CN103150562B - 一种基于图像背景提取前提的蚁群多细胞跟踪系统 - Google Patents

Abstract

本发明提供了一种基于图像背景提取前提的蚁群多细胞跟踪系统，其特征在于对截取的原始图像区域，通过三个模块：先验蚁群分布模块、多蚁群重构模块、细胞身份管理与状态提取模块的分析，实现多细胞的自动跟踪。本发明具有以下有点：1）能精确跟踪多细胞，且跟踪稳定性高，虚警率、漏检率远远小于REZA教授提出的无需检测环节的多贝努利滤波器方法；2）能同时自动跟踪多个不同动力学特性的细胞，且能精确跟踪距离相近的多细胞；其是首次用蚁群技术中各方法解决多细胞自动快速跟踪问题。

Description

一种基于图像背景提取前提的蚁群多细胞跟踪系统

技术领域

本发明涉及一种多细胞跟踪系统，特别是一种蚁群多细胞跟踪系统。

背景技术

在过去的几十年里，生物成像技术的迅速发展为人类的健康提供了坚实的技术保证，如荧光显微成像技术为研究细胞内的动力学行为提供了可能，用荧光蛋白粉对所感兴趣的细胞内的结构进行标记并跟踪，在所形成的细胞“生命”历史纪录中来获取细胞的速度、加速度和强度变化等信息，从而有助于细胞迁徙等相关细胞生物学的研究。例如，脊椎动物的神经嵴细胞在胚胎期会不断从背侧向腹侧移行，若出现突变，患者的体色、血细胞供应和性细胞的形成都会出现异常(患者额头出现“白斑”)。由此可见，分析细胞迁徙运动有助于掌握导致人类疾病的原因，并研究相关的治疗方法。

细胞跟踪技术是研究细胞动力学行为最有效的工具之一，无论是在信息科学领域还是在生命科学领域都是一个极具挑战性且应用性很强的课题。本发明拟用蚂蚁群智能搜索行为对多细胞运动特性进行研究，设计相应的多细胞自动跟踪技术。该技术与目前广泛应用的人工细胞跟踪方法相比，它能够克服耗时多、误差大、鲁棒性差等缺点。同时，该项研究成果将有助于理解疾病发生的机制，提高药物的研制效率。以白细胞为例，白细胞的滚动速度和数量也与炎症的轻重有着直接的关系，如在炎症发生时，E-selectin抑制剂能增加滚动白细胞的速度，滚动速度的增加也间接表明了白细胞与发炎的血管内皮层之间的依附作用减弱和炎症的加重。定性和定量地描述细胞的运动特性不仅能预测相关疾病，也能为新医药的研制提供相应的依据和方向。近年来，虽然众多学者做了大量相关研究，但仍有些原因制约着多细胞跟踪技术的发展：

1)有些细胞会产生相应的变形，也就是说所跟踪的目标是一个变形体，而非刚体，因此，它不同于传统的点目标跟踪情形，需要考虑细胞的形状和大小。

2)由于生物体的呼吸而引起的颤抖、细胞进入或离开共焦平面造成对比度的变化，使得所获取的图像质量下降，加大了细胞跟踪的难度。

3)细胞数目随时间的变化，且在运动过程中会出现靠近或交叉等现象；

上述多种不确定性因素，有些属于细胞跟踪领域所特有(如细胞的变形等)，有些与雷达、声纳目标跟踪相类似(如目标数目随时间的变化等)。但同时，这些不确定性因素的存在也给多细胞的自动跟踪技术的研究带来了新挑战，如何给出一种可靠的、智能的、自动的多细胞跟踪技术来解决上述问题。

在细胞跟踪领域，通常把细胞图像的分割技术作为细胞跟踪的子问题和预处理技术。目前研究细胞运动分析方法可分为两种：一是基于分割技术的跟踪方法，该方法分为分割与跟踪两步，分割的任务就是在每帧中提取细胞信息（外形和重心等），跟踪的任务就是将多帧中所提取的细胞进行关联，找出各细胞的运动轨迹和计算各细胞速度等等，可以看出，此跟踪方法完全基于细胞的轮廓信息，只有当所获取的细胞轮廓清晰且不确定性非常小时，此跟踪方法才具有较高的跟踪精度；另外一种则是基于模型调整或变化的跟踪方法，该方法主要应用于细胞的轮廓信息难以提取等场合，它将给定的细胞初始外形轮廓，通过参数优化方法使之变形来拟合图像中的目标对象，通常所用的主动轮廓法（即Snake方法）、水平集方法（Level-Set）和均值偏移法（Mean-Shift）都属于此类跟踪方法。一般来说，若细胞的轮廓信息容易提取或分割，那么基于分割技术的跟踪方法是首选；当然，基于模型调整或变化的跟踪方法也适用于此类情形，但缺点是耗时（源于优化思想），特别是对于多个细胞跟踪问题。对于基于分割技术的跟踪方法，若细胞的轮廓清晰，用阈值方法就可以将细胞从背景中提取出来，如ISODATA算法能有效地将灰度图像进行分割，然而此方法不能有效分割互相接触的多细胞。而分水岭方法（Watershed）是解决此类难题的有效方法，最早的分水岭方法是用区域最小或最终腐蚀点（UltimateErodedPoints）来作为起始点的，然而此方法容易产生过分割现象，为此，可用基于连通的合并方法和基于形状和尺寸大小的合并方法来将过分割产生的小的碎片进行合并。基于标记点控制的分水岭方法能有效解决过分割现象，此方法的关键是标记点的提取。对于当前帧经过分割产生的细胞，将其与上一帧相应的细胞进行关联就会产生细胞运动的轨迹，关联方法有最近邻方法，平滑运动模型方法和JPDA方法等等。对于基于模型调整或变化的跟踪方法，主动轮廓方法(又称Snake方法)是这一方法的代表，它是用参数或非参数的封闭或半封闭曲线在图像平面上移动从而提取目标的轮廓。基于边缘主动轮廓跟踪方法一般要对细胞的运动速度大小进行了约束，这样对于快速细胞的跟踪显得无能为力。而修正的梯度矢量流方法(MGVF)可改进传统的基于梯度的Snake方法，将细胞的速度提升了两倍。值得注意的是，MGVF只利用了白细胞的边缘信息。基于水平集的（Level-Set）细胞跟踪方法能跟踪形变细胞，但很容易将两接触的细胞合并为一个轮廓。Mean-Shift矢量指向概率密度梯度方向，所以其算法本质上是一个自适应的梯度上升搜索峰值的方法，因此，它可应用于聚类、模态的检测和最优化，其中应用于最优化的一个典型代表即是目标跟踪。

REZA教授提出的先于测量的多细胞跟踪技术经常出现细胞的漏检和虚警，跟踪的精确性和稳定性都不足，细胞跟踪的性能同时还取决于大量的细胞训练样本，对于多细胞的动力学特性的差异，其跟踪性能未加以研究等等。本发明旨在解决当细胞动力学特性存在差异、细胞发生变形，细胞数目时变，近距离细胞等跟踪难题，无需细胞检测模块，无需大量的细胞训练样本，通过合理利用蚁群智能之间的相互协作，解决上述细胞跟踪难题。

主要术语：

蚁群：表示一个由多个蚂蚁所构成的集合，其中每个蚂蚁的决策行为是随机的，且行为简单，但蚂蚁个体间相互协作，可共同完成某个复杂任务。

背景提取：背景提取是一种将所感兴趣的目标从图像场景中提取出来的一种技术，它可以将一幅观测到的图像与一幅没有包括所感兴趣目标的估计图像进行比较，在某个比较区域内，若两者比较结果差异较大时，则表明所感兴趣的目标很可能出现在该区域。

发明内容

本发明要解决的技术问题是提供一个鲁棒的、精确的、基于图像背景提取前提的蚁群多细胞跟踪系统。

为解决上述技术问题，本发明提供的蚁群多细胞跟踪系统通过截取感兴趣的原始图像区域，通过三个模块（如图1所示）：先验蚁群分布模块、多蚁群重构模块、细胞身份管理与状态提取模块分析，最后实现多细胞的自动跟踪。先验蚁群分布模块依图像背景概率估计结果将蚁群按概率分布在细胞最可能出现的区域；多蚁群重构模块是根据启发式直方图性和信息素大小将蚁群进行重新分配，并形成相应的信息素场；细胞身份管理与状态提取模块是通过快速蚁群聚类算法来提取细胞的数目与状态，并通过某细胞对应的蚁群中有身份识别属性和无身份识别属性的蚂蚁比例来确定该细胞的身份属性。

所述先验蚁群分布模块旨在给出蚁群的初始分布，其实现是通过一种有效的细胞图像背景提取技术，具体步骤为：

1）色彩空间转换：对于视频任一帧RGB图像，像素i的RGB强度可表示为z_i(k)=[R_i(k),G_i(k),B_i(k)]^T，其对应的rgI色彩强度z可表示为：

r_i(k)=R_i(k)/(R_i(k)+G_i(k)+B_i(k))

g_i(k)=G_i(k)/(R_i(k)+G_i(k)+B_i(k))；

I_i(k)=(R_i(k)+G_i(k)+B_i(k))/256

2）背景概率：像素i属于背景的概率为其中d_i(k)表示上述三个颜色通道r,g,I之一的d在第k帧第i个像素的强度，d_i(j)表示三个颜色通道r,g,I之一的d在集合Ω={z(0),z(k₀),z(2k₀),...,z((N-1)k₀)}中的第j个分量的第i个像素的强度；median|·|表示均值绝对偏差。

3）先验蚁群产生：针对图像中任一像素i，随机产生一随机数r，若则将蚂蚁置放在该像素i上，否则，该像素i不分配任何蚂蚁；

4）通过上述3个步骤，可将一幅图像上所有像素按概率分配蚂蚁先验所在位置。

所述多蚁群重构模块旨在将先验蚁群分布模块产生的蚁群和上一帧蚁群状态的一步预测蚁群一起进行重新分布，即形成多个蚁群，每个蚁群对应细胞存在的位置，具体步骤为：

1）初始化：图像上任一个像素p所在位置给定信息量τ(0,p)=c，且初始的扩散输入q(0,p)=0；

2）对于蚂蚁在像素p所在位置，按概率选择下一像素j，即 $P_{p,j}\left(t\right)=\left\{\begin{array}{cc}0& \mathrm{if}\underset{l\&Element;N\left(p\right)}{\mathrm{\&Sigma;}}{\mathrm{\&eta;}}_l<T1\\ \frac{{\left(\mathrm{\&tau;}(t,j)\right)}^{\mathrm{\&alpha;}}{\left({\mathrm{\&eta;}}_j\right)}^{\mathrm{\&beta;}}}{\underset{l\&Element;N\left(p\right)}{\mathrm{\&Sigma;}}{\left(\mathrm{\&tau;}(t,l)\right)}^{\mathrm{\&alpha;}}{\left({\mathrm{\&eta;}}_l\right)}^{\mathrm{\&beta;}}}& \mathrm{otherwise}\end{array}\right.,$ 其中似然函数定义为 ${\mathrm{\&eta;}}_p={\left(e^{-\mathrm{\&rho;}{(1-g_p)}^{\mathrm{\&gamma;}}}\right)}^{\mathrm{\&xi;}}$ 和 $g_p=\frac{1}{\left|T\right\{0\left\}\right|}\underset{i=1}{\overset{\left|T\right\{0\}|}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\min (u_p\left(j\right),{\tilde{u}}_i\left(j\right)),$ 是模板库T{0}中的第j个分量，T1为阈值，α,β为控制参数，N(p)为像素p的近邻像素(最多4个，上、下、左、右)；同时释放一定量的信息素r^(·)(t,j)=△τ₀(像素j)r^(·)(t,p)=△τ₁(未选择，像素p)；

3）当所有蚂蚁按上述概率完成选择后，更新每个像素信息素水平 $\mathrm{\&tau;}(t+1,p)=E*\mathrm{\&tau;}(t,p)+\underset{i}{\mathrm{\&Sigma;}}{r}^{\left(i\right)}(t,p)+q(t,p);$

4）同时计算下一时刻信息素扩散输入 $q(t+1,p)=\underset{p\&Element;N\left(p^{\&prime;}\right)}{\mathrm{\&Sigma;}}\frac{D}{\left|N\left(p^{\&prime;}\right)\right|}(\underset{i}{\mathrm{\&Sigma;}}{r}^{\left(i\right)}(t,p^{\&prime;})+q(t,p^{\&prime;}));$

5）对那些像素的信息素水平小于某阈值时，此像素在随后将不再考虑；

6）继续上述步骤2-5，直至所需的迭代次数。

所述细胞身份管理与状态提取模块旨在根据上一模块所得到的图像信息素场和蚁群所在位置，来确定细胞位置与身份。该模块需将上述蚁群进行快速聚类，并与上一帧的细胞身份相关联。

所述快速聚类的方法为：

1）在当前的信息素场中，找出信息素水平最高的那个像素，以及所对应的蚂蚁ai，其当前位置为i；

2）按概率选择下一像素位置j；

3）若将为聚类中心，将满足与该中心距离小于μ的蚂蚁归为此类；将 $\min (\mathrm{\&tau;}\left({\tilde{z}}_{\stackrel{\&OverBar;}{j}}\left(k\right)\right),\mathrm{\&tau;}\left(Z_i\right))/\max (\mathrm{\&tau;}\left({\tilde{z}}_{\stackrel{\&OverBar;}{j}}\left(k\right)\right),\mathrm{\&tau;}\left(Z_i\right))>T2$ 和 $\mathrm{\&mu;}<d({\tilde{z}}_{\stackrel{\&OverBar;}{j}}\left(k\right),Z_i)<2\mathrm{\&mu;}$ 同时满足的蚂蚁也归为此类；类的中心即为细胞位置；

否则，继续执行步骤2；

4）对于剩余的蚁群，执行步骤1－3，直至剩余蚂蚁为空。

所述细胞身份管理的具体步骤为：

1）对于当前某个蚁群，若所有的蚂蚁均没有身份标记，则表示新细胞产生，并标记身份；

2）在当前某个蚁群中，若某同一身份标记的蚂蚁数量与其原来蚁群数量比例(记为q_i)超过某阈值T3，则按(P_i表示身份标识为i的蚂蚁数量与当前蚁群蚂蚁数量比例)来标识当前蚁群类所对应细胞的身份；否则按最近邻法标识当前蚁群类所对应的细胞身份。

采用本发明提供的系统，具有以下特点：

1）能精确跟踪多细胞，且跟踪稳定性高，虚警率、漏检率远远小于REZA教授提出的无需检测环节的多贝努利滤波器方法；

2）能同时自动跟踪多个不同动力学特性的细胞；且能精确跟踪距离相近的多细胞；

3）首次用蚁群技术中各方法解决多细胞自动快速跟踪问题。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明

图1本系统的结构图，

图2为所跟踪的原始细胞图像序列

图3先验蚁群在每帧图像分布位置(黑色表示)

图4信息素场分布重构

图5多细胞跟踪结果

具体实施方式

图1为本系统的结构图。如图1所示，将图2的原始细胞图像序列依次通过三个模块：先验蚁群分布模块、多蚁群重构模块、细胞身份管理与状态提取模块分析，最后实现多细胞自动跟踪。先验蚁群分布模块依图像背景概率估计结果将蚁群按概率分布在细胞最可能出现的区域；多蚁群重构模块是根据启发式直方图性和信息素大小将蚁群进行重新分配，并形成相应的信息素场；细胞身份管理与状态提取模块是通过快速蚁群聚类算法来提取细胞的数目与状态，并通过某细胞对应的蚁群中有身份识别属性和无身份识别属性的蚂蚁比例来确定该细胞的身份属性。

先验蚁群分布模块旨在给出蚁群的初始分布，其实现是通过一种有效的细胞图像背景提取技术，具体步骤为：

1）色彩空间转换：对于视频任一帧RGB图像，像素i的RGB强度可表示为z_i(k)=[R_i(k),G_i(k),B_i(k)]^T，其对应的rgI色彩强度可表示

r_i(k)=R_i(k)/(R_i(k)+G_i(k)+B_i(k))

为：g_i(k)=G_i(k)/(R_i(k)+G_i(k)+B_i(k))；

I_i(k)=(R_i(k)+G_i(k)+B_i(k))/256

2）背景概率：像素i属于背景的概率为其中d_i(k)表示上述三个颜色通道r,g,I之一的d在第k帧第i个像素的强度，d_i(j)表示三个颜色通道r,g,I之一的d在集合Ω={z(0),z(k₀),z(2k₀),...,z((N-1)k₀)}中的第j个分量的第i个像素的强度；median|·|表示均值绝对偏差。

3）先验蚁群产生：针对图像中任一像素i，随机产生一随机数r，若则将蚂蚁置放在该像素i上，否则，该像素i不分配任何蚂蚁；

4）通过上述3个步骤，可将一幅图像上所有像素按概率分配蚂蚁先验所在位置(如图3所示)。

多蚁群重构模块将先验蚁群分布模块产生的蚁群和上一帧蚁群状态的一步预测蚁群(通过线性动态方程一步预测)一起进行重新分布，即形成多个蚁群，每个蚁群对应细胞存在的位置。

1）初始化：图像上任一个像素p所在位置给定信息量τ(0,p)=c，且初始的扩散输入q(0,p)=0；

2）对于蚂蚁在像素p所在位置，按概率选择下一像素j，即 $P_{p,j}\left(t\right)=\left\{\begin{array}{cc}0& \mathrm{if}\underset{l\&Element;N\left(p\right)}{\mathrm{\&Sigma;}}{\mathrm{\&eta;}}_l<T1\\ \frac{{\left(\mathrm{\&tau;}(t,j)\right)}^{\mathrm{\&alpha;}}{\left({\mathrm{\&eta;}}_j\right)}^{\mathrm{\&beta;}}}{\underset{l\&Element;N\left(p\right)}{\mathrm{\&Sigma;}}{\left(\mathrm{\&tau;}(t,l)\right)}^{\mathrm{\&alpha;}}{\left({\mathrm{\&eta;}}_l\right)}^{\mathrm{\&beta;}}}& \mathrm{otherwise}\end{array}\right.,$ 其中似然函数定义为 ${\mathrm{\&eta;}}_p={\left(e^{-\mathrm{\&rho;}{(1-g_p)}^{\mathrm{\&gamma;}}}\right)}^{\mathrm{\&xi;}}$ 和 $g_p=\frac{1}{\left|T\right\{0\left\}\right|}\underset{i=1}{\overset{\left|T\right\{0\}|}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\min (u_p\left(j\right),{\tilde{u}}_i\left(j\right)),$ 是模板库T{0}中的第j个分量，T1为阈值，α,β为控制参数，N(p)为像素p的近邻像素(最多4个，上、下、左、右)；同时释放一定量的信息素r^(·)(t,j)=△τ₀(像素j)r^(·)(t,p)=△τ₁(未选择，像素p)；

3）当所有蚂蚁按上述概率完成选择后，更新每个像素信息素水平 $\mathrm{\&tau;}(t+1,p)=E*\mathrm{\&tau;}(t,p)+\underset{i}{\mathrm{\&Sigma;}}{r}^{\left(i\right)}(t,p)+q(t,p);$

4）同时计算下一时刻信息素扩散输入 $q(t+1,p)=\underset{p\&Element;N\left(p^{\&prime;}\right)}{\mathrm{\&Sigma;}}\frac{D}{\left|N\left(p^{\&prime;}\right)\right|}(\underset{i}{\mathrm{\&Sigma;}}{r}^{\left(i\right)}(t,p^{\&prime;})+q(t,p^{\&prime;}));$

5）对那些像素的信息素水平小于某阈值时，此像素在随后将不再考虑；

6）继续步骤2-5，直至所需的迭代次数，结果如图4所示。

细胞身份管理与状态提取模块将上述蚁群进行快速聚类，并与细胞身份相关联；快速聚类的方法如下：

1）在当前的信息素场中，找出信息素水平最高的那个像素，以及所对应的蚂蚁a_i，其当前位置为i；

2）按概率选择下一像素位置j；

3）若将为聚类中心，将满足与该中心距离小于μ的蚂蚁归为此类；将 $\min (\mathrm{\&tau;}\left({\tilde{z}}_{\stackrel{\&OverBar;}{j}}\left(k\right)\right),\mathrm{\&tau;}\left(Z_i\right))/\max (\mathrm{\&tau;}\left({\tilde{z}}_{\stackrel{\&OverBar;}{j}}\left(k\right)\right),\mathrm{\&tau;}\left(Z_i\right))>T2$ 和 $\mathrm{\&mu;}<d({\tilde{z}}_{\stackrel{\&OverBar;}{j}}\left(k\right),Z_i)<2\mathrm{\&mu;}$ 同时满足的蚂蚁也归为此类；类的中心即为细胞位置；

否则，继续执行步骤2；

4）对于剩余的蚁群，执行步骤1－3，直至剩余蚂蚁为空。

细胞身份管理的具体步骤为：

1）对于当前某个蚁群，若所有的蚂蚁均没有身份标记，则表示新细胞产生，并标记身份；

2）在当前某个蚁群中，若某同一身份标记的蚂蚁数量与其原来蚁群数量比例(记为q_i)超过某阈值T3，则按(P_i表示身份标识为i的蚂蚁数量与当前蚁群蚂蚁数量比例)来标识当前蚁群类所对应细胞的身份；否则按最近邻法标识当前蚁群类所对应的细胞身份。

经过细胞身份管理与状态提取模块，细胞跟踪结果如图5所示。

Claims (1)

1.一种基于图像背景提取前提的蚁群多细胞跟踪方法，其特征在于对截取的原始图像区域，通过三个方法：先验蚁群分布方法、多蚁群重构方法、细胞身份管理与状态提取方法的分析，实现多细胞的自动跟踪；所述先验蚁群分布方法根据原始图像背景概率估计结果将蚁群按概率分布在细胞最可能出现的区域；所述多蚁群重构方法根据启发式直方图性和信息素大小将蚁群进行重新分配，并形成相应的信息素场；所述细胞身份管理与状态提取方法通过快速蚁群聚类算法来提取细胞的数目与状态，并通过某细胞对应的蚁群中有身份识别属性和无身份识别属性的蚂蚁比例来确定该细胞的身份属性；

所述先验蚁群分布方法旨在给出蚁群的初始分布，其通过细胞图像背景提取技术实现，具体步骤为：

1)色彩空间转换：对于视频任一帧RGB图像，像素i的RGB强度可表示为z_i(k)＝[R_i(k),G_i(k),B_i(k)]^T，其对应的rgI色彩强度可表示为：

r_i(k)＝R_i(k)/(R_i(k)+G_i(k)+B_i(k))

g_i(k)＝G_i(k)/(R_i(k)+G_i(k)+B_i(k))；

I_i(k)＝(R_i(k)+G_i(k)+B_i(k))/256

2)背景概率：像素i属于背景的概率为其中d_i(k)表示上述三个颜色通道r,g,I之一的d在第k帧第i个像素的强度，d_i(j)表示三个颜色通道r,g,I之一的d在集合Ω＝{z(0),z(k₀),z(2k₀),...,z((N-1)k₀)}中的第j个分量的第i个像素的强度，其中k₀是一个正整数；median|·|表示均值绝对偏差；

3)先验蚁群产生：针对图像中任一像素i，随机产生一随机数r，若则将蚂蚁置放在该像素i上，否则，该像素i不分配任何蚂蚁；

4)通过上述3个步骤，可将一幅图像上所有像素按概率分配蚂蚁先验所在位置；

所述多蚁群重构方法旨在将先验蚁群分布方法产生的蚁群和上一帧蚁群状态的一步预测蚁群一起进行重新分布，即形成多个蚁群，每个蚁群对应细胞存在的位置，具体步骤为：

(a)初始化：图像上任一个像素p所在位置给定信息量τ(0,p)＝c，且初始的扩散输入q(0,p)＝0；

(b)对于蚂蚁在像素p所在位置，按概率选择下一像素j，即 $p_{p,j}\left(t\right)\left\{\begin{array}{cc}0& \begin{array}{cc}if& \underset{l\&Element;N\left(p\right)}{\&Sigma;}{\mathrm{\&eta;}}_l<T1\end{array}\\ \frac{{\left(\mathrm{\&tau;}\right(t,j\left)\right)}^{\mathrm{\&alpha;}}{\left({\mathrm{\&eta;}}_j\right)}^{\mathrm{\&beta;}}}{\underset{l\&Element;N\left(p\right)}{\&Sigma;}{\left(\mathrm{\&tau;}\right(t,l\left)\right)}^{\mathrm{\&alpha;}}{\left({\mathrm{\&eta;}}_l\right)}^{\mathrm{\&beta;}}}& otherwise\end{array}\right.,$ 其中似然函数定义为 ${\mathrm{\&eta;}}_p={\left(e^{-\mathrm{\&rho;}{(1-g_p)}^{\mathrm{\&gamma;}}}\right)}^{\mathrm{\&xi;}}$ 和γ是一个调节常数，ξ是一个调节常数，u_p(j)是像素p所对应的方块直方图的第j个分量，是模板库T{0}中的第j个分量，T1为阈值，α,β为控制参数；N(p)为像素p的近邻像素，其中近邻像素是指分布在像素p的正上方、正下方、正左方或正右方的像素，且近邻像素个数最多为4个；若下一像素j被蚂蚁选择，则在像素j上释放一定量的信息素r^(·)(t,j)＝Δτ₀，反之，则在像素p上释放一定量的信息素r^(·)(t,p)＝Δτ₁；

(c)当所有蚂蚁按上述概率完成选择后，更新每个像素信息素水平E表示信息素残留系数、r⁽ⁱ⁾(t,p)是蚂蚁i在第t次迭代过程中释放在像素p上的信息素量；

(d)同时计算下一时刻信息素扩散输入 $q(t+1,p)=\underset{p\&Element;N\left(p^{\&prime;}\right)}{\&Sigma;}\frac{D}{\left|N\left(p^{\&prime;}\right)\right|}\left(\underset{i}{\&Sigma;}{r}^{\left(i\right)}\right(t,p^{\&prime;})+q(t,p^{\&prime;}));$ D为信息素扩散系数；

(e)对那些像素的信息素水平小于某阈值时，此像素在随后将不再考虑；

(f)继续上述步骤b-e，直至所需的迭代次数；

所述细胞身份管理与状态提取方法旨在根据多蚁群重构方法所得到的图像信息素场和蚁群所在位置，来确定细胞位置与身份；该方法将上述蚁群进行快速聚类，并与上一帧的细胞身份相关联；

所述快速聚类的具体步骤为：

(i)在当前的信息素场中，找出信息素水平最高的那个像素，以及所对应的蚂蚁a_i，其当前位置为i；

(ii)按概率选择下一像素位置j；是指具有色彩强度的像素j上的信息素大小，是第k帧像素j上的rgI色彩强度；

(iii)若将为聚类中心，将满足与该中心距离小于μ的蚂蚁归为此类；将 $min\left(\mathrm{\&tau;}\right({\tilde{z}}_{\stackrel{\&OverBar;}{j}}\left(k\right)),\mathrm{\&tau;}\left(Z_i\right))/max\left(\mathrm{\&tau;}\right({\tilde{z}}_{\stackrel{\&OverBar;}{j}}\left(k\right)),\mathrm{\&tau;}\left(Z_i\right))>T2$ 和 $\mathrm{\&mu;}<d\left({\tilde{z}}_{\stackrel{\&OverBar;}{j}}\right(k),Z_i)<2\mathrm{\&mu;}$ 同时满足的蚂蚁也归为此类；类的中心即为细胞位置；其中T2为阈值；

否则，继续执行步骤2；

(iv)对于剩余的蚁群，执行步骤(i)－(iii)，直至剩余蚂蚁为空；

所述细胞身份管理的具体步骤为：

(I)对于当前某个蚁群，若所有的蚂蚁均没有身份标记，则表示新细胞产生，并标记身份；

(II)在当前某个蚁群中，将某同一身份标记的蚂蚁数量与其原来蚁群数量比例记为q_i，若q_i超过某阈值T3，则按来标识当前蚁群类所对应细胞的身份，其中P_i表示身份标识为i的蚂蚁数量与当前蚁群蚂蚁数量比例；否则按最近邻法标识当前蚁群类所对应的细胞身份。