CN101826207A

CN101826207A - 一种细胞显微图像感兴趣区域自动查找方法

Info

Publication number: CN101826207A
Application number: CN 201010143630
Authority: CN
Inventors: 李训根; 孙玲玲; 周磊; 叶向春; 黄良孟; 孔霆; 林陆君
Original assignee: Hangzhou Dianzi University
Current assignee: Hangzhou Dianzi University
Priority date: 2010-04-09
Filing date: 2010-04-09
Publication date: 2010-09-08

Abstract

本发明涉及一种细胞显微图像感兴趣区域自动查找方法。现有的方法处理速度慢、细胞边缘提取不准确、重叠细胞分割不精确。本发明方法首先利用兰索斯算法把原始图像A压缩成图像B；其次对图像B进行灰度化处理，然后再采用多阈值融合算法提取各个细胞的边缘，生成二值图C；然后对二值图C进行形态学膨胀操作，计算图像边缘形状改变的速度，直到离散程度小于设定值；最后提取细胞图像的边缘并还原到原始图像A中，即得到感兴趣区域。本发明方法处理速度快，提取细胞边缘的准确度更高。

Description

一种细胞显微图像感兴趣区域自动查找方法

技术领域

本发明属于显微图像处理技术领域，具体涉及一种细胞显微图像感兴趣区域自动查找方法。

背景技术

细胞显微图像计算机自动分析技术是一种用计算机代替人眼进行的显微图像快速全自动处理技术，在加快图像的处理速度和节省人力物力资源等方面有着重要的意义。细胞显微图像计算机自动分析技术虽然发展迅速，但是目前国内外的细胞显微图像计算机自动分析技术仍然存在着处理速度慢、细胞边缘提取不准确、重叠细胞分割不精确及阴性细胞提取不准确等诸多问题。

一个微小的细胞切片在显微镜下被放大几百倍之后，经过图像采集和拼接得到的图片是相当大的(甚至可以达到GByte)。如果不压缩直接处理，将耗费大量的时间和空间。

研究发现组织的异常细胞显微图像的表面积、周长、等效圆直径等形态参数与正常细胞相比有显著差异或高度显著差异。细胞显微图像中异常细胞往往呈多个聚集区分布，聚集区内细胞相互距离近，而且重叠细胞比较多，这些异常细胞聚集区就是要提取的感兴趣区域。如能找出这些感兴趣关键区域将会大大提高图像的处理和分析效率。假如对整张图做全局的精细处理将耗费大量的时间，而且由于背景明暗的差异将会对分析的结果造成一定的不良影响，而只对局部感兴趣区域进行处理会提高细胞边界提取的精度。因此对异常细胞聚集的局部区域进行提取显得相当关键也尤为重要。

发明内容

本发明针对现有技术不足，提出一种细胞显微图像感兴趣区域自动查找方法。

本发明方法的具体步骤为：

步骤(1)利用兰索斯(Lanczos)算法把原始图像A压缩成图像B，压缩倍数为采集原始图像时放大倍数的1/10；

步骤(2)对图像B进行灰度化处理，然后再采用多阈值融合算法提取各个细胞的边缘，生成二值图C；其中灰度化处理和多阈值融合算法均为现有技术。

步骤(3)确定细胞图像的边缘形状；

用细胞边缘点分布的离散程度S来表示细胞的边缘形状：

其中：

是边缘点横坐标的标准方差，

是边缘点纵坐标的标准方差，x_k是细胞边缘点的横坐标，y_k是细胞边缘点的纵坐标，n为细胞边缘点数。

步骤(4)对二值图C进行形态学膨胀操作，计算图像边缘形状改变的速度

ΔS_i＝|S_i-S_i-1|

其中S_i为第i次膨胀后的S值。

步骤(5)重复步骤(4)，一直到ΔS_i小于设定值；

步骤(6)提取细胞图像的边缘，并且滤去细胞边缘长度小于指定值的细胞；

步骤(7)在原图像A中确定在步骤(6)中提取的细胞图像边缘，即得到感兴趣区域。

本发明相对于现有技术具有以下有益效果：

本方法采用形态学膨胀的方法，显然比传统方法的处理速度要快的多，而且本方法更加适合于细胞显微图像中异常细胞往往呈多个聚集区分布，聚集区内细胞相互距离近，而且重叠细胞比较多的特点。

用本发明方法提取感兴趣区域后，再用阈值分割等算法提取细胞的边缘再提取细胞的边缘，可以省去一些没有用的区域的处理，比直接提取细胞的边缘速度要快。找出感兴趣区域后，再用阈值分割等算法提取细胞的边缘，这样可以提高阈值的准确度，所以比整张显微图像直接提取边缘，提取细胞边缘的准确度更高。

附图说明

图1为膨胀操作后边缘扩展与内缩示意图图；

图2为经过Lanczos算法压缩并灰度化后生成的图B；

图3为用多阈值融合算法提取各个细胞边缘后生成的二值图C；

图4为细胞边缘提取结果图；

图5为自动膨胀结果图；

图6为提取膨胀后的图像边缘图；

图7为去除内部边缘点后的最终区域轮廓线图；

图8为提取的细胞图像边缘图；

图9为滤去细胞边缘长度小于指定值的细胞后的结果图。

具体实施方式

以下结合附图对本发明作进一步说明。

步骤(1)利用Lanczos算法把原始图像A压缩成图像B，如图2所示；Lanczos算法使用基于sinc函数的滤镜。这是理论上最准确的滤镜，对于不具有锐度转换的照片图像能产生最佳输出。压缩后图像质量会有所损失，只要缩小后的异常细胞不消失就不会影响后面的工作，所以可以根据异常细胞的平均面积及采集图象时的放大倍数来确定压缩倍数，通常压缩倍数为采集原始图像时放大倍数的1/10。

步骤(2)对图像B进行灰度化处理，然后再采用多阈值融合算法提取各个细胞的边界，最后形成二值图，如图3所示；

步骤(3)确定细胞图像的边缘形状；

提取二值图中的细胞边缘，如图4所示。然后用细胞边缘点分布的离散程度S来表示细胞的边缘形状。

步骤(4)对图像C进行膨胀，边缘的形状特征S就会发生改变，把这种改变定义为：

ΔS_i＝|S_i-S_i-1| (1)

把它称作图像形状特征改变的速度。

当图像膨胀完了之后，图像的边缘有的会向外扩展，有的则向内缩小，也行的会相交重叠起来，当然重叠之后边缘也就不成其为边缘了，称这些边缘消亡了。随着图像的膨胀，边缘也在逐步消亡，这种消亡的速度时快时慢，刚开始是比较慢的，随后逐渐加快，到了一定程度之后出现一个拐点，速度会突然降下来。这是由于：每张细胞显微图像都会有许多细胞相对聚集的区域，而且同一区域内，细胞之间的间隔总是相差不大的；随着图像的膨胀，细胞之间的间隔也在缩小，缩小到一定程度之后细胞开始重叠，边缘消亡也就发生了，随着图像的继续膨胀，近距离内的细胞逐渐粘连在一起，当形成一个大的连通区域后，必然会出现一个短暂的稳定期，细胞的重叠一下子不再发生或很少发生，表现在边缘的消亡上就是消亡的速度突然变慢了。

把边缘的扩展对应为E_i，内缩定义为C_i，消亡对应为V_i。则有：

S_i＝E_i+C_i+V_i (2)

而边缘的扩展、内缩和消亡所引起的形状特征的变化依次设为：ΔE_i、ΔC_i和ΔV_i。对它们有如下定义：

ΔE_i＝E_i-E_i-1 (3)

ΔC_i＝C_i-C_i-1 (4)

ΔV_i＝V_i-V_i-1 (5)

ΔS_i＝|ΔE_i+ΔC_i+ΔV_i| (6)

图1示意了任意形状的图像(阴影部分)，在发生膨胀时边缘的走向，其中阴影外围的边缘向外扩展，而阴影内部的边缘则向内收缩了。举扩展为例，根据膨胀的定义可知，无论对任何形状的图像而言，扩展变化都是对称的，一个方向上的边缘点发生了改变意味着在与它相反的方向上必有某些边缘点发生了与它几乎相反的改变，因此边缘的重心位置并没有发生重大的改变，即

和

几乎不变，从而边缘点横纵坐标的标准方差也是基本保持不变的。那么就可以做出如下推导：

E_i≈E_i-1 (7)

ΔE_i＝E_i-E_i-1≈0 (8)

内缩变化与扩展变化类似，同理可以得到如下式子：

C_i≈C_i-1 (9)

ΔC_i＝C_i-C_i-1≈0 (10)

另外，扩展变化和内缩变化总是朝着两个相反的方向进行的，假如定扩展变化的方向为正，那么内缩变化的方向则必然为负，即假如ΔE_i＞0则必有ΔC_i＜0，再结合式(8)和式(10)可得如下式子：

|ΔE_i+ΔC_i|≈0 (11)

再由式(6)和式(11)可得出：

ΔS_i≈|ΔV_i| (12)

由此可见图像边缘消亡的速度即边缘的消亡所引起的图像形状特征的改变可以用ΔS_i来近似表示。

步骤(5)重复步骤(4)，一直到ΔS_i小于设定值(该值表明像边缘形状的改变已经很小)，如图5所示；

停止膨胀操作后，提取细胞的边缘，如图6所示；随后除去内部边缘点，如图7所示；然后图像B中确定提取的细胞图像边缘，如图8所示；再滤去边缘长度小于指定值的细胞，如图9所示。