CN102881017A - 一种细胞分离方法 - Google Patents

一种细胞分离方法 Download PDF

Info

Publication number
CN102881017A
CN102881017A CN2012103541221A CN201210354122A CN102881017A CN 102881017 A CN102881017 A CN 102881017A CN 2012103541221 A CN2012103541221 A CN 2012103541221A CN 201210354122 A CN201210354122 A CN 201210354122A CN 102881017 A CN102881017 A CN 102881017A
Authority
CN
China
Prior art keywords
image
pixel
zone
segmentation
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012103541221A
Other languages
English (en)
Other versions
CN102881017B (zh
Inventor
李均利
李晓宁
袁丁
苏菡
张莹
杨军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu ants Technology Co., Ltd.
Original Assignee
Sichuan Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Normal University filed Critical Sichuan Normal University
Priority to CN201210354122.1A priority Critical patent/CN102881017B/zh
Publication of CN102881017A publication Critical patent/CN102881017A/zh
Application granted granted Critical
Publication of CN102881017B publication Critical patent/CN102881017B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明涉及图像分割领域，尤其是涉及一种细胞分离方法，包括以下步骤：A、运用OSTU方法对细胞图像进行预分割；B、运用边界追踪方法对预分割图像进行孔洞填充；C、对孔洞填充后的图像进行分水岭分割；D、对分割后图像中的“过分割”区域进行合并，“分割不完全”区域进行再分割。和现有的综合凹点分析与边缘检测的分割算法和基于数学形态学的分割算法相比，思路清晰，易于在代码中实现，所以实现简单；与传统方法对比，可明显减少过分割情况。

Description

一种细胞分离方法
技术领域
本发明涉及图像分割领域，尤其是涉及一种细胞分离方法。
背景技术
显微镜技术的发展使得人类对事物的观察更加精细，打开了对微观世界的研究。逐渐进入对细胞—生命活动的基本单位的探索。在对生物细胞形态结构的研究中发现，由于细胞自身的结构，观察到的细胞图像常常是很多个细胞聚集在一起，因此就不可避免的需要引入细胞分割技术，通过该技术将重叠的细胞准确的分离开来，以便于进行下一步对细胞形态的识别及个数的统计。
现有的分割方法主要有两大类：综合凹点分析与边缘检测的分割算法和基于数学形态学的分割算法。以上两类算法虽能取得一定成效，但也存在一定的缺陷与局限性，如综合凹点分析与边缘检测的分割算法中难以确定出真正的凹点，且凹点很难正确配对等问题的存在使得该方法难以取得好的分割效果,主要是因为计算凹点的算法主要是通过计算K个轮廓点所组成的夹角来判断，这种方法计算量大，容易受噪声的影响，而且计算结果与K的取值以及设定的夹角大小有关，因此极有可能把噪点当作了凹点，而把真正的凹点丢失了；而基于数学形态学的方法中的分水岭方法往往难以克服“过分割”问题，这是因为图像中常存在噪声及局部不规则现象，使得局部极小值区域的个数超过实际的分割对象，也就造成难以克服的“过分割“问题，因此有必要研究出高效实用的细胞分离方法。
现有技术中也有对细胞分离方法进行改进的专利，如专利申请号为201010568802.4，申请日为2010-12-1，名称为“一种图像中的粘连细胞分割方法”的发明专利，其技术方案为：步骤一，对含有粘连细胞的图像进行二值化，将图像中的粘连细胞作为前景色进行标记，其余的为背景色，得到二值图，再对上述二值图做距离变换，在距离变换的过程中记录下各个点到最近背景点的距离值，保存为距离图；步骤二，确定真实细胞的中心点首先，在所述距离图中搜索局部极大值点，即距离值大于其八邻域点的距离值的点，以这些局部极大值点为起始点对所述二值图作水域分割，得到分割后的区域图；其次，对所有的局部极大值点进行筛选，去除符合筛选条件的局部极大值点，剩余的极大值点每个均代表单个血细胞的中心点，其中，所述筛选的条件为：(1)该局部极大值点的距离值低于预设的阈值D；(2)该局部极大值点的距离值小于任一阈值点的距离值，其中所述阈值点指与当前局部极大值点的距离低于门限阈值T的局部极大值点；步骤三，计算区域图中各区域中心与各上述中心点的距离，从而获得各区域与各单个血细胞的距离值，使每个区域归属于与之距离值最小的血细胞，完成血细胞的初步分割，其中，所述的区域中心指区域中距离值最大的点；步骤四，对初步分割的边界进一步修正检测获取与两个或两个以上区域毗邻的区域，在上述获取的毗邻区域的边界上搜索用于分割的连接角点，利用该连接角点对当前区域重新分割，分割得到的区域分属于与各自相邻的区域。通过上述步骤，即完成粘连细胞的分割。
上述专利存在的问题主要有：1、采用的距离变换为传统的倒角距离，该距离只是对欧氏距离的一种近似，不是完全欧氏距离，使得选取种子点的准确性不高；2、利用局部最小值及预设阈值点选取种子点，增加了一定的计算量同时引入主观因素；3、采用复杂的链码差进行修正，增加了计算量。       
发明内容
为了克服现有的细胞图像分离方法存在的的凹点很难正确配对、难以克服“过分割”的问题，现在特别提出一种融合OSTU和边界追踪，并且运用精确欧氏距离进行前期距离变换，以及提出距离阈值与面积阈值概念，减少了计算量的一种细胞分离方法。
为实现上述技术效果，本发明的技术方案如下：
一种细胞分离方法，其特征在于，包括以下步骤： 
A、运用OSTU方法对细胞图像进行预分割：
a1. 根据输入图像的灰度值，运用OSTU方法计算出最佳阈值                                                
Figure 2012103541221100002DEST_PATH_IMAGE001
Figure 425160DEST_PATH_IMAGE002
，其具体过程为：根据输入灰度图像的灰度值，将其分为1~m级，用代表图像中灰度级为
Figure 2012103541221100002DEST_PATH_IMAGE005
的像素个数，那么图像中总像素个数
Figure 96313DEST_PATH_IMAGE006
，且每个灰度级存在的概率
Figure 2012103541221100002DEST_PATH_IMAGE007
。若选择某一灰度级将该图像分成两组，其中
Figure 2012103541221100002DEST_PATH_IMAGE009
，，那么两组所产生的概率
Figure 2012103541221100002DEST_PATH_IMAGE011
，
Figure 376006DEST_PATH_IMAGE012
以及两组的组内平均差
Figure 2012103541221100002DEST_PATH_IMAGE013
，
Figure 534455DEST_PATH_IMAGE014
分别为：
Figure 2012103541221100002DEST_PATH_IMAGE015
，
Figure 42796DEST_PATH_IMAGE016
 ，
Figure 2012103541221100002DEST_PATH_IMAGE017
，
Figure 173563DEST_PATH_IMAGE018
；其中，代表整幅图像的灰度平均值，
Figure 374738DEST_PATH_IMAGE020
代表阈值为时的灰度平均值，因此全部采样的灰度平均值：
Figure 2012103541221100002DEST_PATH_IMAGE021
；因此两组间的方差为：
Figure 270198DEST_PATH_IMAGE022
      
在1~m间变化
Figure 255472DEST_PATH_IMAGE008
可找到一个
Figure 627547DEST_PATH_IMAGE002
使
Figure 2012103541221100002DEST_PATH_IMAGE023
取最大值，即
Figure 698272DEST_PATH_IMAGE024
，此时的即为所求的最佳阈值；
a2. 利用最佳阈值
Figure 653775DEST_PATH_IMAGE002
将输入图像转化为二值图像：根据图像的实际情况将像素值小于
Figure 196752DEST_PATH_IMAGE002
的像素转化为背景像素（或目标像素），其它像素转化为目标像素（或背景像素）；
B、运用边界追踪方法进行孔洞填充：
b1. 设置已跟踪边界队列
Figure 2012103541221100002DEST_PATH_IMAGE025
，按照由上到下，由左到右的顺序搜索到第一个目标像素
Figure 489193DEST_PATH_IMAGE026
，将其作为初始化边界搜索点，设定初始化搜索方向，并将
Figure 411537DEST_PATH_IMAGE026
放入
Figure 105824DEST_PATH_IMAGE025
；
b2. 从
Figure 757385DEST_PATH_IMAGE026
的
Figure 2012103541221100002DEST_PATH_IMAGE027
方向开始按逆时针方向搜索的8邻域中的目标像素，若不存在，则表明
Figure 959379DEST_PATH_IMAGE026
为孤立像素区域，转步骤b5；若
Figure 226412DEST_PATH_IMAGE028
被标记已跟踪过，则仍按逆时针顺序继续向下搜索8邻域中是否存在未被跟踪过的边界像素，若不存在，则表明已回到跟踪起点，转步骤b5；若
Figure 222050DEST_PATH_IMAGE028
未被跟踪过，则将其放入
Figure 890929DEST_PATH_IMAGE025
中；
b3. 根据相对于的方向标号
Figure 2012103541221100002DEST_PATH_IMAGE029
，更新
Figure 765847DEST_PATH_IMAGE029
，若
Figure 289232DEST_PATH_IMAGE029
为奇数，则
Figure 453497DEST_PATH_IMAGE030
，若为偶数，则
Figure 2012103541221100002DEST_PATH_IMAGE031
；
b4. 以
Figure 757440DEST_PATH_IMAGE028
为搜索像素，转b2步，继续追踪下一个边界像素；
b5. 当搜索到的像素与开始像素重合时结束追踪；
 b6. 当一个区域的边界全被标记出后，对其进行孔洞填充；
C、对图像进行分水岭分割：
c1. 对细胞图像进行距离变换处理；
c2. 根据距离变换值选取种子点；
c3. 根据种子点进行分水岭分割；
所述c2步骤具体为：
c21：查找图像中的局部最大距离变换值像素并按从大到小的顺序存入队列
Figure 298142DEST_PATH_IMAGE032
中，计算
Figure 2012103541221100002DEST_PATH_IMAGE033
，其中
Figure 738351DEST_PATH_IMAGE034
代表距离变换排序后的第
Figure 339097DEST_PATH_IMAGE005
个距离变换最大值； 
Figure 2012103541221100002DEST_PATH_IMAGE035
代表最大的距离变换值；
Figure 879404DEST_PATH_IMAGE036
代表细胞图像中的目标像素总数，
Figure 2012103541221100002DEST_PATH_IMAGE037
，
Figure 286115DEST_PATH_IMAGE038
；
c22：
Figure 784092DEST_PATH_IMAGE032
中第一个元素出队，放入种子像素数组
Figure 2012103541221100002DEST_PATH_IMAGE039
中；
c23：若
Figure 352477DEST_PATH_IMAGE032
不为空，则
Figure 568695DEST_PATH_IMAGE032
中第一个元素
Figure 451200DEST_PATH_IMAGE040
出队，否则转步骤c25：；
c24：计算
Figure 866001DEST_PATH_IMAGE040
与所有中的种子像素间的距离
Figure 2012103541221100002DEST_PATH_IMAGE041
，若存在
Figure 980904DEST_PATH_IMAGE042
，则直接转步骤c25，否则将
Figure 729418DEST_PATH_IMAGE040
放入
Figure 936408DEST_PATH_IMAGE039
中，转步骤c23：；
c25： 算法结束。
D、“过分割”区域的合并与“分割不完全”区域再分割：
d1. 设置三个面积阈值，，
Figure 112174DEST_PATH_IMAGE044
，
Figure 2012103541221100002DEST_PATH_IMAGE045
，其中
Figure 37405DEST_PATH_IMAGE043
为经验值,对于
Figure 324030DEST_PATH_IMAGE043
本发明取值为1，即将单像素的区域当做噪声处理；
d2. 计算图像各个区域的面积，根据面积阈值对该区域进行下列的处理：
若
Figure 651106DEST_PATH_IMAGE046
，则表明该区域为噪声区域，将其去除；
若，则表明该区域“分割不完全”，则将其重新再次分割；
若
Figure 997774DEST_PATH_IMAGE048
，则表明该区域是“过分割”区域，则将其合并到邻域区域；
其它情况表明分割正确，则无需处理。
本发明的优点在于：
1、和现有的综合凹点分析与边缘检测的分割算法和基于数学形态学的分割算法相比，思路清晰，易于在代码中实现，所以实现简单；与传统方法对比，可明显减少过分割情况。
2、采用OSTU对图像简单的进行预处理，该方法可自动选取出阈值进行分割，并且该方法成熟，简单，有利于简化整个细胞分离方法。
3、运用边界追踪方法进行孔洞填充弥补OSTU方法二值化后细胞图像的不足，使图像更有利于分割。本专利所采用的填充方法是在边界追踪方法的基础上加以改进应用到本专利中，并非本领域的常规技术。细胞图像由于表面光照度的不同，往往二值化后细胞中心颜色往往与背景色相同，如果不进行填充，则会造成每一个细胞都不完整，极大的影响了下一步距离变换操作的准确性，因此在二值化后进行空洞填充操作是十分重要的。
 
4、本发明使用的距离变换方法为完全欧氏距离，有助于提高种子点的准确性。
5、C步骤的种子点选取利用公式
Figure 144721DEST_PATH_IMAGE033
计算，避免了现有技术中利用局部最小值及预设阈值点选取种子点造成的增加了一定的计算量同时引入主观因素问题。
6、分水岭分割更加直观、快速，分割线稳定完整，且可并行计算。
7、“过分割”区域的合并与“分割不完全”区域再分割所采用的具体方法的优点在于计算量小，操作简单，优化分割结果。
8、D步骤中修正分割边界方法采用简单的经验阈值进行修正，易于实现，计算量小。    
附图说明
图1为本发明方法的基本流程框图。
图2与图3为两幅真实细胞图像。
图4与图5经OSTU算法处理后的细胞图像。
图6为8邻域方向标号。
图7为边界追踪过程示意图。
图8为孔洞填充后示意图。
图9与图10为经区域填充处理的细胞图像。
图11与图12为经距离变换处理后的细胞图像。
图13与图14为经分水岭分割处理后的细胞图像。
图15与图16为本发明方法最终细胞分割图像。
图17与图18为传统分水岭分割方法的细胞分割图像。
图19与图20为基于灰度重建的分水岭分割方法细胞分割图像。
具体实施方式
以下结合附图实例对本发明作进一步详细描述。
本发明方法的基本流程如图1所示，其具体包括以下步骤：
A运用OSTU方法进行预分割；
a1、根据输入图像的灰度值，运用OSTU方法计算出最佳阈值
Figure 172720DEST_PATH_IMAGE002
，其具体过程为：
根据输入灰度图像（如附图2）的灰度值，将其分为1~m级，用
Figure 419549DEST_PATH_IMAGE003
代表图像中灰度级为的像素个数，那么图像中总像素个数，且每个灰度级存在的概率。若选择某一灰度级将该图像分成两组，其中
Figure 65294DEST_PATH_IMAGE009
，
Figure 249151DEST_PATH_IMAGE010
，那么两组所产生的概率
Figure 618953DEST_PATH_IMAGE011
，
Figure 775127DEST_PATH_IMAGE012
以及两组的组内平均差
Figure 634499DEST_PATH_IMAGE013
，
Figure 243335DEST_PATH_IMAGE014
分别为：，
Figure 224246DEST_PATH_IMAGE016
 ，，
Figure 288334DEST_PATH_IMAGE018
,其中
Figure 62255DEST_PATH_IMAGE019
，代表整幅图像的灰度平均值，
Figure 193022DEST_PATH_IMAGE020
代表阈值为
Figure 331879DEST_PATH_IMAGE008
时的灰度平均值，因此全部采样的灰度平均值：
Figure 712045DEST_PATH_IMAGE021
；因此两组间的方差为：
Figure 227340DEST_PATH_IMAGE022
      
在1~m间变化
Figure 212614DEST_PATH_IMAGE008
可找到一个使
Figure 389834DEST_PATH_IMAGE023
取最大值，即，此时的即为所求的最佳阈值。
a2、利用最佳阈值
Figure 828927DEST_PATH_IMAGE002
将输入图像转化为二值图像，根据图像的实际情况将像素值小于
Figure 386948DEST_PATH_IMAGE002
的像素转化为背景像素（或目标像素），其它像素转化为目标像素（或背景像素），如附图3所示。
B、运用边界追踪方法进行孔洞填充；
本专利所采用的填充方法是在边界追踪方法的基础上加以改进应用到本专利中，并非本领域的常规技术。细胞图像由于表面光照度的不同，往往二值化后细胞中心颜色往往与背景色相同，如果不进行填充，则会造成每一个细胞都不完整，极大的影响了下一步距离变换操作的准确性，因此在二值化后进行空洞填充操作是十分重要的，所以我们也将其单独做为一个步骤加以说明。 
b1、设置已跟踪边界队列
Figure 978466DEST_PATH_IMAGE025
，按照由上到下，由左到右的顺序搜索到第一个目标像素，将其作为初始化边界搜索点，设定初始化搜索方向
Figure 2012103541221100002DEST_PATH_IMAGE049
，(其中8邻域方向标号如附图6所示)并将
Figure 652210DEST_PATH_IMAGE026
放入
Figure 494264DEST_PATH_IMAGE025
；
b2、从
Figure 889473DEST_PATH_IMAGE026
的方向开始按逆时针方向搜索
Figure 588625DEST_PATH_IMAGE026
的8邻域中的目标像素，若不存在，则表明
Figure 785754DEST_PATH_IMAGE026
为孤立像素区域，转步骤b5；若被标记已跟踪过，则仍按逆时针顺序继续向下搜索8邻域中是否存在未被跟踪过的边界像素，若不存在，则表明已回到跟踪起点，转步骤b5；若
Figure 533447DEST_PATH_IMAGE028
未被跟踪过，如附图7所示，则将其放入
Figure 598355DEST_PATH_IMAGE025
中；
b3、根据
Figure 121740DEST_PATH_IMAGE028
相对于
Figure 286005DEST_PATH_IMAGE026
的方向标号
Figure 589948DEST_PATH_IMAGE029
，更新
Figure 130651DEST_PATH_IMAGE029
。若
Figure 508542DEST_PATH_IMAGE029
为奇数，则
Figure 171605DEST_PATH_IMAGE030
，若为偶数，则，如附图7所示，追踪到
Figure 979341DEST_PATH_IMAGE028
时，
Figure 276986DEST_PATH_IMAGE028
位于
Figure 48633DEST_PATH_IMAGE026
的5号方向标号上，因此
Figure 999271DEST_PATH_IMAGE050
；
b4、以
Figure 944093DEST_PATH_IMAGE028
为搜索像素，转步骤b2，继续追踪下一个边界像素；
b5、结束追踪；
b6、如附图7所示，当一个区域的边界全被标记出后，对其进行孔洞填充，如附图8所示，附图9与10为对应经边界追踪方法填充后的细胞图像；
C分水岭分割；
c1、采用现有的距离变换算法对细胞图像进行距离变换处理，现有的处理方法包括有：蛮力法，光栅扫描法，边界剥离法，独立扫描法等。
处理后的效果如附图11与12所示；
c2、根据距离变换值选取种子点，具体过程为：
c21.查找图像中的局部最大距离变换值像素并按从大到小的顺序存入队列
Figure 296577DEST_PATH_IMAGE032
中，计算
Figure 239125DEST_PATH_IMAGE033
，其中
Figure 677060DEST_PATH_IMAGE034
代表距离变换排序后的第
Figure 425573DEST_PATH_IMAGE005
个距离变换最大值； 
Figure 632564DEST_PATH_IMAGE035
代表最大的距离变换值；
Figure 746013DEST_PATH_IMAGE036
代表细胞图像中的目标像素总数，
Figure 733561DEST_PATH_IMAGE037
，
Figure 957869DEST_PATH_IMAGE038
；
c22.中第一个元素出队，放入种子像素数组中；
c23.若
Figure 778560DEST_PATH_IMAGE032
不为空，则
Figure 806559DEST_PATH_IMAGE032
中第一个元素
Figure 50458DEST_PATH_IMAGE040
出队，否则转步骤c25；
c24.计算
Figure 505710DEST_PATH_IMAGE040
与所有
Figure 139954DEST_PATH_IMAGE039
中的种子像素间的距离，若存在，则直接转步骤5），否则将
Figure 696203DEST_PATH_IMAGE040
放入
Figure 880060DEST_PATH_IMAGE039
中，转步骤c23；
c25.算法结束。
c3、以种子点作为的局部最低点，根据分水岭算法思想进行分割，其分割效果如附图13与14所示。
D“过分割”区域的合并与“分割不完全”区域再分割；
d1、设置三个面积阈值
Figure 249861DEST_PATH_IMAGE043
，
Figure 406036DEST_PATH_IMAGE044
，
Figure 256619DEST_PATH_IMAGE045
，其中
Figure 865455DEST_PATH_IMAGE043
为经验值(在本发明所做实验中取值为10)；
d2、计算图像各个区域的面积，根据面积阈值对该区域进行相应的处理；
1)若
Figure 773368DEST_PATH_IMAGE046
，则表明该区域为噪声区域，将其去除；
2)若
Figure 846366DEST_PATH_IMAGE047
，则表明该区域“分割不完全”，则将其重新再次分割；
3)若，则表明该区域是“过分割”区域，则将其合并到邻域区域；
4)其它情况表明分割正确，则无需处理；
经上述操作后，其分割效果如附图15与16所示。
本发明所采用的算法与现有算法相比，能够有效的避免“过分割”情况的出现，取得较好的分割效果，更有利于对生物医学研究中细胞个数的统计及形状的观测。附图15与16，17与18，19与20分别为本发明与现有传统的分水岭分割算法以及基于灰度重建的分水岭分割算法使用同一台配置为Pentium Dual-Core CPU E5400 2.70GHz，2GB内存的电脑，在VC 6.0环境下分别对附图2与3中两幅细胞图像进行分割处理后的分割效果的对比，从图中可看出本发明的有效性。

Claims (5)

1.一种细胞分离方法，其特征在于，包括以下步骤： 
A、运用OSTU方法对细胞图像进行预分割；
B、运用边界追踪方法对预分割图像进行孔洞填充；
C、对孔洞填充后的图像进行分水岭分割；
D、对分割后图像中的“过分割”区域进行合并，“分割不完全”区域进行再分割。
2.根据权利要求1所述的一种细胞分离方法，其特征在于，所述B步骤具体为： 
b1. 设置已跟踪边界队列                                               
Figure 2012103541221100001DEST_PATH_IMAGE002
，按照由上到下，由左到右的顺序搜索到第一个目标像素
Figure 2012103541221100001DEST_PATH_IMAGE004
，将其作为初始化边界搜索点，设定初始化搜索方向，并将
Figure 387947DEST_PATH_IMAGE004
放入
Figure 99551DEST_PATH_IMAGE002
；
b2. 从
Figure 27056DEST_PATH_IMAGE004
的
Figure 2012103541221100001DEST_PATH_IMAGE006
方向开始按逆时针方向搜索
Figure 165913DEST_PATH_IMAGE004
的8邻域中的目标像素
Figure 2012103541221100001DEST_PATH_IMAGE008
，若
Figure 811658DEST_PATH_IMAGE008
不存在，则表明
Figure 326953DEST_PATH_IMAGE004
为孤立像素区域，转步骤b5；若
Figure 108965DEST_PATH_IMAGE008
被标记已跟踪过，则仍按逆时针顺序继续向下搜索8邻域中是否存在未被跟踪过的边界像素，若不存在，则表明已回到跟踪起点，转步骤b5；若未被跟踪过，则将其放入
Figure 489447DEST_PATH_IMAGE002
中；
b3. 根据
Figure 542854DEST_PATH_IMAGE008
相对于
Figure 444951DEST_PATH_IMAGE004
的方向标号
Figure DEST_PATH_IMAGE010
，更新
Figure 925611DEST_PATH_IMAGE010
，若
Figure 545948DEST_PATH_IMAGE010
为奇数，则
Figure DEST_PATH_IMAGE012
，若为偶数，则
Figure DEST_PATH_IMAGE014
；
b4. 以
Figure 199783DEST_PATH_IMAGE008
为搜索像素，转b2步，继续追踪下一个边界像素；
b5. 当搜索到的像素与开始像素重合时结束追踪；
b6. 当一个区域的边界全被标记出后，对其进行孔洞填充。
3.根据权利要求2所述的一种细胞分离方法，其特征在于，所述C步骤为：
c1. 对细胞图像进行距离变换处理；
c2. 根据距离变换值选取种子点；
c3. 根据种子点进行分水岭分割；
所述c2步骤具体为：
c21：查找图像中的局部最大距离变换值像素并按从大到小的顺序存入队列
Figure DEST_PATH_IMAGE016
中，计算
Figure DEST_PATH_IMAGE018
，其中代表距离变换排序后的第个距离变换最大值； 
Figure DEST_PATH_IMAGE024
代表最大的距离变换值；
Figure DEST_PATH_IMAGE026
代表细胞图像中的目标像素总数，
Figure DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE030
；
c22：
Figure 21633DEST_PATH_IMAGE016
中第一个元素出队，放入种子像素数组
Figure DEST_PATH_IMAGE032
中；
c23：若
Figure 1091DEST_PATH_IMAGE016
不为空，则
Figure 780828DEST_PATH_IMAGE016
中第一个元素
Figure DEST_PATH_IMAGE034
出队，否则转步骤c25；
c24：计算
Figure 238354DEST_PATH_IMAGE034
与所有
Figure 52726DEST_PATH_IMAGE032
中的种子像素间的距离，若存在
Figure DEST_PATH_IMAGE038
，则直接转步骤c25，否则将
Figure 937506DEST_PATH_IMAGE034
放入
Figure 266856DEST_PATH_IMAGE032
中，转步骤c23；
c25： 算法结束。
4.根据权利要求3所述的一种细胞分离方法，其特征在于，所述D步骤为：
d1. 设置三个面积阈值，
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE044
，其中
Figure 528073DEST_PATH_IMAGE040
其中
Figure 196952DEST_PATH_IMAGE040
为经验值取值为1-10；
d2. 计算图像各个区域的面积，根据面积阈值对该区域进行下列的处理：
若
Figure DEST_PATH_IMAGE046
，则表明该区域为噪声区域，将其去除；
若
Figure DEST_PATH_IMAGE048
，则表明该区域“分割不完全”，则将其重新再次分割；
若，则表明该区域是“过分割”区域，则将其合并到邻域区域；
其它情况表明分割正确，则无需处理。
5.根据权利要求1-4任意一项所述的一种细胞分离方法，其特征在于，所述A步骤为：
a1. 根据输入图像的灰度值，运用OSTU方法计算出最佳阈值
Figure DEST_PATH_IMAGE052
Figure DEST_PATH_IMAGE054
，其具体过程为：根据输入灰度图像（如附图2）的灰度值，将其分为1~m级，用
Figure DEST_PATH_IMAGE056
代表图像中灰度级为
Figure 306160DEST_PATH_IMAGE022
的像素个数，那么图像中总像素个数
Figure DEST_PATH_IMAGE058
，且每个灰度级存在的概率
Figure DEST_PATH_IMAGE060
；若选择某一灰度级
Figure DEST_PATH_IMAGE062
将该图像分成两组，其中
Figure DEST_PATH_IMAGE064
，
Figure DEST_PATH_IMAGE066
，那么两组所产生的概率
Figure DEST_PATH_IMAGE068
，以及两组的组内平均差
Figure DEST_PATH_IMAGE072
，
Figure DEST_PATH_IMAGE074
分别为：
Figure DEST_PATH_IMAGE076
， ，
Figure DEST_PATH_IMAGE080
，
Figure DEST_PATH_IMAGE082
；其中
Figure DEST_PATH_IMAGE084
，代表整幅图像的灰度平均值，
Figure DEST_PATH_IMAGE086
代表阈值为
Figure 372074DEST_PATH_IMAGE062
时的灰度平均值，因此全部采样的灰度平均值：
Figure DEST_PATH_IMAGE088
；因此两组间的方差为：
Figure DEST_PATH_IMAGE090
      
在1~m间变化
Figure 171403DEST_PATH_IMAGE062
可找到一个
Figure 757105DEST_PATH_IMAGE054
使
Figure DEST_PATH_IMAGE092
取最大值，即
Figure DEST_PATH_IMAGE094
，此时的
Figure 252196DEST_PATH_IMAGE054
即为所求的最佳阈值；
a2. 利用最佳阈值
Figure 493821DEST_PATH_IMAGE054
将输入图像转化为二值图像：根据图像的实际情况将像素值小于的像素转化为背景像素或目标像素，其它像素转化为目标像素或背景像素。
CN201210354122.1A 2012-09-21 2012-09-21 一种细胞分离方法 Expired - Fee Related CN102881017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210354122.1A CN102881017B (zh) 2012-09-21 2012-09-21 一种细胞分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210354122.1A CN102881017B (zh) 2012-09-21 2012-09-21 一种细胞分离方法

Publications (2)

Publication Number Publication Date
CN102881017A true CN102881017A (zh) 2013-01-16
CN102881017B CN102881017B (zh) 2015-04-22

Family

ID=47482330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210354122.1A Expired - Fee Related CN102881017B (zh) 2012-09-21 2012-09-21 一种细胞分离方法

Country Status (1)

Country Link
CN (1) CN102881017B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914843A (zh) * 2014-04-04 2014-07-09 上海交通大学 基于分水岭算法和形态学标记的图像分割方法
CN105551027A (zh) * 2015-12-08 2016-05-04 沈阳东软医疗系统有限公司 一种边界跟踪方法及装置
CN105787934A (zh) * 2016-02-19 2016-07-20 福州大学 一种基于图论和区域增长的粘连细胞分割算法
CN107316077A (zh) * 2017-06-21 2017-11-03 上海交通大学 一种基于图像分割及边缘检测的脂肪细胞自动计数方法
CN107481225A (zh) * 2017-07-26 2017-12-15 山东颐泽天泰医疗科技有限公司 一种自动寻找最优参数分割粘连细胞的方法
CN108932716A (zh) * 2017-05-26 2018-12-04 无锡时代天使医疗器械科技有限公司 用于牙齿图像的图像分割方法
CN110059663A (zh) * 2019-04-24 2019-07-26 扬州龙科信息科技有限公司 一种基于特征点检测的粘连蘑菇视觉识别与测量方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013102A (zh) * 2010-12-01 2011-04-13 华中科技大学 一种图像中的粘连细胞分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013102A (zh) * 2010-12-01 2011-04-13 华中科技大学 一种图像中的粘连细胞分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
崔凤魁: "二值图像目标邻域点法边界跟踪算法", 《洛阳工学院学报》 *
郭戈: "分水岭算法在重叠细胞图象分割中的应用", 《微计算机信息》 *
骆杨斌: "鼠腹腔巨噬细胞的图像分割研究", 《中国优秀硕士学位论文全文数据库》 *
黄学雨: "基于距离变换的种子点优化算法", 《福建电脑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914843A (zh) * 2014-04-04 2014-07-09 上海交通大学 基于分水岭算法和形态学标记的图像分割方法
CN105551027A (zh) * 2015-12-08 2016-05-04 沈阳东软医疗系统有限公司 一种边界跟踪方法及装置
CN105551027B (zh) * 2015-12-08 2018-08-03 沈阳东软医疗系统有限公司 一种边界跟踪方法及装置
CN105787934A (zh) * 2016-02-19 2016-07-20 福州大学 一种基于图论和区域增长的粘连细胞分割算法
CN105787934B (zh) * 2016-02-19 2019-02-22 福州大学 一种基于图论和区域增长的粘连细胞分割算法
CN108932716A (zh) * 2017-05-26 2018-12-04 无锡时代天使医疗器械科技有限公司 用于牙齿图像的图像分割方法
CN108932716B (zh) * 2017-05-26 2020-09-22 无锡时代天使医疗器械科技有限公司 用于牙齿图像的图像分割方法
CN107316077A (zh) * 2017-06-21 2017-11-03 上海交通大学 一种基于图像分割及边缘检测的脂肪细胞自动计数方法
CN107316077B (zh) * 2017-06-21 2020-09-08 上海交通大学 一种基于图像分割及边缘检测的脂肪细胞自动计数方法
CN107481225A (zh) * 2017-07-26 2017-12-15 山东颐泽天泰医疗科技有限公司 一种自动寻找最优参数分割粘连细胞的方法
CN107481225B (zh) * 2017-07-26 2020-06-30 山东颐泽天泰医疗科技有限公司 一种自动寻找最优参数分割粘连细胞的方法
CN110059663A (zh) * 2019-04-24 2019-07-26 扬州龙科信息科技有限公司 一种基于特征点检测的粘连蘑菇视觉识别与测量方法

Also Published As

Publication number Publication date
CN102881017B (zh) 2015-04-22

Similar Documents

Publication Publication Date Title
CN102881017B (zh) 一种细胞分离方法
CN105931295B (zh) 一种地质图专题信息提取方法
Kong et al. General road detection from a single image
CN107578035A (zh) 基于超像素‑多色彩空间的人体轮廓提取方法
US8073233B2 (en) Image processor, microscope system, and area specifying program
CN108986119A (zh) 图像分割方法及装置、计算机设备及可读存储介质
CN101699511A (zh) 彩色图像分割方法及系统
CN109389163B (zh) 一种基于地形图的无人机影像分类系统及方法
CN107092871B (zh) 基于多尺度多特征融合的遥感影像建筑物检测方法
CN103473785B (zh) 一种基于三值化图像聚类的快速多目标分割方法
CN102800094A (zh) 一种快速彩色图像分割方法
CN102663760A (zh) 一种对图像中的车辆挡风镜区域进行定位分割的方法
CN108376247A (zh) 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法
CN110956207B (zh) 一种光学遥感影像全要素变化检测方法
CN106294705A (zh) 一种批量遥感影像预处理方法
CN101697229A (zh) 一种医学图像的感兴趣区域提取方法
CN104657980A (zh) 一种改进的基于Meanshift的多通道图像分割算法
CN103871072A (zh) 基于投影数字高程模型的正射影像镶嵌线自动提取方法
CN111583178B (zh) 一种在藻类细胞显微图像中分割黏连藻类细胞的方法
CN103500451B (zh) 一种用于卫星数据的独立浮冰提取方法
CN101667297B (zh) 一种乳腺钼靶x线图像中的乳腺区域提取方法
CN105335960B (zh) 结合边缘检测和分水岭算法的图像分割方法
CN107146233A (zh) 基于岩石薄片偏光序列图的颗粒分割方法
CN108596932A (zh) 一种重叠宫颈细胞图像分割方法
CN103236056B (zh) 基于模板匹配的图像分割方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20170821

Address after: 610000 China (Sichuan) free trade zone, Chengdu hi tech Zone, Tianfu Road, No. 1388, No. 1, building 11, No. 1139

Patentee after: Chengdu ants Technology Co., Ltd.

Address before: 610000 Jingan Road, Chengdu, Sichuan, No. 5, No.

Patentee before: Sichuan Normal University

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150422

Termination date: 20180921