CN101414358B - 一种基于定向搜索的染色体轮廓检测和提取方法 - Google Patents

Abstract

本发明公开了一种基于定向搜索的染色体轮廓检测和提取方法，包括：对采集的染色体图像进行二值化处理；在二值化处理后的图像中确定染色体轮廓上的一个点作为起始点，然后沿着染色体的轮廓边缘按顺时针方向不断的搜索和提取边界信息，直到再次搜索回到检测和提取起始点，这样就可以完整的检测出物染色体的轮廓。本发明公开的检测和提取方法满足了染色体分析、细胞研究、病理分析等医疗领域需要精确检测出物体轮廓的需求，并提高了根据轮廓将交叠、粘连染色体分离切割的自动化程度，改善了传统算法都存在的轮廓断裂、不连续、凹凸细节被忽略等缺点，提高了检测结果的准确性，而运算量大大减少。

Description

一种基于定向搜索的染色体轮廓检测和提取方法

技术领域

本发明属于图像处理技术领域，涉及一种基于定向搜索的染色体图像的轮廓检测和提取方法，尤其涉及一种用于染色体分析系统中的自动分割和染色体数量统计方法。

背景技术

染色体核型分析对多种疾病的诊断、治疗和预防机制有着显著的指导意义，它是细胞遗传学研究的基础。目前国内外已经开发和研制出多种染色体的核型分析系统和方法，多数都是采用CCD/CMOS图像感应器技术的摄像机摄取染色体图像，然后结合图像处理技术和计算机处理技术对染色体图像采集、处理、形态识别、分割、分析等操作来代替传统的人工显微镜下观察和判断。在染色体分析系统中染色体的自动分割是染色体核型分析的关键技术，因为染色体的分割是决定整个核型分析的自动化程度的关键。而染色体的轮廓检测和提取恰恰是实现分割和染色体条数统计的前提，目前各类染色体分析系统中有多种用于轮廓检测和提取的方法，比如Robert检测、Sobel检测、Prewiit检测、Log检测、Canny检测等。如图2所示为各现有技术采用的检测方法对染色体图1实现的轮廓提取结果，结果表明，现有轮廓检测和提取技术检测出的轮廓都有断裂现象。

因此，提供一种经过改进的，使得染色体边界提取连续性好，交叉、粘连染色体分割的自动化程度和染色体数目统计精准度得到提高的染色体轮廓检测和提取方法实为必要。

发明内容

针对现有技术存在的问题，本发明目的在于提供一种基于定向搜索的染色体轮廓检测和提取方法，该方法对染色体分析系统的自动分割处理提供具有良好连续性的轮廓边界效果，特别是可以完整、清晰的保留原染色体图像边界的凹凸细节进而提高粘连染色体的分割自动化程度和染色体数目统计的精确度。

为实现上述目的，本发明采用如下技术方案：为了便于说明技术方案，定义以下名词：

S为图像的第一个轮廓点；

C为当前已确认的轮廓点；

P为C的前一个轮廓点；

N为C的下一个轮廓点；

NPL为与C点相邻8个点中下一个轮廓点的可能点集；

RL为已经搜索到的轮廓点集合；

BL为回溯点集合；

EL为已经搜索过的点；

NP0为NPL中优先级最高的点。

一种基于定向搜索的染色体轮廓检测和提取方法，包括如下步骤：

第一步、对采集的染色体图像进行二值化处理；

第二步、在二值化处理后的图像中找一个黑白交接的点，作为第一个轮廓点S，从S点相邻的8个点中，选取一个黑白交接的点作为第二个轮廓点，把S作为P，第二个轮廓点作为C；

第三步、设定从上到下，从左到右为图像的搜索方向，沿着搜索方向在与C相邻的8个点中找出C的下一个轮廓点的可能点集NPL，点集NPL中的点N满足以下条件：①N的像素值等于255，且它的两个邻接点至少有一个点的像素值＜255；②N不在RL中；③N不在EL中；由于图像中的染色体轮廓都是连续的，也就是说前一个轮廓点必定紧接着下一个轮廓点，如图5所示，图上每个方格代表一个像素点，C是当前已经确认的轮廓点，因为图像中的物体轮廓的连续性，所以C的前一个轮廓点或下一个轮廓点，必定是与C相邻的8个点中的一个，即上面8个点中必定还有2个轮廓点。因此我们确定一个轮廓点后，只需搜索其相邻的8个点，必定找到C的下一个轮廓点N；如果N是C的下一个轮廓点，必须满足以下条件：

①N必须是白点(像素值等于255)，它的两个邻接点至少有一个是黑点(像素值小于255)，这里N位置不一样，它的两个邻接点的位置也不一样，如图6所示为所有N点和它的两个邻接位置示意图，其中L是N的相邻点，两个L中至少有一个是黑点，N才可能是C的下一个轮廓点，否则N肯定不是C的下一个轮廓点；②N不在RL中；③N不在EL中；这样循环下去，就实现在搜索过程中只沿物体的轮廓搜索，大大的减小运算量，提高算法的效率。

第四步、如果可能点集NPL中只有一个N点，检查该点是否在RL里或者是在EL里，如果是，则跳转到第十步；否则跳转到第六步；

第五步、如果可能点集NPL中有多个N点，删除其中在RL存在的点，删除其中在EL里存在的点；NPL中某个N点的坐标值与RL里的某个点的坐标值相等，表示该点已经在C点之前被确认为是物体的轮廓点，为了避免重复和导致反方向搜索，所以删除这些点。EL的点是之前被证实无论如何都无法搜索下去能到达起点S的点的集合，如果NPL的坐标与EL的坐标值相等的话，就应该删除它，这样能提高算法的效率。

第六步、确定可能点集NPL中N点的优先级，并对N点集合进行优先级排序；由于满足是C下一个轮廓点的N可能是多个点，所以要确定在这些点中选哪个N作为C的下一个轮廓点。在选择之前，就需要对N点集合进行优先级排序。

第七步、选择可能点集NPL中优先级最高的N点作为NP0，NPL中其它点按优先级次序放到BL里；

第八步、如果NP0与第一个轮廓点S相同，则跳转到步骤第十一步；如果NP0的坐标值与S的坐标值相等，就可以认为已经按顺时针方向沿染色体的轮廓搜索了一圈，将物体的所有轮廓点都保存到RL里就成功搜索出染色体的轮廓。

第九步、否则将C点添加到RL里，将C点添加到EL里，NP0转换成C，C转换成P，跳转到第三步；确认NP0点为当前的轮廓点，但是NP0点还不等于S点，也就说还没有搜索完物体的轮廓点，还要继续往下搜索。

第十步、将C点添加到EL里，从BL里找一个优先级最高的N点作为C，跳转到第三步；如果NPL没有点，表示C没办法再往下继续搜索，没办法到达起点S，说明搜索方向错误，应该选择另外的路径继续搜索。由于BL最后一个点是最近的路径分支点，并且优先级是最高的，所以从BL最后一个点出发，继续往下搜索。将C点添加到EL里，然后从BL里取出最后一个点代替C，然后从第三步继续。如图8所示，假设算法搜索到M点，将M作为C，M的NPL中包括4个点N1、N2、N3、N4，优先级排序是N1＞N2＞N3＞N4，所以算法就从N1往下搜索，按N4、N3、N2保存到BL里，N2是放在BL的最后端，现在从N1开始往下搜索，到达K点时，K的NPL中没有点，没办法再往下搜索，那就是说选择N1路径是错误的，所以要回退到M点，从N2出发继续搜索，从BL取出最后一个点N2后，N3就成了BL的最后一个点，从N2往下搜索，以此类推，直至找到正确的轮廓点。

第十一步、提取RL中所有的点，得到染色体的轮廓点集；

为了更好地实现本发明，所述第一步之前先对采集的染色体图像进行去除图像噪点的预处理。在图像处理中，在进行如边缘检测这样的进一步处理之前，通常会首先进行一定程度的降噪，以达到更好的效果。

所述去除图像噪点的预处理是指采用中值滤波处理算法对图像进行预处理。中值滤波是一种非线性数字滤波器技术，也是图像处理中的一个常用步骤，它对于斑点噪声和椒盐噪声来说尤其有用，经常用于去除图像或者其它信号中的杂信息和噪点，对较模糊的染色体边缘仍然可以保存良好的边缘特性。

所述第一步中的二值化处理是指采用双阈值二值化算法对图像进行处理，其中两个阈值为MinV和MaxV，MinV＜MaxV，图像中像素值＜MinV或＞MaxV的点为背景点，其像素值设为255，而像素值≥MinV并且≤MaxV的点为物体点，保持其像素值不变。为了区分出染色体条带和轮廓的边缘信息即目标物体和背景要对图像进行二值化处理，其关键在于阈值的设定，一般染色体图像的像素概率分布如图4所示：图中横轴表示图像各点像素值，纵轴表示各像素值所对应的像素点个数，第一个波峰表示的是物体的像素值分布情况，第二个波峰表示的是背景的像素值分布情况。本发明采用的二值化算法使用双阈值对图像进行处理，假定两个阈值为MinV、MaxV，并且MinV小于MaxV，那么就将像素值小于MinV或大于MaxV的像素都视为背景即白点，将其值设为255，而像素值大于MinV并且小于MaxV的像素视为物体即黑点，保持像素值不变，这样就能得到清晰的染色体二值化图像。

所述阈值MinV和MaxV通过下述两种方式确定：①由用户根据二值化处理后染色体图像的像素概率分布统计图来设定阈值MinV和MaxV，可以手动调节MinV和MaxV的大小实时的观测二值化处理的结果直到满意为止；②由程序自动计算。给定一染色体图像，根据计算其物体像素数目占总像素数目的比例和其背景像素数目占总像素数目的比例，自动计算MinV和MaxV的值。

所述第六步中的优先级是按P、C、NPL中的N点这三点构成的顺时针方向或逆时针的角度确定，角度越大，优先级越低。P、C的相对位置不一样，同一个位置的N的优先级也会不一样。以顺时针为例，如图7所示，左边是P与C的相对位置，右边是N对应位置的优先级数值，数值越少，优先级越高，可见，按P、C、NPL中的N点这三点构成的顺时针的角度越大，优先级越低。同理，按P、C、NPL中的N点这三点构成的逆时针的角度确定，角度越大，优先级越低。选优先级最大，值为0的N点作为C的下一个轮廓点，其他N点按优先级值从大到小放到BL里，当无法往下搜索时，就从这些点开始再继续搜索。通过上面的优先级排序和选择就实现了搜索方向是固定的顺时针方向，通过这样的方法可以提高检测结果的准确性，同时减少搜索过程中的回溯次数，加快算法的运算速度。

本发明基于定向搜索的染色体轮廓检测和提取方法的主要原理是：先确定染色体轮廓上的一个点作为起始点，然后沿着染色体的轮廓边缘按顺时针方向不断的搜索和提取边界信息，直到再次搜索回到检测和提取起始点，这样就完整的检测出物染色体的轮廓，其算法流程图如图9所示。

本发明相对于现有技术的有益效果是：本发明对现有技术的改进设计了一种基于定向搜索的轮廓算法来检测和提取染色体的轮廓，满足了染色体分析、细胞研究、病理分析等医疗领域需要精确检测出物体轮廓的需求，并提高了根据轮廓将交叠、粘连染色体分离切割的自动化程度，改善了传统算法都存在的轮廓断裂、不连续、凹凸细节被忽略等缺点。而且该算法仅沿轮廓点搜索，大大减少运算量。并且顺时针定向搜索，减少运算量同时大大提高检测结果的准确性。

附图说明

图1是采集的一幅染色体原图；

图2是现有的轮廓检测和提取算法对图1所示染色体原图检测和提取的的结果示意图；

图3是本发明基于定向搜索的染色体轮廓检测和提取方法对图1所示染色体原图检测和提取的结果示意图；

图4是一般的染色体采集图像的像素概率分布统计图；

图5是本发明前一个轮廓点C和下一个轮廓点N示意图；

图6是本发明轮廓点N和它的两个邻接点L所有位置示意图；

图7是本发明不同的P、C相对位置下N的优先级情况示意图；

图8是本发明搜索方向错误情况下的处理方式示意图；

图9是本发明基于定向搜索的染色体轮廓检测和提取方法的实现流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本发明的一种基于定向搜索的染色体轮廓检测和提取方法的实现流程图如图9所示，其中，S为图像的第一个轮廓点；C为当前已确认的轮廓点；P为C的前一个轮廓点；N为C的下一个轮廓点；NPL为与C点相邻8个点中下一个轮廓点的可能点集；RL为已经搜索到的轮廓点集合；BL为回溯点集合；EL为已经搜索过的点；NP0为NPL中优先级最高的点：

第一步、对采集的染色体原图(如图1所示)进行图像滤波预处理，去处与染色体无关的杂信息，以达到更好的效果。这里采用的中值滤波法可以较好的保存原染色体图的边缘特性。

第二步、对中值滤波后的染色体图像进行二值化处理，区分出染色体边缘信息和轮廓以外的背景信息，根据染色体图像的像素概率分布统计图(见图4)来调节阈值MinV和MaxV，本实施例中取MinV等于70，MaxV等于190。

第三步、找到第一个黑白交接的点，作为第一个轮廓点S，从该点相邻的8个点中，挑出一个黑白相交的点作为第二个轮廓点。把S作为P，第二个轮廓点作为C，进行第四步。

第四步、找出与C相邻的8个点中可能的轮廓点集NPL。

第五步、如果NPL中只有一个点N，检查该点是否是在RL里，或者是在EL里，如果是，则跳到第十一步，否则跳到第七步。

第六步、如果NPL中有多个轮廓点N，删除其中在RL存在的点，删除其中在EL里存在的点。

第七步、计算NPL的点优先级，优先级是按P、C、NPL中的点N这三点构成的顺时针方向的角度确定，角度越大，优先级越低。

第八步、选择NPL中优先级最高的点作为NP0，NPL中的其他点按优先级放到BL里。

第九步、如果NP0与第一个轮廓点S相同，则跳转到第十二步结束搜索。

第十步、将NP0点添加到RL里，NP0转换成C，C转换成P，转到第四步继续。

第十一步、如果NPL中没有点，将C点添加到EL里，然后从BL里取出最后一个点代替C，然后转到第四步。

第十二步、成功搜索和提取出轮廓，如图3所示。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为本发明等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于定向搜索的染色体轮廓检测和提取方法，其特征是，包括如下步骤：

第一步、对采集的染色体图像进行二值化处理；

第二步、在二值化处理后的图像中找一个黑白交接的点，作为第一个轮廓点S，从S点相邻的8个点中，选取一个黑白交接的点作为第二个轮廓点，把S作为P，第二个轮廓点作为C；

第三步、设定从上到下，从左到右为图像的搜索方向，沿着搜索方向在与C相邻的8个点中找出C的下一个轮廓点的可能点集NPL，点集NPL中的点N满足以下条件：①N的像素值等于255，且它的两个邻接点至少有一个点的像素值＜255；②N不在RL中；③N不在EL中；

第四步、如果可能点集NPL中只有一个N点，检查该点是否在RL里或者是在EL里，如果是，则跳转到第十步；否则跳转到第六步；

第五步、如果可能点集NPL中有多个N点，删除其中在RL存在的点，删除其中在EL里存在的点；

第六步、确定可能点集NPL中N点的优先级，并对N点集合进行优先级排序；

第七步、选择可能点集NPL中优先级最高的N点作为NP0，NPL中其它点按优先级次序放到BL里；

第八步、如果NP0与第一个轮廓点S相同，则跳转到步骤第十一步；

第九步、否则将C点添加到RL里，将C点添加到EL里，NP0转换成C，C转换成P，跳转到第三步；

第十步、将C点添加到EL里，从BL里找一个优先级最高的N点作为C，跳转到第三步；

第十一步、提取RL中所有的点，得到染色体的轮廓点集；

其中，S为图像的第一个轮廓点；C为当前已确认的轮廓点；P为C的前一个轮廓点；N为C的下一个轮廓点；NPL为与C点相邻8个点中下一个轮廓点的可能点集；RL为已经搜索到的轮廓点集合；BL为回溯点集合；EL为已经搜索过的点；NP0为NPL中优先级最高的点。

2.根据权利要求1所述基于定向搜索的染色体轮廓检测和提取方法，其特征是，所述第一步之前先对采集的染色体图像进行去除图像噪点的预处理。

3.根据权利要求2所述基于定向搜索的染色体轮廓检测和提取方法，其特征是，所述去除图像噪点的预处理是指采用中值滤波处理算法对图像进行预处理。

4.根据权利要求1或2或3所述基于定向搜索的染色体轮廓检测和提取方法，其特征是，所述第一步中的二值化处理是指采用双阈值二值化算法对图像进行处理，其中两个阈值为MinV和MaxV，MinV＜MaxV，图像中像素值＜MinV或＞MaxV的点为背景点，其像素值设为255，而像素值≥MinV并且≤MaxV的点为物体点，保持其像素值不变。

5.根据权利要求4所述基于定向搜索的染色体轮廓检测和提取方法，其特征是，所述阈值MinV和MaxV通过下述两种方式确定：①由用户根据二值化处理后染色体图像的像素概率分布统计图来设定阈值MinV和MaxV；②由程序自动计算。

6.根据权利要求1或2或3或5所述基于定向搜索的染色体轮廓检测和提取方法，其特征是，所述第六步中的优先级是按P、C、NPL中的N点这三点构成的顺时针方向或逆时针的角度确定，角度越大，优先级越低。

7.根据权利要求4所述基于定向搜索的染色体轮廓检测和提取方法，其特征是，所述第六步中的优先级是按P、C、NPL中的N点这三点构成的顺时针或逆时针方向的角度确定，角度越大，优先级越低。

Images