CN101236649A - 图像处理方法 - Google Patents

Abstract

本发明提供一种图像处理方法，它是用来对骨髓切片灰度图像中的有核细胞进行边缘检测。本发明的处理方法是：将骨髓切片的灰度图像运用细胞神经网络图像处理方法进行处理，得到的输出为1的部分就是骨髓切片灰度图像中有核细胞的边缘。该方法简单易行，可以用在骨髓切片的有核细胞计算机自动识别中。

Description

图像处理方法

技术领域

本发明所涉及的是一种基于细胞神经网络的骨髓切片的灰度图像中有核细胞边缘检测的图像处理方法。

背景技术

骨髓切片中有核细胞的数量是判断骨髓增生程度的重要指标。它对血液病、肿瘤化疗、骨髓移植等患者的骨髓增生或恢复情况进行判读，具有重要意义。骨髓切片成分复杂，不仅含有有核细胞，还有淋巴细胞、染色的细胞质等其他成分存在，临床上采用的是基于目测估计的低倍镜估计法，该方法很大程度上取决于医师的经验，因此往往主观性强，随意性大，而且准确性和重复性差。

骨髓切片图像中有核细胞的边缘检测是对骨髓有核细胞进行计算机自动计数的关键步骤，其准确性决定了自动计数结果的准确与否。由于骨髓切片的复杂成分，目前还未见有采用图像处理对骨髓切片图像中的有核细胞进行边缘检测的方法。

细胞神经网络是一种功能强大、易于电路实现的非线性处理器阵列，由美国的ChuaLO教授于1988年提出。细胞神经网络是一种局部连接的反馈式神经网络，每个细胞只和邻域的细胞进行连接，所以它比全局互联的神经网络具有更简单的结构。而且细胞神经网络具有并行处理的特点，非常适合于大规模集成电路实现，在信号处理、图像处理等方面具有非常广阔的应用前景。

一个标准的M×N的CNN阵列中，C(i，j)表示第i行第j列的细胞，细胞C(i，j)的中心半径为r的近邻影响区域S_i，j(r)定义为(1)式所示。

S_i，j(r)＝{C(k，l)|max(|k-i|，|l-j|)≤r}                  (1)

每个细胞的标准状态方程如(2)式所示：

$\frac{{\mathrm{dx}}_{i,j}}{\mathrm{dt}}=-x_{i,j}+\underset{k,l\∈S_{i,j}\left(r\right)}{\mathrm{\Σ}}{a}_{k,l}{y}_{i+k,j+l}+\underset{k,l\∈S_{i,j}\left(r\right)}{\mathrm{\Σ}}{b}_{k,l}{u}_{i+k,j+l}+I_{i,j}$

$=-x_{i,j}+\underset{k=-r}{\overset{r}{\mathrm{\Σ}}}\underset{l=-r}{\overset{r}{\mathrm{\Σ}}}{a}_{k,l}{y}_{i+k,j+l}+\underset{k=-r}{\overset{r}{\mathrm{\Σ}}}\underset{l=-r}{\overset{r}{\mathrm{\Σ}}}{b}_{k,l}{u}_{i+k,j+l}+I_{i,j}---\left(2\right)$

式(1)、(2)中，1≤i≤M，1≤j≤N，x_i，j为状态变量，y_i，j为输出变量，u_k，l为输入变量，I_i，j为阈值，a_k，l为反馈系数，b_k，l为控制系数。由反馈系数a_k，l组成的矩阵A称为反馈模板，由控制系数b_k，l组成的矩阵B称为控制模板。

本发明的目的是利用细胞神经网络对骨髓切片灰度图像提供一种简单有效的有核细胞边缘检测方法。

发明内容

本发明的目的是：为骨髓切片灰度图像提供一种简单高效的有核细胞边缘检测方法。

为实现上述目的，本发明的技术方案是采用细胞神经网络对骨髓切片灰度图像中的有核细胞进行边缘检测。包括细胞神经网络的输出函数、模板参数、初始值及采用细胞神经网络对骨髓切片灰度图像进行边缘处理的过程。

本发明采用的细胞神经网络的输出函数如式(3)所示，其中(T为位于区间[0，1]之间的一个特定值。

$y=\left\{\begin{array}{cc}1& x\&GreaterEqual;T\\ x& \left|x\right|<T\\ -1& x\&le;-T\end{array}\right.---\left(3\right)$

本发明细胞神经网络的模板参数如(4)所示：

$A=\left[\begin{array}{ccc}-1.0231& -2.1523& -1.0231\\ -2.1523& 19.7368& -2.1523\\ -1.0231& -2.1523& -1.0231\end{array}\right]$

$B=\left[\begin{array}{ccc}0.1324& -0.0397& 0.1324\\ -0.0397& 0.6845& -0.0397\\ 0.1324& -0.0397& 0.1324\end{array}\right]$

I_i，j＝0.3965                                           (4)

具体实施方式

本发明的具体工作过程如下。

1)将骨髓切片的灰度图像的进行归一化处理。设骨髓切片的灰度图像有M行N列，BI(i，j)表示该图像第i行、第j列的像素的灰度值，MAX表示该像素的灰度值以二进制表示的位数，则归一化后得到的值G(i，j)如式(5)所示：

$G(i,j)=\frac{\mathrm{BI}(i,j)}{2^{\mathrm{MAX}}-1}\&times;2-1---\left(5\right)$

所有的G(i，j)(其中1≤i≤M，1≤j≤N)作为矩阵元素组成M行、N列的矩阵G。

2)细胞神经网络的大小为M行，N列，近邻影响半径为1。第i行第j列的细胞神经网络的状态变量x_i，j初始值为0，输入变量u_i，j为G(i，j)，式(3)所示的输出函数中的T为矩阵G中各矩阵元素的算术平均值。细胞神经网络的规模与矩阵G的规模一致，当细胞神经网络邻域内的初始值超过细胞神经网络的规模时，该初始值以0代替。当细胞神经网络邻域内的状态值超过细胞神经网络的规模时，该状态值以0代替。细胞神经网络的模板如式(4)表示。

3)对每一个细胞神经网络同时进行计算。最终输出为-1的细胞神经网络坐标即为骨髓切片灰度图像中有核细胞的边缘像素所在位置的坐标。

Claims (1)

1.一种运用细胞神经网络对骨髓切片灰度图像中的有核细胞进行边缘检测的方法，其特征是将得到的骨髓切片的灰度图像的像素值归一化到区间[-1，1]，归一化后的结果作为细胞神经网络的输入，其中细胞神经网络的行数、列数和输入图像的行数、列数相同，而且细胞神经网络具有如(1)所示的输出函数：

$y=\left\{\begin{array}{cc}1& x\&GreaterEqual;T\\ x& \left|x\right|<T\\ -1& x\&le;-T\end{array}\right.---\left(1\right)$

式(1)中的T为骨髓切片灰度图像的像素值归一化后的平均值，细胞神经网络的模板参数如(2)所示：

$A=\left[\begin{array}{ccc}-1.0231& -2.1523& -1.0231\\ -2.1523& 19.7368& -2.1522\\ -1.0231& -2.1523& -1.0231\end{array}\right]$

$B=\left[\begin{array}{ccc}0.1324& -0.0397& 0.1324\\ -0.0397& 0.6845& -0.0397\\ 0.1324& -0.0397& 0.1324\end{array}\right]$

I_i，j＝0.3965                                    (2)

细胞神经网络的边界条件为0边界，运用细胞神经网络演化计算，最终细胞神经网络输出值为-1的像素即骨髓切片灰度图像中的有核细胞的边缘。