CN101840513A - 一种图像形状特征提取方法 - Google Patents

Abstract

本发明提出一种基于距离变换的形状特征描述方法。首先对图像做距离变换，记录各点的距离值及相应的矢量信息。然后以最大距离值的一半为阈值，根据本发明提出的方法计算整体狭长度、整体锐角度、整体钝角度、边缘狭长度、边缘锐角度、边缘钝角度等形状特征参数。上述形状特征参数能够在不同尺度上反应出形状的特征，为细胞核的识别提供更详细的信息，因而对核形状不同的白细胞有较好的可分性。

Description

一种图像形状特征提取方法

技术领域

本发明涉及图像形状特征的提取方法，应用于提取血细胞核形状特征参数。

背景技术

由于细胞种类较多，某些种类差别细微，因此对形状参数的选取和测定也提出了较高要求。国内外在血细胞的形状特征向量提取方面已有一些研究，目前采用的形状参数提取方法主要有以下几种：

1.基于圆或者椭圆拟合误差的圆偏离度提取方法

此类方法主要有：最小区域圆法、最小二乘圆法、最小外接圆法和最大内接圆法，用最小区域圆评定准则所评定的圆度误差值为最小，且具有唯一性；最小二乘圆评定准则所评定的圆度误差值也具有唯一性，但数值不是最小；其它两种准则在我国应用较少。但是，此类方法相应的计算程序编制的难度较大，而且仅能得到与圆的误差度，还不够判断图像的其它形态特征。

2.基于轮廓线的形状提取方法

此类方法又包括两个分支：

(1)基于极坐标变换和傅立叶变换的特征提取

(2)基于链码描述的特征提取

基于极坐标变换和傅立叶变换的特征提取方法是指：设物体的形状是一条封闭曲线，沿边界曲线上的一个动点P(l)的坐标变化x(l)+jy(l)(P(l)坐标用复数形式表示)是一个以形状边界周长为周期的函数.这个周期函数可以展开成傅里叶级数形式表示。傅里叶级数中的一系列系数z(k)是直接与边界曲线的形状有关的，称为傅里叶描述子.当系数项取到足够阶次时，它可以将物体的形状信息完全提取并恢复出来。此方法的缺点是计算复杂，极坐标极点不好选取。

基于链码描述的特征提取方法是指：通过跟踪物体的边界得到边界的轮廓编码，再通过匹配得到与之最匹配的形状信息。此方法的缺点是很难具备旋转不变性。

3.基于主量分析的投影特征形状提取方法

目前主要采用主分量分析方法，主分量分析的思想就是在数据空间中找出一组向量，将数据从高维空间向低维的向量空间投影，所得分量有最大方差。该方法需要一组样本图像，并通过KL变换得到待识别图像在特征向量上的投影系数。此方法的缺点是计算非常复杂。

4.基于区域的几何形状提取方法

包括面积、周长、长、宽、周长平方与面积比、所有点到边界的平均距离的平方与面积比、区域矩不变性以及多边形拟合等，这些形状参数简单易于程序实现，但是，过于单一，不能完成不同形态的细胞核的精确分类分析。

发明内容

本发明的目的在于，针对现有方法的不足提出一种提取圆形度特征的方法，以充分描述物体的总体和细节信息。

本发明先对图像做距离变换，在距离变换的过程中记录下各个点到最近背景点的矢量信息v1以及沿着该矢量反方向的下一个相邻点的相对位置。同时记录下距离值。然后计算每个点和它在该方向的相邻点的方向夹角。以最大距离值的一半为阈值，分别记录下距离值较大和较小的各个夹角区间的点数与距离值的商的和。距离值大于阈值的计算结果代表了形状的整体信息，距离值小于阈值的计算结果代表了形状边缘细节信息。

距离值大且夹角大于135度的点数与距离值的商的和称为整体狭长度，距离值大且夹角在90度到135度之间的为整体锐角度，距离大且夹角在45度到90度的称为整体钝角度。距离值小且夹角大于135度的点数与距离值的商的和称为细节狭长度，距离值小且夹角在90度到135度之间的为细节锐角度，距离小且夹角在45度到90度的称为细节钝角度。

具体技术方案如下：

一种图像形状特征提取方法，用于提取血细胞核形状特征参数，该方法具体包括如下步骤：

步骤一：将图像进行阈值分割，变换为二值图f(x，y)，并对该二值图f(x，y)做倒角距离变换，得到二值图f(x，y)上各点的距离值、各点到最近背景点的矢量信息v1及沿着该矢量反方向的下一个相邻点的相对位置；其中，该二值图f(x，y)为宽w，高h的0-1型矩阵，其中0表示背景点，1表示前景点；

具体的操作步骤如下：

(1)变量初始化

$d(x_i,y_i)=\left\{\begin{array}{c}0,(f(x_i,y_i)=0)\\ +\∞,(f(x_i,y_i)=1)\end{array}\right.---\left(1\right)$

nearst(x_i，y_i)＝0

其中，d(x_i，y_i)为二值图f(x，y)中任一点(x_i，y_i)的距离值，nearst(x_i，y_i)为点(x_i，y_i)到最近边缘的距离值，accession_m(k，s)为第m个距离变换模板中任一点(k，s)的值，m＝1或2，所述距离变换模板为3*3的距离变换模板，即1≤k≤3，1≤s≤3；

(2)从点(0，0)开始对所述二值图f(x，y)中各点进行第一次扫描，其中坐标x_i和y_i均以步长1递增，即x_i+1＝x_i+1，y_i+1＝y_i+1，得到

d(x_i，y_i)＝min{accession₁(dx，dy)+d(x_i+dx，y_i+dy)}    (4)

其中，[dx，dy]∈{[-1，0]，[-1，-1]，[0，0]，[0，-1]，[1，-1]}，设[dx1，dy1]是使式子accession₁(dx，dy)+f(x_i+dx，y_i+dy)取到最小值的[dx，dy]，则

adjacentDir(x_i，y_i)＝[dx1，dy1]                      (5)

nearst(x_i，y_i)＝nearst(x_i+dx，y_i+dy)+adjacentDir(x_i，y_i)                   (6)

其中adjacentDir(x_i，y_i)为点(x_i，y_i)到最近边缘的矢量的反方向上下一个邻近点的方向信息，

即得到各点到最近边缘的距离值，以及各点到最近边缘的矢量的反方向上下一个邻近点的方向信息；

(3)从点(w-1，h-1)开始对图中各点进行第二次扫描，其中坐标x_i和y_i均以步长1递减，即x_i+1＝x_i-1，y_i+1＝y_i-1，得到

d(x_i，y_i)＝min{accession₂(dx，dy)+d(x_i+dx，y_i+dy)}                        (7)

其中，[dx，dy]∈{[1，0]，[1，1]，[0，0]，[0，1]，[-1，1]}，设[dx1，dy1]是使式子accession₂(dx，dy)+f(x_i+dx，y_i+dy)取到最小值的[dx，dy]，则

$\mathrm{adjacentDir}(x_i,y_i)=\left\{\begin{array}{c}[\mathrm{dx}1,\mathrm{dy}1],\left(\right[\mathrm{dx}1,\mathrm{dy}1]\≠[\mathrm{0,0}\left]\right)\\ \mathrm{adjacentDir}(x_i,y_i),\left(\right[\mathrm{dx}1,\mathrm{dy}1]=[\mathrm{0,0}\left]\right)\end{array}\right.---\left(8\right)$

nearst(x_i，y_i)＝nearst(x_i+dx，y_i+dy)+adjacentDir(x_i，y_i)                   (9)

即得到更新了的各点到最近边缘的距离值，以及各点到最近边缘的矢量的反方向上下一个邻近点的方向信息；

步骤二：根据下式(10)计算a(x_i，y_i)值，其中a(x_i，y_i)为点(x_i，y_i)到最近边缘的矢量与图adjacentDir(x_i，y_i)中指示的邻近点到最近边缘的矢量的夹角：

a(x_i，y_i)＝|arctan(nearst(x_i，y_i))-arctan(nearst(adjacentDir(x_i，y_i)))|    (10)

步骤三：计算新的形状测量指标，包括：

整体狭长度

card({(x_i，y_i)|d(x_i，y_i)＞th，a(x_i，y_i)＞3/4π})/th                        (11)

整体锐角度：

card({(x_i，y_i)|d(x_i，y_i)＞th，3/4π≥a(x_i，y_i)＞1/2π})/th                 (12)

整体钝角度：

card({(x_i，y_i)|d(x_i，y_i)＞th，1/2π≥a(x_i，y_i)＞1/4π})/th            (13)

边缘狭长度：

card({(x_i，y_i)|d(x_i，y_i)≤th，a(x_i，y_i)＞3/4π})/th                   (14)

边缘锐角度：

card({(x_i，y_i)|d(x_i，y_i)≤th，3/4π≥a(x_i，y_i)＞1/2π})/th            (15)

边缘钝角度：

card({(x_i，y_i)|d(x_i，y_i)≤th，1/2π≥a(x_i，y_i)＞1/4π})/th            (16)

其中，card(A)表示集合A中元素的个数，th为距离图d中最大距离值的一半。计算出上述形状测量指标，即完成图像性能指标提取，以在不同尺度上反应图像形状的特征，从而用于细胞核的识别。

本发明能够达到的有益效果如下：

对于白细胞核的分类情况，可以采用整体狭长度和锐角度的和来进行整体判断与形态分析。如果图片很清晰，细胞核所占像素很多，能够清楚的表示出细节信息，则可以进一步的提取更多边缘信息，以有效的判断细胞核的情况。

附图说明

图1：3x3倒角距离变换模板

图2：不同形状在各个尺寸的圆形度

图3：不同形状在各个尺寸新的测量指标

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

倒角距离变换最大的优点是实行两次串行扫描处理即可以得到距离信息，计算量小，也能够得到较准确的分割结果。实际上在形状的测量和判断当中，点到边缘的距离也是很重要的指标，因此，我们引入了倒角距离变换来进行形状测量。

原始的距离变换只是得到了距离信息而没有得到方向信息，在进行形状识别的时候，方向信息也是很重要的。因此，我们在进行距离变换的两次扫描中，在记录下距离信息的同时也记录下方向信息，用于后面的判决。

一种图像形状特征提取方法，包括如下步骤：

步骤一，将图像进行阈值分割，变换为二值图f(x，y)，对该二值图f(x，y)做倒角距离变换，得到图中各点的距离值、各点到最近背景点的矢量信息v1及沿着该矢量反方向的下一个相邻点的相对位置。

二值图数据为宽w，高h的0-1型矩阵，其中0表示背景点，1表示前景点。具体操作步骤如下：

(1)变量初始化

$d(x_i,y_i)=\left\{\begin{array}{c}0,(f(x_i,y_i)=0)\\ +\∞,(f(x_i,y_i)=1)\end{array}\right.---\left(1\right)$

nearst(x_i，y_i)＝0

其中，0≤x_i＜w，0≤y_i＜h，1≤i＜w*h，d(x_i，y_i)为二值图f(x，y)中任一点(x_i，y_i)的距离值，nearst(x_i，y_i)为点(x_i，y_i)到最近边缘的距离值，accession_m(k，s)为第m个距离变换模板中任一点(k，s)的值，m＝1或2，所述距离变换模板为3*3矩阵，即1≤k≤3，1≤s≤3，如图1所示。

(2)从点(0，0)开始对二值图f(x，y)中各点进行第一次扫描，其中坐标x_i，y_i均以步长1递增，即x_i+1＝x_i+1，y_i+1＝y_i+1，得到

d(x_i，y_i)＝min{accession₁(dx，dy)+d(x_i+dx，y_i+dy)}        (4)

其中，[dx，dy]∈{[-1，0]，[-1，-1]，[0，0]，[0，-1]，[1，-1]}，设[dx1，dy1]是使式子accession₁(dx，dy)+f(x_i+dx，y_i+dy)取到最小值的[dx，dy]，则

adjacentDir(x_i，y_i)＝[dx1，dy1]                                             (5)

nearst(x_i，y_i)＝nearst(x_i+dx，y_i+dy)+adjacentDir(x_i，y_i)                    (6)

其中adjacentDir(x_i，y_i)为点(x_i，y_i)到最近边缘的矢量的反方向上下一个邻近点的方向信息。

即可得到图中各点到最近边缘的距离值，以及各点到最近边缘的矢量的反方向上下一个邻近点的方向信息。

(3)从点(w-1，h-1)开始对图中各点进行第二次扫描，其中坐标x_i，y_i均以步长1递减，即x_i+1＝x_i-1，y_i+1＝y_i-1，得到

d(x_i，y_i)＝min{accession₂(dx，dy)+d(x_i+dx，y_i+dy)}                          (7)

其中，[dx，dy]∈{[1，0]，[1，1]，[0，0]，[0，1]，[-1，1]}，设[dx1，dy1]是使式子accession₂(dx，dy)+f(x_i+dx，y_i+dy)取到最小值的[dx，dy]，则

$\mathrm{adjacentDir}(x_i,y_i)=\left\{\begin{array}{c}[\mathrm{dx}1,\mathrm{dy}1],\left(\right[\mathrm{dx}1,\mathrm{dy}1]\≠[\mathrm{0,0}\left]\right)\\ \mathrm{adjacentDir}(x_i,y_i),\left(\right[\mathrm{dx}1,\mathrm{dy}1]=[\mathrm{0,0}\left]\right)\end{array}\right.---\left(8\right)$

nearst(x_i，y_i)＝nearst(x_i+dx，y_i+dy)+adjacentDir(x_i，y_i)                    (9)

即得到更新了的图中各点到最近边缘的距离值，以及各点到最近边缘的矢量的反方向上下一个邻近点的方向信息。

步骤二，根据下式(10)计算a(x_i，y_i)值

a(x_i，y_i)为点(x_i，y_i)到最近边缘的矢量与图adjacentDir(x_i，y_i)中指示的邻近点到最近边缘的矢量的夹角。

a(x_i，y_i)＝|arctan(nearst(x_i，y_i))-arctan(nearst(adjacentDir(x_i，y_i)))|    (10)

步骤三，计算新的形状测量指标，包括

整体狭长度表示为：

card({(x_i，y_i)|d(x_i，y_i)＞th，a(x_i，y_i)＞3/4π})/th                   (11)

整体锐角度表示为：

card({(x_i，y_i)|d(x_i，y_i)＞th，3/4π≥a(x_i，y_i)＞1/2π})/th            (12)

整体钝角度表示为：

card({(x_i，y_i)|d(x_i，y_i)＞th，1/2π≥a(x_i，y_i)＞1/4π})/th            (13)

边缘狭长度表示为：

card({(x_i，y_i)|d(x_i，y_i)≤th，a(x_i，y_i)＞3/4π})/th                   (14)

边缘锐角度表示为：

card({(x_i，y_i)|d(x_i，y_i)≤th，3/4π≥a(x_i，y_i)＞1/2π})/th            (15)

边缘钝角度表示为：

card({(x_i，y_i)|d(x_i，y_i)≤th，1/2π≥a(x_i，y_i)＞1/4π})/th            (16)

其中，card(A)表示集合A中元素的个数，th为距离图中最大距离值的一半。即完成图像性能指标提取。

图2显示不同大小不同形状的圆形度，可以看出面积对圆形度的影响较大，尤其对于分叶形，影响更大，原圆形度测度的可分性差；图3显示了对上述形状在不同尺度下新的测量指标(新测度)，可以看出面积对于新测量指标的影响较小，并能够在不同尺度上反应出形状的特征，能为细胞核的识别提供更详细的信息，因而对于核形状不同的白细胞有较好的可分性。

Claims (1)

1.一种图像形状特征提取方法，用于提取血细胞核形状特征参数，该方法具体包括如下步骤：

步骤一：将图像进行阈值分割，变换为二值图f(x，y)，并对该二值图f(x，y)做倒角距离变换，得到二值图f(x，y)上各点的距离值、各点到最近背景点的矢量信息v1及沿着该矢量反方向的下一个相邻点的相对位置；其中，该二值图f(x，y)为宽w，高h的0-1型矩阵，其中0表示背景点，1表示前景点；

具体的操作步骤如下：

(1)变量初始化

$d(x_i,y_i)=\left\{\begin{array}{c}0,(f(x_i,y_i)=0)\\ +\∞,(f(x_i,y_i)=1)\end{array}\right.---\left(1\right)$

nearst(x_i，y_i)＝0

其中，d(x_i，y_i)为二值图f(x，y)中任一点(x_i，y_i)的距离值，nearst(x_i，y_i)为点(x_i，y_i)到最近边缘的距离值，accession_m(k，s)为第m个距离变换模板中任一点(k，s)的值，m＝1或2，所述距离变换模板为3*3的距离变换模板，即1≤k≤3，1≤s≤3；

(2)从点(0，0)开始对所述二值图f(x，y)中各点进行第一次扫描，其中坐标x_i和y_i均以步长1递增，即x_i+1＝x_i+1，y_i+1＝y_i+1，得到

d(x_i，y_i)＝min{accession₁(dx，dy)+d(x_i+dx，y_i+dy)}    (4)

其中，[dx，dy]∈{[-1，0]，[-1，-1]，[0，0]，[0，-1]，[1，-1]}，设[dx1，dy1]是使式子accession₁(dx，dy)+f(x_i+dx，y_i+dy)取到最小值的[dx，dy]，则

adjacentDir(x_i，y_i)＝[dx1，dy1]                             (5)

nearst(x_i，y_i)＝nearst(x_i+dx，y_i+dy)+adjacentDir(x_i，y_i)    (6)

其中adjacentDir(x_i，y_i)为点(x_i，y_i)到最近边缘的矢量的反方向上下一个邻近点的方向信息，

即得到各点到最近边缘的距离值，以及各点到最近边缘的矢量的反方向上下一个邻近点的方向信息；

(3)从点(w-1，h-1)开始对图中各点进行第二次扫描，其中坐标x_i和y_i均以步长1递减，即x_i+1＝x_i-1，y_i+1＝y_i-1，得到

d(x_i，y_i)＝min{accession₂(dx，dy)+d(x_i+dx，y_i+dy)}          (7)

其中，[dx，dy]∈{[1，0]，[1，1]，[0，0]，[0，1]，[-1，1]}，设[dx1，dy1]是使式子accession₂(dx，dy)+f(x_i+dx，y_i+dy)取到最小值的[dx，dy]，则

$\mathrm{adjacentDir}(x_i,y_i)=\left\{\begin{array}{c}[\mathrm{dx}1,\mathrm{dy}1],\left(\right[\mathrm{dx}1,\mathrm{dy}1]\≠[\mathrm{0,0}\left]\right)\\ \mathrm{adjacentDir}(x_i,y_i),\left(\right[\mathrm{dx}1,\mathrm{dy}1]=[\mathrm{0,0}\left]\right)\end{array}\right.---\left(8\right)$

nearst(x_i，y_i)＝nearst(x_i+dx，y_i+dy)+adjacentDir(x_i，y_i)    (9)

即得到更新了的各点到最近边缘的距离值，以及各点到最近边缘的矢量的反方向上下一个邻近点的方向信息；

步骤二：根据下式(10)计算a(x_i，y_i)值，其中a(x_i，y_i)为点(x_i，y_i)到最近边缘的矢量与图adjacentDir(x_i，y_i)中指示的邻近点到最近边缘的矢量的夹角：

a(x_i，y_i)＝|arctan(nearst(x_i，y_i))-arctan(nearst(adjacentDir(x_i，y_i)))|    (10)

步骤三：计算新的形状测量指标，包括：

整体狭长度

card({(x_i，y_i)|d(x_i，y_i)＞th，a(x_i，y_i)＞3/4π})/th        (11)

整体锐角度：

card({(x_i，y_i)|d(x_i，y_i)＞th，3/4π≥a(x_i，y_i)＞1/2π})/th   (12)

整体钝角度：

card({(x_i，y_i)|d(x_i，y_i)＞th，1/2π≥a(x_i，y_i)＞1/4π})/th   (13)

边缘狭长度：

card({(x_i，y_i)|d(x_i，y_i)≤th，a(x_i，y_i)＞3/4π})/th          (14)

边缘锐角度：

card({(x_i，y_i)|d(x_i，y_i)≤th，3/4π≥a(x_i，y_i)＞1/2π})/th     (15)

边缘钝角度：

card({(x_i，y_i)|d(x_i，y_i)≤th，1/2π≥a(x_i，y_i)＞1/4π})/th     (16)

其中，card(A)表示集合A中元素的个数，th为距离图d中最大距离值的一半。计算出上述形状测量指标，即完成图像性能指标提取，以在不同尺度上反应图像形状的特征，从而用于细胞核的识别。

Images