识别的Matlab仿真J. 集美大学学报(自然科学版,2016,(02:1