CN101877074A - 基于多元特征的结核杆菌目标识别计数算法 - Google Patents

Abstract

本发明涉及医学图像处理和模式识别领域，尤其是一种基于多元特征的结核杆菌目标识别计数算法。其包括步骤：图像预处理，对结核杆菌显微图像进行图像增强，并对其实施中值滤波和高斯滤波；彩色图像分割，对预处理后的图像进行基于HSV色彩空间的固定阈值分割，然后进行基于CIE L*a*b*色彩空间的保持目标几何形状的自适应阈值分割；连通块形态分析及目标识别，对分割后的图像进行连通块分析；结核杆菌目标计数，利用直方图统计和多策略计算方法，将图像中结核杆菌目标数量估算出来。本发明能有效的将抗酸染色后的结核杆菌显微图像中的杆菌目标从背景和杂质中提取出来，并能进行精确计数，实现了结核杆菌检测的自动化和智能化。

Description

基于多元特征的结核杆菌目标识别计数算法

技术领域

本发明涉及医学图像处理和模式识别领域，尤其是一种基于多元特征的结核杆菌目标识别计数算法。

背景技术

肺结核是危害人类健康的严重疾病之一，目前常用的检验方法有X线胸部透视、结核菌培养和显微镜直接涂片验痰等。X线胸部透视检验不易与其他肺部疾病区分；结核菌培养法精确可靠，但耗时长，通常需要4到8周，影响病人治疗时间；显微镜直接涂片验痰的方法快速简单，但该法严重依赖于病理专家的知识和经验，对专家要求非常高，且无法给出定量结果，容易造成漏诊。

近年来，随着计算机技术及数字图像处理技术的飞速发展，数字图像处理技术越来越多地应用于医学诊疗领域，其基本原理就是对通过不同方式获取的数字图像利用图像处理技术进行分割、配准、目标分类、识别及计数，从而获取有价值的医学诊断信息。目前，基于图像处理技术的细胞检验及形态分析成为医学诊疗领域一个研究热点，国内外很多学者都开展了相关研究。Jean-Philippe等人对肺部细胞图像进行分析，利用数学形态方法进行图像分割，并提取了核浆比、核畸形度、核粗糙度3个特征进行分类。ThomasSchindewlof利用色度和纹理特征，对表皮细胞进行分类。洪沁等人对胃癌细胞图像识别进行了研究，选取了56幅单细胞图像，提取了细胞面积、核面积、核浆比、核的密集度、核的平均灰度及核内光密度均方差等6个特征参量，用人工神经网络方法进行分类，取得了较好的效果。以上这些研究在某些方面取得了很好的效果，但是专门针对结核杆菌显微图像的研究成果不多，尤其是在如何有效利用染色涂片后结核杆菌的色彩特征和形态特征进行细胞的分类识别方面研究不足。

发明内容

为了克服现有的针对抗酸染色后的结核杆菌显微图像不能对其进行准确、快速、高效的识别和计数的不足，本发明提供了一种基于多元特征的结核杆菌目标识别计数算法。

本发明解决其技术问题所采用的技术方案是：一种基于多元特征的结核杆菌目标识别计数算法，包括以下步骤：

一、图像预处理：对结核杆菌显微图像进行图像增强，并对其实施中值滤波和高斯滤波，减少噪声影响并增强其对比度；

二、彩色图像分割：对预处理后的图像进行基于混合色彩空间的彩色图像自适应阈值分割，由此可将结核杆菌目标及疑似目标从背景及其他正常细胞中分割出来，得到初步检测结果；

三、连通块形态分析及目标初步识别：对二值化后的图像采用链码跟踪算法进行连通块分析，计算连通块的形态参数，包括：连通块面积、圆形度、粗糙度和长宽比四个形态参数，然后依据这些形态参数并结合结核杆菌形态特征先验知识进行初步分类识别，并将步骤二中的噪声块及其他疑似目标剔除；

四、复杂多目标重叠块的识别：采用基于梯度幅值加权平均量的分类识别方法对大面积杂质块和多目标重叠块进行分类识别；

五、结核杆菌目标计数：将所有结核杆菌目标识别出后，对不同的目标块采用不同的计数策略统计当前图像中结核杆菌目标的总数目。

根据本发明的另一个实施例，进一步包括所述彩色图像分割，基于混合色彩空间的彩色图像自适应阈值分割，是一种充分利用目标色彩信息的由粗到精的彩色图像分割方法，包括以下步骤：

(1)基于HSV色彩空间的图像粗分割：将图像转换到HSV色彩空间，然后根据先验知识对H及S通道进行固定阈值分割，其中先验知识也即结核杆菌目标的H值及S值的上下限，这利用大量样本分析和HS直方图统计的方法获取；

(2)基于CIE L*a*b*色彩空间的保持目标几何形状的图像自适应阈值分割：将图像转换到CIE L*a*b*色彩空间，提取出L通道图像，然后对L通道图像进行自适应阈值分割，这里自适应阈值是指像素点(x，y)的分割阈值T(x，y)是由该像素点的邻域确定的，采用高斯加权的方法获取T(x，y)；

(3)多通道图像融合形成精细分割图像：将步骤(1)的分割结果和步骤(2)的分割结果进行图像融合，形成最终分割结果，融合规则为：当且仅当粗分割和自适应分割后的二值化图像同时认为有目标存在时，则判定该目标是稳定存在的。因此只需对H、S、L三通道分割结果进行与操作即可得到初始分割图像。

根据本发明的另一个实施例，进一步包括所述连通块形态分析及目标初步识别，包括以下步骤：

(1)连通块形态分析：采用链码跟踪算法分析连通块状态，获取连通块的形态信息，包括：连通块面积、圆形度、粗糙度和长宽比四个形态参数；

(2)连通块分类：根据结核杆菌形态特征先验知识将连通块分为以下几类：

(A)噪声块：这类块面积一般较小，可将面积小于一定阈值的块看成噪声块并剔除；

(B)无分支单杆菌块：这类块面积在一定范围内，块的圆形度较小，块的粗糙度也较小；

(C)有分支单杆菌块：这类块面积在一定范围内，块的圆形度较小，但具有较大的粗糙度；

(D)小面积杂质块：这类块面积跟单目标块面积相当，但这类块的圆形度较大，块的长宽比则比较小；

(E)多杆菌目标聚集块：这类块面积较大，块所对应的原始图像区域其目标边缘脉络清晰，边缘走向较分明，在不同方向上图像灰度变化明显不同；

(F)大面积杂质块：这类块面积较大，块所对应的原始图像区域没有明显的边缘脉络走向，在各个方向上灰度变化表现出同一性。

(3)目标识别：根据以上分类结果利用连通块形态特征将噪声块及小面积杂质块剔除，将无分支单杆菌块及有分支单杆菌块提取出来。

根据本发明的另一个实施例，进一步包括所述复杂多目标重叠块的识别，是一种以图像梯度幅值加权平均量为分类准则的大面积杂质块和多目标重叠块的分类识别方法，所述的梯度幅值加权平均量GMWA(Gradient MagnitudeWeighted Average)定义如下：

$\mathrm{GMWA}=\frac{\underset{(x,y)\∈{\mathrm{\Ω}}^{+}}{\mathrm{\Σ}}a(x,y)m(x,y)}{A}---\left(a\right)$

其中A为连通块扩展有效计算区域的面积，m(x，y)为点(x，y)处的图像梯度幅值，a(x，y)为加权系数，定义为：

$a(x,y)=\frac{m(x,y)}{\underset{(x,y)\∈{\mathrm{\Ω}}^{+}}{\mathrm{\Σ}}m(x,y)}---\left(b\right)$

a(x，y)的作用在于抑制小梯度值而增强大梯度值，经过a(x，y)加权后两类块的平均梯度将出现非常显著的差异，这极大方便了目标的分类及识别，同时a(x，y)还具有抑制噪声的作用。

将式(b)代入式(a)可得：

$\mathrm{GMWA}=\frac{\underset{(x,y)\∈{\mathrm{\Ω}}^{+}}{\mathrm{\Σ}}{m}^2(x,y)}{A\underset{(x,y)\∈{\mathrm{\Ω}}^{+}}{\mathrm{\Σ}}m(x,y)}---\left(c\right)$

其中A为连通块扩展有效计算区域的面积，m(x，y)为点(x，y)处的图像梯度幅值，基于GMWA分类准则为：当GMWA＞thr_mag时判断为多目标重叠块，反之则为大面积杂质块，thr_mag为判决阈值。

根据本发明的另一个实施例，进一步包括所述的梯度幅值采用基于sobel算子的计算方法，设v(x，y)为像素点(x，y)处的灰度值，则(x，y)处梯度水平分量dx和垂直分量dy计算如下：

dx＝2×v(x+1，y)+v(x+1，y-1)+v(x+1，y+1)-2×v(x-1，y)-v(x-1，y-1)-v(x-1，y+1)

dy＝2×v(x，y-1)+v(x+1，y-1)+v(x-1，y-1)-2×v(x，y+1)-v(x+1，y+1)-v(x-1，y+1)

由dx及dy可求得点(x，y)处的图像梯度幅值m(x，y)：

$m(x,y)=\sqrt{{\left(\mathrm{dx}\right)}^2+{\left(\mathrm{dy}\right)}^2}.$

根据本发明的另一个实施例，进一步包括所述的连通块扩展有效计算区域，是指参与梯度幅值计算的所有像素点的集合构成的区域，这个区域一般跟目标形态相似，为不规则区域，这可通过对待计算图像进行二值化获得。为了保证有效计算区域将待辨识目标块全部包括在区域中，可对区域进行扩展，形成扩展有效计算区域，该扩展有效计算区域可通过对原有效计算区域进行形态学膨胀运算获得，一般采用3×3的结构元素进行两次膨胀运算即可。

根据本发明的另一个实施例，进一步包括所述杆菌目标计数，其方法为：对不同的目标块采用不同的计数策略，对单目标块，其每个连通块即为一个目标，对多目标重叠块，采用基于面积的计数方法，首先统计单目标块的面积平均值，然后用多目标重叠块面积除以平均面积即为该多目标重叠块中目标的数量，最后将图像中所有目标数量相加即为该图像中结核杆菌目标的总数目。

本发明的有益效果是，本发明能准确的将痰液或其他体液显微图像中的结核杆菌目标提取出来并能够精确计数，实现了结核杆菌目标检测的自动化、智能化和精准化。算法选取的多元特征充分利用了待检测目标的颜色特征和形态特征，简单直观，能够很好的将结核杆菌目标跟背景及其他干扰目标区分开来，实现了结核杆菌目标的全自动高精度检测，同时该方法具有很强实时性，大大提高了传统算法的检测效率，可广泛应用于结核病的诊断中，具有很高的推广应用价值。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是结核杆菌显微图像及其HS直方图：(a)(b)为典型结核杆菌显微图像；(c)(d)分别为(a)(b)所对应的HS直方图；

图2是结核杆菌图像HS通道阈值化结果：(c)为图1(a)的阈值化结果；(d)为图1(b)的阈值化结果；

图3是杆菌图像的V通道与L通道图像比较：(a)为图1(b)的V通道图像；(b)为图1(b)的L通道图像；

图4是结核杆菌图像L通道自适应阈值分割结果：(a)为图3(b)采用7*7掩模进行自适应阈值化的结果；(b)为图3(b)采用31*31掩模进行自适应阈值化的结果；

图5是基于混合色彩空间的自适应阈值分割结果：(a)为对图1(a)的处理结果；(b)为对图1(b)的处理结果；

图6是基于连通块形态分析的目标识别及分类算法流程；

图7是待计算图像及其梯度统计量有效计算区域图；

图8是基于梯度统计特征的目标识别及分类算法流程

图9基于多元特征的结核杆菌目标识别计数算法流程图；

图10是智能结核杆菌检测计数系统软硬件结构图；

图11是智能结核杆菌检测计数系统工作流程。

具体实施方式

现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图9基于多元特征的结核杆菌目标识别计数算法流程图，一种基于多元特征的结核杆菌目标识别计数算法，包括以下步骤：

一、图像预处理，具体的操作为：

1.对比度增强，采用灰度拉伸的方法对原始图像进行对比度增强。

2.中值滤波，采用3*3模版对对比度增强后的图像进行中值滤波，滤除斑点噪声。

3.高斯滤波，采用3*3模版对图像进行高斯滤波，滤除高斯噪声。

二、彩色图像分割，具体操作步骤为：

1.将预处理后的图像由RGB色彩空间转换到HSV色彩空间，然后将H、S、V三个通道分裂到三个单通道图像。

2.对H及S通道图像进行固定阈值分割，也即进行二值化。其中阈值的确定采用直方图分析的方法，图1给出了在不同光源情况下典型结核杆菌图像及其HS直方图，该直方图中，为了表示方便，将H固有变化范围0到360减半，设定为0到180，S变化范围为0到255，然后将H分量划分为18个等级，S分量划分为8个等级，这样随着横坐标的增加H分量也随之增加，对每一个特定的H分量值，S分量从左至右依次增加，代表该H分量在不同饱和度情况下的分布状况。分析直方图发现：图像中背景(灰白或浅黄色)和正常目标(蓝色)分别形成直方图的两个峰值，而待检测的杆菌目标(紫红色)则紧邻正常目标分布，且均占据直方图H分量的第13至第18根柱。通过对30副典型结核杆菌图像进行直方图分析也得出同样的结论，因此对图像的H通道进行固定阈值化即可分割出杆菌目标。设HHTh、LHTh分别为H通道的高、低阈值，则像素点(x，y)固定阈值化后的灰度值dst(x，y)可由下式确定：

$\mathrm{dst}(x,y)=\left\{\begin{array}{cc}0\mathrm{xFF},& \mathrm{LHTh}<\mathrm{src}(x,y)<\mathrm{HHTh}\\ 0,& \mathrm{else}\end{array}\right.$

其中src(x，y)表示像素点(x，y)的原灰度值，大量实验得出：当LHTh取133，LHTh取180时能取得最好效果，特殊情况下这些阈值可以在一定范围内进行调整。在光源不稳定或显微镜聚焦不精确的情况下，图像中正常目标边缘会出现虚假目标，这些目标一般饱和度较低，因此可以通过剔除S分量值很小的目标达到剔除虚假边缘目标的目的，一般S阈值取12，同样对于特殊情况这个阈值可以在一定范围内进行调整。图2给出了图1中两幅典型图像HS通道固定阈值化并进行中值滤波和形态滤波后的结果，其中H通道低、高阈值分别为133、180，S通道低、高阈值为12、255。从图中可见背景和正常目标已全部被剔除，紫红色的杆菌目标被成功提取出来。

3.将预处理后的图像转换到CIE L*a*b*色彩空间，然后将L通道图像提取出来。这一步骤是基于如下考虑：虽然图像经过H及S通道分割后杆菌目标被成功提取出来，但粘连目标没有分割开来，且目标几何形状存在失真现象，分割结果非常粗糙，这是由以下原因造成的：其一，分割阈值设置不当，由于图像采集过程中不确定因素非常多(如标本染色质量不高、显微镜聚焦不准、光源不稳定)，成像质量参差不齐，因此无法设置一个有广泛适应性的阈值，而为了保证杆菌目标不丢失，设置的阈值必须有足够的范围，这就导致相邻目标间出现粘连甚至出现虚假目标；其二，H及S通道无法保持目标的精细几何形状，若把彩色图像看成是多分量构成的矢量图像，那么该矢量图像中目标的几何形状是由各分量共同决定的。也就是说，无论将该矢量图像转换到任何颜色空间，该颜色空间中单个分量是无法给出目标精细几何形状的。因此，为了精确提取目标的几何形状，还必须在此基础上进行再分割，以形成精细分割图像。虽然矢量图像中单个分量无法给出目标的精细几何形状，但在一些色彩空间中某些分量可以近似保持目标的几何形状，比如HSV色彩空间中的V分量，CIE L*a*b*色彩空间中的L分量，但这些分量对目标几何形状的保持能力是有差异的。在HSV色彩空间中，V分量不具有亮度或照度的意义，其保持目标几何形状的能力相对较弱，而在CIE L*a*b*色彩空间中，L分量具有亮度(或照度)的意义，因此其保持目标几何形状的能力较强。图3(a)和(b)分别给出了图1(b)中彩色图像的V通道和L通道图像，从图中可以看出L通道图像目标几何形状非常清晰，而V通道图像几何形状存在明显失真。基于以上分析，我们首先将图像由RGB色彩空间转换到CIE L*a*b*色彩空间并取其L通道以获取灰度图像。L通道的表达式为(R、G、B分别表示图像的R、G、B分量值)：

L＝0.3R+0.6G+0.1B

4.对L通道图像进行基于高斯加权的自适应阈值分割。由于没有先验信息可供利用，因此如何确定阈值成为一个关键问题。为了避免固定阈值分割导致的目标丢失及出现假目标现象(这是一对矛盾)，我们对L通道采用局部自适应阈值分割方法。这里自适应阈值是指像素点(x，y)的分割阈值T(x，y)是由该像素点的邻域确定的，采用高斯加权的方法获取T(x，y)，也即

$T(x,y)=\underset{i,j\&Element;D}{\mathrm{\&Sigma;}}g(i-x,j-y)\mathrm{src}(i,j)-b$

其中

为高斯加权函数，m，n表示对应像素点离中心像素(x，y)的距离，这里m＝i-x，n＝j-y，区域D为以像素点(x，y)为中心的N×N邻域，b为一适当的常数；

求得T(x，y)后，像素点(x，y)二值化后的灰度值dst(x，y)可由下式确定：

$\mathrm{dst}(x,y)=\left\{\begin{array}{cc}1,& \mathrm{src}(x,y)<T(x,y)\\ 0,& \mathrm{src}(x,y)>T(x,y)\end{array}\right.$

其中src(x，y)表示像素点(x，y)的原灰度值。由于背景灰度大于目标灰度，因此经上式二值化后目标像素灰度值为0xFF，而背景像素灰度值为0；

自适应阈值化过程中掩模的大小对处理结果影响很大，掩模太小导致过分割现象非常严重，目标形状无法保持，滤波后目标会大量丢失(如图4(a))，掩模太大则导致自适应效果不佳，且处理速度会下降。本发明经过试验确定当N＝31时能给出比较好的处理结果，如图4(b)，图中杆菌目标形状清晰可见，粘连目标已经分开，虽然正常细胞存在过分割现象，但这不影响杆菌目标的提取。

5.多通道图像融合形成精细分割图像：杆菌图像经过基于HSV色彩空间的粗分割后剔除了正常细胞和背景杂质，提取了杆菌目标的粗略形状，然后经过自适应阈值分割后将图像中正常细胞、背景及杆菌目标的几何形状都提取出来，我们需要将这两步的处理结果进行融合以生成精细分割图像。融合规则为：当且仅当粗分割和自适应分割后的二值化图像同时认为有目标存在时，则判定该目标是稳定存在的。因此只需对H、S、L三通道分割结果进行与操作即可得到初始分割图像。设img_h_bin，img_s_bin，img_l_bin分别为H、S、L三通道分割结果，则精细分割图像img_result可用下式表示(其中&代表与操作)：

img_result＝img_h_bin&img_s_bin&img_l_bin

图5给出了图1中两副典型结核杆菌图像的精细分割结果，从结果来看，杆菌目标全部提取出来，目标几何形状保持完好，效果非常理想。

三、连通块形态分析及目标识别，具体步骤为：

1.连通块分析，采用链码跟踪算法分析连通块状态，获取连通块的形态信息，包括：连通块面积、圆形度、粗糙度和长宽比四个形态参数，这些形态参数定义如下：

连通块面积A：连通块边界及内部像素的总数目；

连通块圆形度C：设A为连通块面积，P为连通块周长，则连通块圆形度C定义为：

$C=\frac{4\mathrm{\&pi;A}}{P^2}$

圆形度用来描述连通块形状接近圆形的程度，其取值范围为0＜C≤1，C值越大，则表明连通块越接近圆形，典型地，当连通块区域为圆时，C＝1。

连通块粗糙度R：设P为连通块周长，H为连通块凸外壳周长，则连通块粗糙度R定义为：

$R=\frac{P}{H}$

连通块长宽比HWR：连通块最小外接矩形的长跟宽的比值。

2.根据先验知识分析杆菌目标具有的可表达形态特征，先验知识即已知的结核杆菌形态信息，一般结核杆菌形态为：细长略弯曲，长1.5～4.0um，宽0.2～0.5um，有时菌体末端具有不同的分枝，有的两端钝圆，有些情况下菌体成簇生长。也即，结核杆菌可以分为两种基本结构：有分支和和无分支的，无分支的具有细长结构，有分支的其形态较为复杂，其他一些目标则是多个目标重叠在一起构成的目标块。据此分析，我们将连通块分为以下几类：

(A)噪声块：这类块面积一般较小，可将面积小于一定阈值的块看成噪声块并剔除；

(B)无分支单杆菌块：这类块面积在一定范围内，块的圆形度较小，块的粗糙度也较小；

(C)有分支单杆菌块：这类块面积在一定范围内，块的圆形度较小，但具有较大的粗糙度；

(D)小面积杂质块：这类块面积跟单目标块面积相当，但这类块的圆形度较大，块的长宽比则比较小；

(E)多杆菌目标聚集块：这类块面积较大，块所对应的原始图像区域其目标边缘脉络清晰，边缘走向较分明，在不同方向上图像灰度变化明显不同；

(F)大面积杂质块：这类块面积较大，块所对应的原始图像区域没有明显的边缘脉络走向，在各个方向上灰度变化表现出同一性。

根据以上分析，可以利用连通块形态特征将噪声块及小面积杂质块剔除，将无分支单杆菌块及有分支单杆菌块提取出来，图6给出了基于连通块形态特征的目标分类及识别算法流程，其中high_thr_A和low_thr_A表示面积的高低阈值，thr_R、thr_HWR、thr_C分别表示粗糙度阈值、长宽比阈值和圆形度阈值。

四、基于梯度统计特征量的复杂多目标重叠块的识别，具体过程为：

对于多杆菌目标聚集块和大面积杂质块，由于这两类块的形态特征差异不大，因此必须分析这些块所对应的原始图像的可区别特征。通过分析大量样本图像，我们发现：多目标重叠块所对应的原始图像区域其目标边缘脉络比较清晰，这说明其边缘梯度值较大，而大面积杂质块所对应的原始图像区域其没有明显的边缘脉络走向，这说明其边缘梯度值较小。这里我们利用梯度幅值加权平均量来表达这种区别。

首先定义有效计算区域的概念，所谓有效计算区域是指参与梯度幅值计算的所有像素点的集合构成的区域，这个区域一般跟目标形态相似，为不规则区域。图7(b)中白色区域Ω为图7(a)待计算图像的有效计算区域，这可通过对待计算图像进行二值化获得。为了保证区域Ω将待辨识目标块全部包括在区域中，可对区域Ω进行扩展，形成扩展有效计算区域，图7(c)中Ω⁺区域即为扩展有效计算区域，该区域可通过对区域Ω进行形态膨胀运算获得，一般采用3×3的结构元素进行两次膨胀运算即可。

设扩展有效计算区域Ω⁺的面积为A，点(x，y)处的图像梯度幅值为m(x，y)，则梯度幅值加权平均量GMWA(Gradient Magnitude Weighted Average)定义如下：

$\mathrm{GMWA}=\frac{\underset{(x,y)\&Element;{\mathrm{\&Omega;}}^{+}}{\mathrm{\&Sigma;}}a(x,y)m(x,y)}{A}---\left(a\right)$

其中a(x，y)为加权系数，定义为：

$a(x,y)=\frac{m(x,y)}{\underset{(x,y)\&Element;{\mathrm{\&Omega;}}^{+}}{\mathrm{\&Sigma;}}m(x,y)}---\left(b\right)$

a(x，y)的作用在于抑制小梯度值而增强大梯度值，这主要是考虑到多目标重叠块内部梯度较大的像素数目占整个块像素总和的比例较大而杂质块则反之，因此经过a(x，y)加权后两类块的平均梯度将出现非常显著的差异，这极大方便了目标的分类及识别，同时a(x，y)还具有抑制噪声的作用。

将式(b)代入式(a)可得：

$\mathrm{GMWA}=\frac{\underset{(x,y)\&Element;{\mathrm{\&Omega;}}^{+}}{\mathrm{\&Sigma;}}{m}^2(x,y)}{A\underset{(x,y)\&Element;{\mathrm{\&Omega;}}^{+}}{\mathrm{\&Sigma;}}m(x,y)}---\left(c\right)$

获取待计算图像梯度幅值加权平均量GMWA后即可对多目标重叠块和大面积杂质块进行分类，分类准则为：当GMWA＞thr_mag时判断为多目标重叠块，反之则为大面积杂质块，thr_mag为判决阈值。

其中梯度幅值m(x，y)的计算方式很多，这里我们采用基于sobel算子的计算方法，设v(x，y)为像素点(x，y)处的灰度值，则(x，y)处梯度水平分量dx和垂直分量dy计算如下：

dx＝2×v(x+1，y)+v(x+1，y-1)+v(x+1，y+1)-2×v(x-1，y)-v(x-1，y-1)-v(x-1，y+1)

dy＝2×v(x，y-1)+v(x+1，y-1)+v(x-1，y-1)-2×v(x，y+1)-v(x+1，y+1)-v(x-1，y+1)

由dx及dy可求得点(x，y)处的图像梯度幅值m(x，y)：

$m(x,y)=\sqrt{{\left(\mathrm{dx}\right)}^2+{\left(\mathrm{dy}\right)}^2}$

五、结核杆菌目标计数：在步骤三识别结果的基础上，对不同的目标块采用不同的计数策略，对单目标块，其每个连通块即为一个目标，对多目标重叠块，采用基于面积的计数方法，首先统计单目标块的面积平均值，然后用多目标重叠块面积除以平均面积即为该多目标重叠块中目标的数量，最后将图像中所有目标数量相加即为该图像中结核杆菌目标的总数目。

本发明的一个实施例为：

将此方法应用到“智能结核杆菌检测计数系统”中，该系统由PC机、全自动显微镜、摄像机、打印机、杆菌检测计数软件组成，系统结构如图6。其中摄像机采用北京大恒公司的HV3103UC，全自动显微镜包括光路部分和机械部分，其中光路部分采用重庆光电仪器公司的BA3000i，机械部分是根据全自动显微镜运动控制要求自行设计的，该部分可以完成显微镜的自动三轴立体运动控制，包括控制显微镜进行自动聚焦及根据预设的扫描路径对玻片进行全自动扫描等。

系统软件部分采用面向对象的设计方法和软件工程规范，以VisualC++6.0为工具进行开发，软件界面采用基于MFC的单对话框方式设计，软件主要功能包括：显微镜运动控制、显微镜自动聚焦、图像动态采集及显示、图像处理及编辑、目标检测识别及计数，病人信息数据库、病理报告自动生成等。其中本发明运用在目标检测识别及计数部分。

下面结合图7说明该发明在“智能结核杆菌检测计数系统”中具体实施过程，步骤如下：

通过软件设置扫描模式，也即显微镜的扫描路径；

显微镜自动聚焦，采用的算法是我们自行研发的基于图像处理的自动聚焦算法；

如果采集的相邻两副图像存在重叠，则计算重叠宽度并校正初始重叠参数；

采用本发明进行图像的分割及目标检测计数；

如果没有遍历完事先设置好的待扫描视野，则显微镜运动至下一个视野继续扫描，如果扫描完毕则自动生成病理报告并打印。

将上述发明应用到“智能结核杆菌检测计数系统”并进行大量试验，其中试验采用的结核杆菌样本由医院有经验的医务工作者提供，这些样本经过抗酸染色后制成玻片。大量试验结果表明，基于多元特征的结核杆菌目标识别计数算法很好的解决了传统识别算法识别精度不高、识别速度慢的问题，实现了结核杆菌检测的自动化和智能化，具有很高的可靠性、实用性和可采纳性。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (7)

1.一种基于多元特征的结核杆菌目标识别计数算法，其特征是，包括以下步骤：

一、图像预处理：对结核杆菌显微图像进行图像增强，并对其实施中值滤波和高斯滤波，减少噪声影响并增强其对比度；

二、彩色图像分割：对预处理后的图像进行基于混合色彩空间的彩色图像自适应阈值分割，由此可将结核杆菌目标及疑似目标从背景及其他正常细胞中分割出来，得到初步检测结果；

三、连通块形态分析及目标初步识别：对二值化后的图像采用链码跟踪算法进行连通块分析，计算连通块的形态参数，包括：连通块面积、圆形度、粗糙度和长宽比四个形态参数，然后依据这些形态参数并结合结核杆菌形态特征先验知识进行初步分类识别，并将步骤二中的噪声块及其他疑似目标剔除；

四、复杂多目标重叠块的识别：采用基于梯度幅值加权平均量的分类识别方法对大面积杂质块和多目标重叠块进行分类识别；

五、结核杆菌目标计数：将所有结核杆菌目标识别出后，对不同的目标块采用不同的计数策略统计当前图像中结核杆菌目标的总数目。

2.根据权利要求1所述的基于多元特征的结核杆菌目标识别计数算法，其特征是，所述彩色图像分割，基于混合色彩空间的彩色图像自适应阈值分割，是一种充分利用目标色彩信息的由粗到精的彩色图像分割方法，包括以下步骤：

(1)基于HSV色彩空间的图像粗分割：将图像转换到HSV色彩空间，然后根据先验知识对H及S通道进行固定阈值分割，其中先验知识也即结核杆菌目标的H值及S值的上下限，这利用大量样本分析和HS直方图统计的方法获取；

(2)基于CIE L*a*b*色彩空间的保持目标几何形状的图像自适应阈值分割：将图像转换到CIE L*a*b*色彩空间，提取出L通道图像，然后对L通道图像进行自适应阈值分割，这里自适应阈值是指像素点(x，y)的分割阈值T(x，y)是由该像素点的邻域确定的，采用高斯加权的方法获取T(x，y)；

(3)多通道图像融合形成精细分割图像：将步骤(1)的分割结果和步骤(2)的分割结果进行图像融合，形成最终分割结果，融合规则为：当且仅当粗分割和自适应分割后的二值化图像同时认为有目标存在时，则判定该目标是稳定存在的；因此只需对H、S、L三通道分割结果进行与操作即可得到初始分割图像。

3.根据权利要求1所述的基于多元特征的结核杆菌目标识别计数算法，其特征是，所述连通块形态分析及目标初步识别，包括以下步骤：

(1)连通块形态分析：采用链码跟踪算法分析连通块状态，获取连通块的形态信息，包括：连通块面积、圆形度、粗糙度和长宽比四个形态参数；

(2)连通块分类：根据结核杆菌形态特征先验知识将连通块分为以下几类：(A)噪声块，(B)无分支单杆菌块，(C)有分支单杆菌块，(D)小面积杂质块，(E)多杆菌目标聚集块，(F)大面积杂质块；

(3)目标识别：根据以上分类结果利用连通块形态特征将噪声块及小面积杂质块剔除，将无分支单杆菌块及有分支单杆菌块提取出来。

4.根据权利要求1所述的基于多元特征的结核杆菌目标识别计数算法，其特征是，所述复杂多目标重叠块的识别，是一种以图像梯度幅值加权平均量为分类准则的大面积杂质块和多目标重叠块的分类识别方法，所述的梯度幅值加权平均量GMWA(Gradient Magnitude Weighted Average)定义如下：

$\mathrm{GMWA}=\frac{\underset{(x,y)\&Element;{\mathrm{\&Omega;}}^{+}}{\mathrm{\&Sigma;}}{m}^2(x,y)}{A\underset{(x,y)\&Element;{\mathrm{\&Omega;}}^{+}}{\mathrm{\&Sigma;}}m(x,y)}$

其中A为连通块扩展有效计算区域的面积，m(x，y)为点(x，y)处的图像梯度幅值，基于GMWA分类准则为：当GMWA＞thr_mag时判断为多目标重叠块，反之则为大面积杂质块，thr_mag为判决阈值。

5.根据权利要求1或4所述的基于多元特征的结核杆菌目标识别计数算法，其特征是，所述的梯度幅值采用基于sobel算子的计算方法，设v(x，y)为像素点(x，y)处的灰度值，则(x，y)处梯度水平分量dx和垂直分量dy计算如下：

dx＝2×v(x+1，y)+v(x+1，y-1)+v(x+1，y+1)-2×v(x-1，y)-v(x-1，y-1)-v(x-1，y+1)

dy＝2×v(x，y-1)+v(x+1，y-1)+v(x-1，y-1)-2×v(x，y+1)-v(x+1，y+1)-v(x-1，y+1)由dx及dy可求得点(x，y)处的图像梯度幅值m(x，y)：

$m(x,y)=\sqrt{{\left(\mathrm{dx}\right)}^2+{\left(\mathrm{dy}\right)}^2}.$

6.根据权利要求1或4所述的基于多元特征的结核杆菌目标识别计数算法，其特征是，所述的连通块扩展有效计算区域，是指参与梯度幅值计算的所有像素点的集合构成的区域，这个区域一般跟目标形态相似，为不规则区域，这可通过对待计算图像进行二值化获得；为了保证有效计算区域将待辨识目标块全部包括在区域中，可对区域进行扩展，形成扩展有效计算区域，该扩展有效计算区域可通过对原有效计算区域进行形态学膨胀运算获得，一般采用3×3的结构元素进行两次膨胀运算即可。

7.根据权利要求1所述的基于多元特征的结核杆菌目标识别计数算法，其特征是，所述杆菌目标计数，其方法为：对不同的目标块采用不同的计数策略；对单目标块，其每个连通块即为一个目标；对多目标重叠块，采用基于面积的计数方法，首先统计单目标块的面积平均值，然后用多目标重叠块面积除以平均面积即为该多目标重叠块中目标的数量，最后将图像中所有目标数量相加即为该图像中结核杆菌目标的总数目。

Images