CN102737232B - 一种分裂细胞识别方法 - Google Patents

Abstract

本发明公开了一种分裂细胞识别方法，从处理后细胞图像中提取尺度归一化后的分裂细胞候选区域；将分裂细胞候选区域划分为分裂细胞区域和非分裂细胞区域，对分裂细胞区域和非分裂细胞区域分别提取多尺度和多方向纹理特征，构成分裂细胞集和非分裂细胞集；通过混合高斯模型对分裂细胞集构建分裂细胞模型，对非分裂细胞集构建非分裂细胞模型；对任意一个测试候选分裂细胞区域，提取多尺度和多方向纹理特征，将多尺度和多方向纹理特征分别带入分裂细胞模型和非分裂细胞模型，获取概率P(X)和NP(X)；如果P(X)>NP(X)，则表示包含分裂细胞，否则不包含分裂细胞。本方法显著地降低了计算复杂度，提高了分裂细胞的识别率，并且通过实验验证，本方法取得了较高的查全率和查准率。

Description

一种分裂细胞识别方法

技术领域

本发明属于图像处理领域，特别涉及一种分裂细胞识别方法。

背景技术

细胞生物学研究对于药物开发、组织工程等相关学科的发展具有重要作用，已经吸引了大量研究人员从事相关研就。在该领域研究中，对细胞繁殖的实时监控对于该领域探索起到举足轻重的作用，相关技术的研究有利于实现定量的监控细胞繁殖的速率以及不同外界培养环境对细胞繁殖的影响。因此，通过显微镜进行细胞繁殖图像的采集，研究先进的生物医学图像处理技术来实现准确的分裂细胞识别具有重要的现实意义。

传统的基于显微镜图像的分裂细胞识别方法主要分为两类：1)基于形状特征的方法：该方法将分裂细胞区域看作一个整体，由于分裂细胞形状与普通细胞形状有一定的可区分性，因此可以利用分裂细胞的形状特征学习分类器，从而实现分裂细胞的识别；2)基于运动特征的方法：该方法通过对细胞区域的跟踪提取细胞个体的运动轨迹，然后通过母细胞分裂为两个子细胞时轨迹的变化特征来进行细胞分裂的识别。

发明人在实现本发明的过程中，发现现有技术中至少存在以下的缺点和不足：

1）现有形状特征对于非刚体和形变不规则目标(例如：细胞)的表征能力有限，并且准确的形状特征提取往往需要对细胞区域的准确分割，但是显微镜图像往往包含较强的噪声，使得准确的分割细胞及其困难，因此基于形状特征的方法通常性能较差，泛化能力较低；2）基于运动特征的方法对准确的轨迹提取有很强的依赖性，然而，对非刚性物体的跟踪很困难。

发明内容

本发明提供了一种分裂细胞识别方法，本发明降低了对形变不规则目标特征提取的难度，使得分裂细胞的识别不依赖于细胞运动轨迹的提取，显著降低了计算复杂度，提高了分裂细胞的识别率，详见下文描述：

一种分裂细胞识别方法，所述方法包括以下步骤：

(1)对细胞图像进行图像平滑和直方图均衡化处理，获取处理后细胞图像；

(2)从所述处理后细胞图像中提取尺度归一化后的分裂细胞候选区域；

(3)将所述分裂细胞候选区域划分为分裂细胞区域和非分裂细胞区域，对所述分裂细胞区域和所述非分裂细胞区域分别提取多尺度和多方向纹理特征，构成分裂细胞集和非分裂细胞集；

(4)通过混合高斯模型对所述分裂细胞集构建分裂细胞模型，对所述非分裂细胞集构建非分裂细胞模型；

(5)对任意一个测试候选分裂细胞区域，提取多尺度和多方向纹理特征X，将所述多尺度和多方向纹理特征X分别带入所述分裂细胞模型和所述非分裂细胞模型，获取概率P(X)和NP(X)；

(6)如果P(X)>NP(X)，则表示包含分裂细胞，否则不包含分裂细胞。

所述从所述处理后细胞图像中提取尺度归一化后的分裂细胞候选区域具体为：

1）用尺度q×q的均值滤波模板与所述处理后细胞图像进行卷积，获取滤波后细胞图像；

2)对所述滤波后细胞图像进行图像二值化处理，获取二值图像：

3)对所述二值图像进行连通区域提取，获取尺度归一化后的所述分裂细胞候选区域。

所述对所述二值图像进行连通区域提取，获取尺度归一化后的所述分裂细胞候选区域具体为：

对二值图像进行连通区域提取，获取二值模板；

在所述二值模板中，提取每个连通区域的外接矩形；

将所述外接矩形作为分裂细胞候选区域，对所述分裂细胞候选区域进行尺度归一化处理，获取尺度归一化后的分裂细胞候选区域。

所述对所述分裂细胞区域和所述非分裂细胞区域分别提取多尺度和多方向纹理特征具体为：

1）对盖伯滤波器核函数进行尺度变换和旋转变换获取自相似的盖伯滤波器组，通过设置参数v的取值实现对盖伯滤波器的波长调节；通过总方向数K确定盖伯滤波器的核函数方向u；

2）将滤波器组中每个盖伯滤波器与分裂细胞区域或非分裂细胞区域I(x,y)进行卷积，获取v×u副尺度为r×r的响应图像；

3）从所述响应图像中获取特征向量，将所述特征向量作为分裂细胞区域或非分裂细胞区域的多尺度和多方向纹理特征。

所述通过混合高斯模型对所述分裂细胞集构建分裂细胞模型具体为：

1）获取分裂细胞集的概率密度函数

$P\left(X_h^M\right)=\underset{d=1}{\overset{D}{\mathrm{\Σ}}}{w}_{d}g(X_h^M;{\mathrm{\μ}}_d,{{\mathrm{\σ}}_d}^2)$

为分裂细胞集中第h个分裂细胞区域对应的多尺度和多方向纹理特征；1≤h≤P，P为分裂细胞集中分裂细胞区域样本总数；

表示组成混合高斯模型的第d个单高斯概率密度函数；μ_d和σ_d分别表示均值和协方差；w_d表示组成混合高斯模型的第d个单高斯概率密度函数对应的权重；D表示混合高斯模型由D个单高斯概率密度函数的加权融合组成；

分裂细胞样本

属于第d个单高斯分布的概率

$P\left(d\right|X_h^M)=\frac{g(X_h^M;{\mathrm{\μ}}_d,{{\mathrm{\σ}}_d}^2)}{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}{w}_{d}g(X_h^M;{\mathrm{\μ}}_d,{{\mathrm{\σ}}_d}^2)}$

2）由D个单高斯模型组成的混合高斯模型的未知参数为

求解未知参数；

$w_d=\frac{1}{D}\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M)$

${\mathrm{\μ}}_d=\frac{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M)X_h^M}{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M)}$

${\mathrm{\σ}}_d^2=\frac{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M){(X_h^M-{\mathrm{\μ}}_d)}^T(X_h^M-{\mathrm{\μ}}_d)}{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M)}$

符号T表示转置；

3）重复步骤2）中的计算过程，直至迭代次数达到预先规定的最大迭代次数或未知参数在连续两次迭代中差的绝对值小于预先设定的阈值，则停止迭代，模型学习终止。

本发明提供的技术方案的有益效果是：

本发明提供了一种分裂细胞识别方法，本方法降低了对形变不规则目标特征提取的难度，使得分裂细胞的识别不依赖于细胞运动轨迹的提取，显著地降低了计算复杂度，提高了分裂细胞的识别率，并且通过实验验证，本方法取得了较高的查全率和查准率。

附图说明

图1为本发明提供的一种分裂细胞识别方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

为了降低对形变不规则目标特征提取的难度，使得分裂细胞的识别不依赖于细胞运动轨迹的提取，显著降低计算复杂度，提高分裂细胞的识别率，参见图1，本发明实施例提供了一种分裂细胞识别方法，该方法包括以下步骤：

101：对细胞图像进行图像平滑和直方图均衡化处理，获取处理后细胞图像；

其中，细胞图像的能量通常集中在低频段，而噪声主要集中在高频段，因此通过图像平滑处理就可以滤除掉噪声。直方图均衡化可以使灰度值在直方图上均匀的分散开，增强了对比度，尤其是当在低照明度下获得细胞图像时，通过直方图均衡化处理可以显著的增强对比度。

本发明实施例采用基于高斯核构建加权均值滤波器来消除高频段的噪声，具体实现时，还可以采用其他的方式来消除高频段的噪声，本发明实施例对此不做限制。

102：从处理后细胞图像中提取尺度归一化后分裂细胞候选区域；

其中，由于处理后细胞图像中分裂细胞区域的亮度往往明显高于周围区域的亮度，因此，可以首先借助亮度信息去掉明显的非分裂细胞区域，提取分裂细胞候选区域，具体方法如下：

1）用尺度为q×q的均值滤波模板与处理后细胞图像进行卷积，获取滤波后细胞图像；

其中，均值滤波的基本原理是用均值代替处理后细胞图像中的各个像素值，即对待处理的当前像素点(x，y)，选择一个均值滤波模板，该均值滤波模板由其近邻的若干像素组成，求均值滤波模板中所有像素均值，再把像素均值赋予当前像素点(x,y)，作为处理后细胞图像在该像素点上的灰度值g(x,y)。

通过均值滤波模板与处理后细胞图像的卷积，实现对处理后细胞图像所有像素点的均值滤波处理。本发明实施例中，均值滤波模板尺度以9×9（即q＝9）为例进行说明，均值滤波模板即为9×9的二维数组，该数组中各个元素均为1/81。

2)对滤波后细胞图像进行图像二值化处理，获取二值图像：

其中，图像二值化处理是将滤波后细胞图像上的像素点的灰度值设置为0或1，使得显微镜图像呈现出明显的黑白效果，该步骤可以通过全局阈值选取方法来对滤波后细胞图像进行图像二值化处理，获取二值图像。

本发明实施例中的图像二值化处理采用大津法（OTSU），具体实现时，还可以采用其他的图像二值化处理方法，例如：最大熵法、最小错误概率法和迭代阈值法等，本发明实施例对此不做限制。

3)对二值图像进行连通区域提取，获取尺度归一化后分裂细胞候选区域。

其中，该步骤具体包括：

1、对二值图像进行连通区域提取，获取二值模板；

其中，二值模板中标签为“1”的连通区域对应分裂细胞候选区域，标签为“0”的连通区域对应非分裂细胞候选区域。

其中，二值图像的连通区域标记是从仅由“0”像素(表示背景点)和“1”像素(表示候选分裂细胞区域点)组成的一幅点阵图像中,将相互邻接(4邻域或8邻域)的“1”值像素集合提取出来。本发明实施例中的连通区域提取采用序贯法，具体实现时，还可以采用其他的连通区域提取方法，例如：区域标号法^[1]和基于边缘点匹配的算法^[2]，本发明实施例对此不做限制。

2、在二值模板中，提取每个连通区域的外接矩形；

其中，外接矩形的左上点的坐标由标签为“1”的连通区域的水平方向最左的水平坐标和垂直方向最上的垂直坐标确定；右下点的坐标由标签为“1”的连通区域的水平方向最右的水平坐标和垂直方向最下的垂直坐标确定，由该外接矩形的最左上点的坐标和最右下点的坐标可以唯一确定该连通区域外接矩形。

3、将外接矩形作为分裂细胞候选区域，对分裂细胞候选区域进行尺度归一化处理，获取尺度归一化后的分裂细胞候选区域。

其中，本发明实施例中的统一尺寸r×r以25×25为例进行说明，具体实现时，本发明实施例对尺寸规格和尺度变换方法不做限定，在本实验中采用了双线性内插的尺度变换算法^[3]进行说明。

103：将归一化后分裂细胞候选区域划分为分裂细胞区域和非分裂细胞区域，对分裂细胞区域和非分裂细胞区域分别提取多尺度和多方向纹理特征，构成分裂细胞集

和非分裂细胞集

其中，

表示分裂细胞集中第h个分裂细胞区域对应的多尺度和多方向纹理特征，

h的取值范围为1≤h≤P，P为分裂细胞集中分裂细胞区域样本总数；表示非分裂细胞集中第j个非分裂细胞区域对应的多尺度和多方向纹理特征，

j的取值范围为1≤j≤Q，Q为非分裂细胞集中分裂细胞区域样本总数。

其中，对分裂细胞区域和非分裂细胞区域分别提取多尺度和多方向纹理特征具体为：

1）对盖伯滤波器核函数^[4]进行尺度变换和旋转变换获取自相似的盖伯滤波器组，通过设置参数v的取值实现对盖伯滤波器的波长调节；通过总方向数K确定盖伯滤波器的核函数方向u；

二维盖伯滤波器核函数g(x,y)可以表示为：

$g(x,y)=\frac{k^2}{{\mathrm{\σ}}^2}\exp (-\frac{k^2(x^2+y^2)}{2{\mathrm{\σ}}^2})[\exp (i\·k\·\left(\begin{array}{c}x\\ y\end{array}\right))-\exp (-\frac{{\mathrm{\σ}}^2}{2})]---\left(1\right)$

其中，x和y表示任一像素点的横坐标和纵坐标，

u表示盖伯滤波器核函数的方向，K表示总方向数，参数k/σ决定了高斯窗口的大小；i为虚数单位；参数v的取值决定了盖伯滤波器的波长，本实验中参考值为0至3；u的取值为从0到K-1的整数；K的参考值为8；σ的参考值为 $\mathrm{\σ}=\sqrt{2}\mathrm{\π}.$

通过对盖伯滤波器的波长调节实现对g(x，y)幅度的调节，实验中参数v取值为0，1，2和3，即v存在4个尺度。

对选定的总方向数K设置一组u的范围决定盖伯滤波器核函数的方向，从而实现多方向盖伯滤波器响应的计算，实验中K取8，u取0到7的8个正整数，从而实现在一个尺度下提取8个方向的纹理特征；这样，在4个尺度下，每个尺度提取8个方向的盖伯滤波器响应，因此该多尺度和多方向纹理特征即为由32类盖伯滤波器组成的滤波器组。

2）将滤波器组中每个盖伯滤波器与分裂细胞区域或非分裂细胞区域I(x，y)进行卷积，获取v×u副尺度为r×r的响应图像；

W(x,y)=∫∫I(x,y)g^*(x-x₁,y-y₁)dx₁dy₁            (2)

式中，g^*是g的复共轭形式，中心在(x₁,y₁)，W(x,y)为I(x,y)与g^*卷积运算结果。

上述创建的多尺度和多方向盖伯滤波器组含v×u个滤波器，将分裂细胞区域或非分裂细胞区域与该滤波器组分别执行式(2)所示操作，最终分别得到v×u副尺度为r×r的响应图像。

3）从v×u副尺度为r×r的响应图像中获取特征向量，将特征向量作为分裂细胞区域或非分裂细胞区域的多尺度和多方向纹理特征。

其中，该步骤具体为：将各响应图像等分为不重叠的s×s小块，取每个小块中所有像素点灰度的均值作为该小块特征，这样每个响应图像共包含s×s个小块特征，构成1×s²维特征向量，将v×u个响应图像的特征向量串联起来，就构成了1×(s²×v×u)维特征向量，记l＝s²×v×u，该特征向量记为X,

表示1×l维向量空间，X即为分裂细胞区域或非分裂细胞区域的多尺度和多方向纹理特征。

本实验中，所创建多尺度和多方向盖伯滤波器组含32个滤波器，然后将分裂细胞区域或非分裂细胞区域与该滤波器组分别执行式(2)所示操作，最终得到32副尺度为25×25的响应图像，将各图像等分为不重叠的5×5的小块，取每个小块中25个像素点灰度的均值作为该小块特征，这样每个响应图像共包含25个小块特征，构成1×25维特征向量，将32个响应图像的特征向量串联起来，就构成了1×800维特征向量，即为分裂细胞区域或非分裂细胞区域的多尺度和多方向纹理特征。

104：通过混合高斯模型对分裂细胞集构建分裂细胞模型，对非分裂细胞集构建非分裂细胞模型；

其中，由于分裂细胞集和非分裂细胞集所包含样本的多样性，使得各自样本对应的高位空间分布具有复杂性，所以为了对分裂细胞集和非分裂细胞集分别建立理想的统计模型，可以采用生成式模型对二者分别进行建模。生成式模型可以是模式识别领域中的任何分类器，例如：高斯模型和贝叶斯分类器等，在本实验中采用了混合高斯模型。由于对于二者建模的思想是相同的，以下仅以分裂细胞模型建立为例进行介绍，对于非分裂细胞模型的建立仅仅是用非分裂细胞集中包含的多尺度和多方向纹理特征来代替分裂细胞集中的多尺度和多方向纹理特征来进行模型参数学习。

1）获取分裂细胞集的概率密度函数

$P\left(X_h^M\right)=\underset{d=1}{\overset{D}{\mathrm{\Σ}}}{w}_{d}g(X_h^M;{\mathrm{\μ}}_d,{{\mathrm{\σ}}_d}^2)---\left(3\right)$

为分裂细胞集中第h个分裂细胞区域对应的多尺度和多方向纹理特征；

表示组成混合高斯模型的第d个单高斯概率密度函数，其数学形式如下：

$g(X_h^M;{\mathrm{\μ}}_d,{{\mathrm{\σ}}_d}^2)={\left(2\mathrm{\π}\right)}^{-1/2}{{\mathrm{\σ}}_d}^{-1}{e}^{[-{(X_h^M-{\mathrm{\μ}}_d)}^T(X_h^M-{\mathrm{\μ}}_d)/\left({2\mathrm{\σ}}_d^2\right)]}---\left(4\right)$

μ_d和σ_d分别表示该单高斯概率密度函数的均值和协方差，

T表示转置；w_h表示组成混合高斯模型的第d个单高斯概率密度函数对应的权重；D表示混合高斯模型由D个单高斯概率密度函数的加权融合组成（实验中D的参考值为3至6）。

在定义了混合高斯模型概率密度函数的数学表示基础上，分裂细胞样本

属于第d个单高斯分布的概率表示如下：

$P\left(d\right|X_h^M)=\frac{g(X_h^M;{\mathrm{\μ}}_d,{{\mathrm{\σ}}_d}^2)}{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}{w}_{d}g(X_h^M;{\mathrm{\μ}}_d,{{\mathrm{\σ}}_d}^2)}---\left(5\right)$

2）由D个单高斯模型组成的混合高斯模型的未知参数为

求解未知参数；

分裂细胞模型学习过程即通过分裂细胞集中样本来学习得到3D个未知参数，各个参数计算具体公式如下：

$w_d=\frac{1}{D}\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M)$

${\mathrm{\μ}}_d=\frac{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M)X_h^M}{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M)}---\left(6\right)$

${\mathrm{\σ}}_d^2=\frac{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M){(X_h^M-{\mathrm{\μ}}_d)}^T(X_h^M-{\mathrm{\μ}}_d)}{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M)}$

由于初始时刻均未知，使得

也未知，所以初始时刻往往根据数据特性为

赋初始值。

本发明实施例对赋初始值的方法不做限制，在本实验中，对于参数

采用等权重方法进行赋初始值，即w_d=1/D，对

中向量的各维元素均赋初值为0。

3）重复步骤2）中的计算过程，直至迭代次数达到预先规定的最大迭代次数或者中各参数在连续两次迭代中差的绝对值小于预先设定的阈值Th，则停止迭代，模型学习终止。

其中，

中各参数在连续两次迭代中差的绝对值小于预先设定的阈值Th具体为：

和

其中，上标g和g+1分别表示第g次和第g+1次迭代。

其中，Th的参考值为0.001至0.005，具体实现时，根据实际应用中的需要进行设定，本发明实施例对此不做限制。

通过以上迭代过程，得到混合高斯模型的全部未知参数，即得到所要学习的混合高斯模型

对于非分裂细胞模型的学习可以重复同样过程，只是将

换为

此时记非分裂细胞模型对应的混合高斯模型为

其他过程和分裂细胞模型的过程相同，本发明实施例在此不做赘述。

105：对任意一个测试候选分裂细胞区域，提取多尺度和多方向纹理特征X，将多尺度和多方向纹理特征X分别带入分裂细胞模型和非分裂细胞模型，获取概率P(X)和NP(X)；

其中，对任意一个测试候选分裂细胞区域按照上述步骤102-103进行处理，提取多尺度和多方向纹理特征X。

106：如果P(X)>NP(X)，则表示包含分裂细胞，否则不包含分裂细胞。

下面以一个具体的实例来验证本发明实施例提供一种分裂细胞识别方法的可行性，详见下文描述：

在实验中，采用当前研究中常用的小鼠成肌细胞，并通过光学显微镜（ZeissAxiovert 135TV）采集显微镜图像序列1000幅，每幅图像分辨率为1392×1040，在该图像序列中，经图像预处理和分裂细胞候选区域检测后，人工标注训练样本（300个分裂细胞和300个非分裂细胞）和测试样本（600个分裂细胞和600个非分裂细胞），每个分裂细胞或非细胞区域分辨率为25×25。有关细胞类型、细胞培养环境和数据采集设备的参数可参考论文^[5]。现有技术可达到的最优分裂细胞识别的查全率和查准率分别为80.1%和82.6%；通过本方法的特征提取和混合高斯模型学习和测试，获得的分裂细胞识别的查全率为92.6%，查准率为90.8%，均高于现有技术方法得到的结果，验证了本方法的可行性。

综上所述，本发明实施例提供了一种分裂细胞识别方法，本方法降低了对形变不规则目标特征提取的难度，使得分裂细胞的识别不依赖于细胞运动轨迹的提取，显著地降低了计算复杂度，提高了分裂细胞的识别率，并且通过实验验证，本方法取得了较高的查全率和查准率。

参考文献

[1]权炜、郑南宁、贾新春，“复杂背景下的车辆牌照字符提取方法研究”《信息与控制》，2002年，Vol.31(1),pp:25-29.

[2]谢贵、彭嘉雄，“基于上下边缘点匹配的连通域搜索算法”，《华中科技大学学报》，2002年，Vol.30(4),pp:66-68.

[3]Digital Image Processing/数字图像处理，冈萨雷斯著Rafael C.Gonzalez andRichard E.Woods，2nd Edition，Prentice Hall，阮秋琦等译，电子工业出版社，2002。

[4]基于子空间的人脸识别，章毓晋等，清华大学出版社，2009-10-1。

[5]Kang Li,Eric Miller,Mei Chen,Takeo Kanade,Lee Weiss,and Phil Campbell,"Computer Vision Tracking of Stemness,"Proc.IEEE International Symposium onBiomedical Imaging(ISBI):Special Session on In Vivo Microscopic Image Analysis,May,2008,pp.847-850.

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种分裂细胞识别方法，其特征在于，所述方法包括以下步骤：

(1)对细胞图像进行图像平滑和直方图均衡化处理，获取处理后细胞图像；

(2)从所述处理后细胞图像中提取尺度归一化后的分裂细胞候选区域；

(3)将所述分裂细胞候选区域划分为分裂细胞区域和非分裂细胞区域，对所述分裂细胞区域和所述非分裂细胞区域分别提取多尺度和多方向纹理特征，构成分裂细胞集和非分裂细胞集；

(4)通过混合高斯模型对所述分裂细胞集构建分裂细胞模型，对所述非分裂细胞集构建非分裂细胞模型；

(5)对任意一个测试候选分裂细胞区域，提取多尺度和多方向纹理特征X，将所述多尺度和多方向纹理特征X分别带入所述分裂细胞模型和所述非分裂细胞模型，获取概率P(X)和NP(X)；

(6)如果P(X)>NP(X)，则表示包含分裂细胞，否则不包含分裂细胞；

其中，所述通过混合高斯模型对所述分裂细胞集构建分裂细胞模型具体为：

1）获取分裂细胞集的概率密度函数

$P\left(X_n^M\right)=\underset{d=1}{\overset{D}{\mathrm{\Σ}}}{w}_{d}g(X_n^M;{\mathrm{\μ}}_d,{{\mathrm{\σ}}_d}^2)$

为分裂细胞集中第h个分裂细胞区域对应的多尺度和多方向纹理特征；1≤h≤P，P为分裂细胞集中分裂细胞区域样本总数；表示组成混合高斯模型的第d个单高斯概率密度函数；μ_d和σ_d分别表示均值和协方差；w_d表示组成混合高斯模型的第d个单高斯概率密度函数对应的权重；D表示混合高斯模型由D个单高斯概率密度函数的加权融合组成；

分裂细胞样本

属于第d个单高斯分布的概率

$P\left(d\right|X_h^M)=\frac{g(X_h^M;{\mathrm{\μ}}_d,{{\mathrm{\σ}}_d}^2)}{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}{w}_{d}g(X_n^M;{\mathrm{\μ}}_d,{{\mathrm{\σ}}_d}^2)}$

2）由D个单高斯模型组成的混合高斯模型的未知参数为

求解未知参数；

$w_d=\frac{1}{D}\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M)$

${\mathrm{\μ}}_d=\frac{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M)X_h^M}{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M)}$

${\mathrm{\σ}}_d^2=\frac{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M){(X_h^M-{\mathrm{\μ}}_d)}^T(X_h^M-{\mathrm{\μ}}_d)}{\underset{d=1}{\overset{D}{\mathrm{\Σ}}}P\left(d\right|X_h^M)}$

符号T表示求矩阵的转置；

3）重复步骤2）中的计算过程，直至迭代次数达到预先规定的最大迭代次数或未知参数在连续两次迭代中差的绝对值小于预先设定的阈值，则停止迭代，模型学习终止；

其中，所述对所述非分裂细胞集构建非分裂细胞模型具体为：非分裂细胞模型的建立是用非分裂细胞集中包含的多尺度和多方向纹理特征来代替分裂细胞集中的多尺度和多方向纹理特征来进行模型参数学习，非分裂细胞模型的学习重复分裂细胞模型的过程，将

换为

此时记非分裂细胞模型对应的混合高斯模型为

其他过程和分裂细胞模型的过程相同。

2.根据权利要求1所述的一种分裂细胞识别方法，其特征在于，所述从所述处理后细胞图像中提取尺度归一化后的分裂细胞候选区域具体为：

1）用尺度q×q的均值滤波模板与所述处理后细胞图像进行卷积，获取滤波后细胞图像；

2)对所述滤波后细胞图像进行图像二值化处理，获取二值图像：

3)对所述二值图像进行连通区域提取，获取尺度归一化后的所述分裂细胞候选区域。

3.根据权利要求2所述的一种分裂细胞识别方法，其特征在于，所述对所述二值图像进行连通区域提取，获取尺度归一化后的所述分裂细胞候选区域具体为：

对二值图像进行连通区域提取，获取二值模板；

在所述二值模板中，提取每个连通区域的外接矩形；

将所述外接矩形作为分裂细胞候选区域，对所述分裂细胞候选区域进行尺度归一化处理，获取尺度归一化后的分裂细胞候选区域。

4.根据权利要求3所述的一种分裂细胞识别方法，其特征在于，所述对所述分裂细胞区域和所述非分裂细胞区域分别提取多尺度和多方向纹理特征具体为：

1）对盖伯滤波器核函数进行尺度变换和旋转变换获取自相似的盖伯滤波器组，通过设置参数v的取值实现对盖伯滤波器的波长调节；通过总方向数K确定盖伯滤波器的核函数方向u；

2）将滤波器组中每个盖伯滤波器与分裂细胞区域或非分裂细胞区域I(x,y)进行卷积，获取v×u副尺度为r×r的响应图像；

3）从所述响应图像中获取特征向量，将所述特征向量作为分裂细胞区域或非分裂细胞区域的多尺度和多方向纹理特征。

Images