CN103268617B - 一种基于蚁群系统的多细胞多参数的联合估计与精确跟踪系统 - Google Patents

Abstract

本发明提供了一种基于蚁群系统的多细胞多参数（位置、速度、轮廓等）的联合估计与精确跟踪系统，属于细胞跟踪领域。通过对每一幅灰度图像，定义相应的局部区域灰度方差来生成蚁群初始位置分布；在此基础上，构建两个平行工作且相互独立的信息素场，即位置场和轮廓场，分别在细胞位置估计模块和细胞轮廓估计模块构建有界蚁群决策系统；最终精确估计出细胞的位置、速度与轮廓等重要参数，从而实现对多细胞的精确跟踪。通过有界启发式蚁群系统相互合作，无需细胞检测模块、无需大量的细胞训练样本，解决了在低对比度细胞图像序列下多细胞动力学参数及多细胞轮廓联合估计与跟踪的难题。

Description

一种基于蚁群系统的多细胞多参数的联合估计与精确跟踪系统

技术领域

本发明提供了一种基于蚁群系统的多细胞多参数（位置、速度、轮廓等）的联合估计与精确跟踪系统，属于细胞跟踪领域。

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。

近年来，与确定性细胞跟踪算法相比，基于概率(随机)的多细胞跟踪技术发展较快，其中典型的有两个技术，一是SMAL博士提出了一种基于检测环节的粒子滤波器细胞跟踪技术，虽然跟踪精度高，但所用参数多，适用性一般，推广性差。二是REZA教授提出的基于随机有限集的、先于测量的多细胞跟踪技术，该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。

发明内容

本发明旨在解决在低对比度细胞图像序列下多细胞动力学参数及多细胞轮廓联合估计难题，即对多细胞动力学特性存在差异、多细胞发生变形、细胞数目时变及近距离细胞等情形，在无需细胞检测模块、无需大量的细胞训练样本、在图像灰度方差信息的基础上，通过有界启发式蚁群系统相互合作，解决多细胞多参数估计与跟踪难题。

本发明提供了一种基于蚁群系统的多细胞多参数（位置、速度、轮廓等）的联合估计与精确跟踪系统。

所述多细胞多参数（位置、速度、轮廓等）的联合估计与精确跟踪包括以下步骤：

（1）对于每一幅灰度图像，定义相应的局部区域灰度方差来生成蚁群初始位置分布；

（2）在此基础上，构建两个平行工作且相互独立的信息素场，即位置场和轮廓场，分别在细胞位置估计模块和细胞轮廓估计模块构建有界蚁群决策系统；

（3）最终精确估计出细胞的位置、速度与轮廓等重要参数，从而实现对多细胞的精确跟踪。

所述多细胞多参数的联合估计，分为两块，分别为同一帧细胞内轮廓与细胞位置的关联、帧与帧细胞关联，这两种关联均采用近邻关联方法以实现多细胞位置与轮廓联合跟踪。

所述细胞位置估计模块的蚁群初始分布，是通过局部灰度方差技术和细胞动力学特性联合产生。

所述细胞轮廓估计模块的蚁群初始分布，是通过局部灰度方差技术来产生。

所述通过局部灰度方差技术产生初始蚁群的具体步骤为：

（1）对于灰度图像任一像素(i,j)，强度I_(i,j)已知，其局部区域(近邻8个像素)灰度方差定义为：

$\mathrm{\Δ}{\mathrm{\σ}}_{(i,j)}=\frac{1}{\left|N_{(i,j)}\right|}\underset{(i\text{'},j\text{'})\∈N_{(i,j)}}{\mathrm{\Σ}}(I_{(i\text{'},j\text{'})}-\stackrel{\‾}{I}\left(N_{(i,j)}\right){)}^2$

其中N_(i,j)表示像素(i,j)的近邻像素集合,表示集合N_(i,j)的平均强度,|N_(i,j)|表示集合N_(i,j)个数；

（2）归一化： $\mathrm{\Δ}{\widetilde{\mathrm{\σ}}}_{(i,j)}=\mathrm{\Δ}{\mathrm{\σ}}_{(i,j)}/\max \left(\mathrm{\Δ}{\mathrm{\σ}}_{(\·,\·)}\right);$

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

通过上述3个步骤，可将一幅灰度图像上所有像素按概率分配蚂蚁所在位置，所生成的蚁群称为先验初始蚁群。

所述通过细胞动力学特性产生初始蚁群的具体步骤为：

（1）将上一帧t-1蚁群进行分类，即对任一蚂蚁，随机产生一随机数q，若q＜q₀，则该蚂蚁分配至Ω₁集合中，反之，分配在Ω₂集合中；

（2）在Ω₁集合中的蚂蚁，在下一帧的状态由假定的细胞动力学特性产生，即代表状态转移密度函数)；对于Ω₂集合中的蚂蚁，在下一帧的状态由服从高斯分布的产生，其中 $x_{t-1}^{\left(j\right)}=\underset{x_{t-1}^{\left(j\right)}\∈{\mathrm{\Ω}}_2}{\arg \max }\left(p_t\left(z_t\right|f\left(x_{t-1}^{\left(j\right)}\right))\right),$ F为状态转移矩阵,ξ是高斯随机变量，均值为1方差为σ²,为似然密度函数， $Q_{1t}={\mathrm{\σ}}^2\mathrm{diag}({\left(x_{t-1}^{(j,1)}\right)}^2,...{\left(x_{t-1}^{(j,4)}\right)}^2)$ 为过程协方差，表示矢量的第i个分量；

（3）按上述两步骤，产生的初始蚁群我们称之为预测初始蚁群分布。

所述细胞位置估计模块旨在将蚁群初始分布模块(预测初始蚁群+先验初始蚁群)进行重新分布，即形成多个蚁群，对应的位置信息素场是多峰态的，每个蚁群估计一个细胞存在的位置；根据上述得到的位置信息素场和蚁群所在位置，来确定细胞位置与数据关联，首先将上述最后一次得到的蚁群进行快速聚类，并与上一帧的细胞进行最近邻法关联，最后，对于两两类中心距离小于某一阈值的，进行合并，重新计算类中心。具体步骤如下：

1）初始化：图像上任一个像素(i,j)所在位置给定信息量且初始的扩散输入 $q_{(i,j)}^L\left(0\right)=0;$

2）对于蚂蚁在像素(i,j)所在位置，按概率选择下一像素，即 $P_{(i,j)\→(i^{\′},j^{\′})}^L\left(\hat{t}\right)=\left\{\begin{array}{cc}\frac{W\left({\mathrm{\τ}}_{(i^{\′},j^{\′})}^L\left(\hat{t}\right)\right){\mathrm{\η}}_{(i^{\′},j^{\′})}}{\underset{(m,n)\∉{\mathrm{\Ω}}_b}{\underset{(m,n)\∈N_{(i,j)}}{\mathrm{\Σ}}}W\left({\mathrm{\τ}}_{(m,n)}^L\left(\hat{t}\right)\right){\mathrm{\η}}_{(m,n)}}& \mathrm{if}{N}_{(i,j)}\⊂⃒{\mathrm{\Ω}}_b\\ 0& \mathrm{otherwise}\end{array}\right.,$ 其中位置信息素函数 $W\left({\mathrm{\τ}}_{(i\text{'},j\text{'})}^L\left(\hat{t}\right)\right)={(1+\frac{{\mathrm{\τ}}_{(i\text{'},j\text{'})}^L\left(\hat{t}\right)}{1+\mathrm{\α}\·{\mathrm{\τ}}_{(i^{\′},j^{\′})}^L\left(\hat{t}\right)})}^{\mathrm{\β}},$ α,β为控制参数；似然函数定义为 ${\mathrm{\η}}_{(i\text{'},j\text{'})}={\left(\exp {(-\mathrm{\ρ}(1-\frac{1}{\left|\mathrm{TP}\right|}\underset{i=1}{\overset{\left|\mathrm{TP}\right|}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\min \{u_{(i\text{'},j\text{'})}\left(j\right),u_{\mathrm{temp},i}\left(j\right)\})}^{\mathrm{\υ}}\right))}^{\mathrm{\υ}},$ ρ,υ为控制参，u_temp,i表示模板库第i个细胞样本的直方图，u_(i′,j′)表示像素(i′,j′)的直方图,n表示直方图u中分量数目,|TP|模板库中细胞样本个数。

3）当每个蚂蚁完成m次决策后，需要对其决策的像素进行信息素更新

$r^L\left(\hat{t}\right)=\left\{\begin{array}{cc}(c_1+c_0)\·(l-e^{-\hat{t}/T1})& \mathrm{if}{\mathrm{\η}}_m^{\max }>{\mathrm{\τ}}_1,D_m^{\max }>m/2\\ c_0\·(1-e^{-\hat{t}/T1})& \mathrm{otherwise}\end{array}\right.,$ 其中c₁,c₀,τ₁,T₁为常数,表示在m次决策中η的最小值,表示在m次决策中在x方向或y方向最大移动距离。

4）当所有蚂蚁完成m次决策，更新位置信息素场的每个像素信息素水平 ${\mathrm{\τ}}_{(i,j)}^L(\hat{t}+1)=E\·{\mathrm{\τ}}_{(i,j)}^L\left(\hat{t}\right)+r_{(i,j)}^L\left(\hat{t}\right)+q_{(i,j)}^L\left(\hat{t}\right);$

5）同时计算下一时刻位置信息素场的信息素扩散输入 $q_{(i,j)}^L\left(\hat{t}\right)=\underset{(i\text{'},j\text{'})\∈N_{(i,j)}}{\mathrm{\Σ}}\frac{D}{\left|N_{(i\text{'},j\text{'})}\right|}(r_{(i\text{'},j\text{'})}^L(\hat{t}-1)+q_{(i\text{'},j\text{'})}^L(\hat{t}-1));$

6）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；

7）继续上述步骤2-6，直至所需的迭代次数；

根据上述得到的位置信息素场和蚁群所在位置，来确定细胞位置与数据关联，首先将上述最后一次得到的蚁群进行快速聚类，并与上一帧的细胞进行最近邻法关联；快速聚类方法如下：

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

2）将Z_i＝(i,j)为聚类中心，将满足与该中心距离小于μ的蚂蚁归为此类；将和同时满足的蚂蚁也归为此类；类的中心即为细胞位置；

3）对于剩余的蚁群，执行步骤1－2，直至剩余蚂蚁为空；

最后，对于两两类中心距离小于某一阈值的，进行合并，重新计算类中心。

所述细胞轮廓估计模块旨在利用先验初始蚁群分布，蚂蚁根据局部区域灰度方差，通过蚂蚁决策建模，所得到的轮廓信息素场是环状的，进而估计每个细胞的轮廓，根据得到的轮廓信息素场，进行二值化、形态学和填充三步简单处理，即可得到所需细胞轮廓。步骤如下：

1）初始化：图像上任一个像素(i,j)所在位置给定信息量且初始的扩散输入 $q_{(i,j)}^C\left(0\right)=0;$

2）对于蚂蚁在像素(i,j)所在位置，按概率选择下一像素，即 $(i^{\&prime;},j^{\&prime;})=\left\{\begin{array}{cc}\underset{(i^{\&prime;},j^{\&prime;})\&NotElement;{\mathrm{\&Omega;}}_v}{\underset{(i^{\&prime;},j^{\&prime;})\&Element;N_{(i,j)}}{\arg \max }}\left({\left({\mathrm{\&tau;}}_{(i^{\&prime;},j^{\&prime;})}^C\left(\hat{t}\right)\right)}^{\mathrm{\&lambda;}}{\left(\mathrm{\&Delta;}{\widetilde{\mathrm{\&sigma;}}}_{(i^{\&prime;},j^{\&prime;})}\right)}^{\mathrm{\&zeta;}}{\left(W\left(\mathrm{\&Delta;}{\mathrm{\&theta;}}_{(i^{\&prime;},j^{\&prime;})}\right)\right)}^{\mathrm{\&gamma;}}\right)& \mathrm{ifq}<{\tilde{q}}_0\\ (\tilde{i},\tilde{j})& \mathrm{otherwise}\end{array}\right.$ 和 $P_{(i,j)\&RightArrow;(\tilde{i},\tilde{j})}^C\left(\hat{t}\right)=\left\{\begin{array}{cc}\frac{{\left({\mathrm{\&tau;}}_{(\tilde{i},\tilde{j})}^C\left(\hat{t}\right)\right)}^{\mathrm{\&lambda;}}{\left(\mathrm{\&Delta;}{\widetilde{\mathrm{\&sigma;}}}_{(\tilde{i},\tilde{j})}\right)}^{\mathrm{\&zeta;}}{\left(W\left(\mathrm{\&Delta;}{\mathrm{\&theta;}}_{(\tilde{i},\tilde{j})}\right)\right)}^{\mathrm{\&gamma;}}}{\underset{(m,n)\&NotElement;{\mathrm{\&Omega;}}_v}{\underset{(m,n)\&Element;N_{(i,j)}}{\mathrm{\&Sigma;}}}{\left({\mathrm{\&tau;}}_{m,n}^C\left(\hat{t}\right)\right)}^{\mathrm{\&lambda;}}{\left(\mathrm{\&Delta;}{\widetilde{\mathrm{\&sigma;}}}_{(m,n)}\right)}^{\mathrm{\&zeta;}}{\left(W\left(\mathrm{\&Delta;}{\mathrm{\&theta;}}_{(m,n)}\right)\right)}^{\mathrm{\&gamma;}}}& \mathrm{if}{N}_{(i,j)}\&NotSubset;{\mathrm{\&Omega;}}_v\\ 0& \mathrm{otherwise}\end{array}\right.,$ 其中λ,ζ,和γ为控制参数，分别对应轮廓信息素图像局部区域灰度方差蚂蚁航向变化量;Ω_v是当前蚂蚁已经访问过的像素集合;q是随数，为阈值，W(±0°)＝1/3,W(±45°)＝1/3,W(±90°)＝1/10,W(±135°)＝1/16，W(±180°)＝1/20。

3）当每个蚂蚁完成次决策后，需要对其决策的像素进行信息素更新

$r^C\left(\hat{t}\right)=\left\{\begin{array}{cc}Q\&CenterDot;(1-e^{-\hat{t}/T2})/\underset{m\text{'}=1}{\overset{\stackrel{\&OverBar;}{m}}{\mathrm{\&Sigma;}}}(1/\max \{\mathrm{\&Delta;}{\widetilde{\mathrm{\&sigma;}}}_{(m\text{'})},{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{\min }\left\}\right)& \mathrm{if\; std}{{\{1/{\mathrm{\&Delta;}\widetilde{\mathrm{\&sigma;}}}_{\left(m^{\&prime;}\right)}\}}_{m^{\&prime;}=1}^{\stackrel{\&OverBar;}{m}}<\mathrm{\&tau;}}_{0,}{D}_{\stackrel{\&OverBar;}{m}}^{\max }>\frac{\stackrel{\&OverBar;}{m}}{6},\\ c_0\&CenterDot;(1-e^{-\hat{t}/T2})& \mathrm{otherwise}\end{array}\right.$ 其中Q,τ₀,c₀,T2,为常数,std{·}表示集合的标准偏差,表示的是在第m′次决策中所对应像素的局部区域灰度方差。

4）当所有蚂蚁完成m次决策，更新轮廓信息素场的每个像素信息素水平 ${\mathrm{\&tau;}}_{(i,j)}^C(\hat{t}+1)=E\&CenterDot;{\mathrm{\&tau;}}_{(i,j)}^C\left(\hat{t}\right)+r_{(i,j)}^L\left(\hat{t}\right)+q_{(i,j)}^L\left(\hat{t}\right);$

5）同时计算下一时刻位置信息素场的信息素扩散输入 $q_{(i,j)}^C\left(\hat{t}\right)=\underset{(i\text{'},j\text{'})\&Element;N_{(i,j)}}{\mathrm{\&Sigma;}}\frac{D}{\left|N_{(i\text{'},j\text{'})}\right|}(r_{(i\text{'},j\text{'})}^C(\hat{t}-1)+q_{(i\text{'},j\text{'})}^C(\hat{t}-1));$

6）继续上述步骤2-5，直至所需的迭代次数；

根据上述得到的轮廓信息素场，进行二值化、形态学和填充三步简单处理，即可得到所需细胞轮廓，经过帧内及帧与帧关联算法，实现多细胞位置与轮廓联合跟踪。

所述多细胞的关联算法分为两块，分别为同一帧细胞内轮廓与细胞位置的关联、帧与帧细胞关联，但这两种关联均采用近邻关联方法。在同一帧内细胞轮廓与细胞位置关联，若细胞轮廓没有关联，则删除；在帧与帧细胞关联中，若当前帧估计的细胞及其轮廓没有被关联，则新细胞产生，若上一帧估计的细胞及其轮廓没有被关联，则该细胞离开图像跟踪区域。

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。

图像灰度方差：对于灰度图像任一像素(i,j)，强度I_(i,j)已知，其局部区域(近邻8个像素)灰度方差定义为：

${\mathrm{\&Delta;\&sigma;}}_{(i,j)}=\frac{1}{\left|N_{(i,j)}\right|}\underset{(i,\&prime;j\&prime;)\&Element;N_{(i,j)}}{\mathrm{\&Sigma;}}{(I_{(i\&prime;,j\&prime;)}-\stackrel{\&OverBar;}{I}\left(N_{(i,j)}\right))}^2$

其中N_(i,j)表示像素(i,j)的近邻像素集合,表示集合N_(i,j)的平均强度,|N_(i,j)|表示集合N_(i,j)个数。

有界蚁群系统：在上述蚁群系统基础上，对蚂蚁访问空间进行约束，本发明中所涉及的“约束”定义为：在细胞位置估计模块中，蚂蚁不能访问由图像局部灰度方差所生成的蚁群初始位置，最终期望蚂蚁通过相互协作、移动到细胞中心区域；在细胞轮廓估计模块中，蚂蚁尽可能访问灰度方差级在同一水平上的像素，最终期望所形成的环状的高信息素场匹配细胞轮廓。

采用本发明提供的系统，具有以下特点：

1）本发明所提出的有界的蚁群系统能精确联合跟踪多细胞的状态(位置与速度)与轮廓；

2）本发明所设计的方法跟踪稳定性高，虚警率、漏检率低，与手工跟踪方法相比，性能相当，但费时少；与SMAL博士提出的粒子滤波器细胞跟踪方法相比，通用性、适用性更强，与REZA教授提出的多贝努利滤波器相比，稳定性更好，多其性能与手动；

3）首次用蚁群技术解决多细胞多参数联合估计与跟踪问题，同时针对多个不同动力学特性的细胞且近距离的细胞取得了良好跟踪效果。

附图说明

图1本系统的结构图；

图2细胞跟踪的原始图像序列：（1）细胞序列1，（2）细胞序列2；

图3先验初始蚁群：（1）局部区域灰度方差，（2）先验蚁群分布；

图4蚁群在图像分布位置：深色，先验蚁群分布；浅色，预测初始蚁群分布；

图5细胞位置估计与跟踪结果：（1）细胞序列1，（2）细胞序列2；

图6细胞轮廓估计结果：（1）细胞序列1，（2）细胞序列2；

图7多细胞位置与轮廓联合跟踪结果：（1）细胞序列1，（2）细胞序列2。

具体实施方式

图1为本系统的结构图。如图1所示，针对图2的原始细胞（T细胞）图像序列每一帧原始图像，定义相应的局部区域灰度方差来生成蚁群初始位置分布。在此基础上，构建两个平行工作且相互独立的信息素场，即位置场和轮廓场，分别在细胞位置估计模块和细胞轮廓估计模块构建有界蚁群决策系统，最终精确估计出细胞的位置、速度与轮廓等重要参数，从而实现对多细胞的精确自动跟踪。

实施例1蚁群初始分布的建立

蚁群初始分布旨在给出蚁群在灰度图像中的初始分布，其实现是初始通过两个途径，对于随后的细胞位置估计模块，通过局部灰度方差技术和细胞动力学特性联合产生，而对于细胞轮廓估计模块，只通过局部灰度方差技术来产生。

（1）通过局部灰度方差技术产生初始蚁群：

1)对于灰度图像任一像素(i,j)，强度I_(i,j)已知，其局部区域(近邻8个像素)灰度方差定义为：

$\mathrm{\&Delta;}{\mathrm{\&sigma;}}_{(i,j)}=\frac{1}{\left|N_{(i,j)}\right|}\underset{(i\text{'},j\text{'})\&Element;N_{(i\text{'},j\text{'})}}{\mathrm{\&Sigma;}}{(I_{(i\text{'},j\text{'})}-\stackrel{\&OverBar;}{I}\left(N_{(i,j)}\right))}^2$

其中N_(i,j)表示像素(i,j)的近邻像素集合,表示集合N_(i,j)的平均强度,|N_(i,j)|表示集合N_(i,j)个数。

2)归一化： $\mathrm{\&Delta;}{\widetilde{\mathrm{\&sigma;}}}_{(i,j)}=\mathrm{\&Delta;}{\mathrm{\&sigma;}}_{(i,j)}/\max \left(\mathrm{\&Delta;}{\mathrm{\&sigma;}}_{(\&CenterDot;,\&CenterDot;)}\right)$

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

通过上述3个步骤，可将一幅灰度图像上所有像素按概率分配蚂蚁所在位置，所生成的蚁群称为先验初始蚁群，如图3所示(如细胞序列1的第6帧)

（2）通过细胞动力学特性产生初始蚁群：

1)将上一帧t-1蚁群进行分类，即对任一蚂蚁，随机产生一随机数q，若q＜q₀，则该蚂蚁分配至Ω₁集合中，反之，分配在Ω₂集合中；

2)在Ω₁集合中的蚂蚁，在下一帧的状态由假定的细胞动力学特性产生，即代表状态转移密度函数)；对于Ω₂集合中的蚂蚁，在下一帧的状态由服从高斯分布的产生，其中 $x_{t-1}^{\left(j\right)}=\underset{x_{t-1}^{\left(j\right)}\&Element;{\mathrm{\&Omega;}}_2}{a\arg \max }\left(p_t\left(z_t\right|f\left(x_{t-1}^{\left(j\right)}\right))\right),$ F为状态转移矩阵,ξ是高斯随机变量，均值为1方差为σ²,为似然密度函数，为过程协方差，表示矢量的第i个分量；

3)按上述两步骤，产生的初始蚁群我们称之为预测初始蚁群分布。如图4所示(如细胞序列1的第10帧)。

实施例2多细胞位置估计与跟踪

细胞位置估计模块旨在将蚁群初始分布模块(预测初始蚁群+先验初始蚁群)进行重新分布，即形成多个蚁群，对应的位置信息素场是多峰态的，每个蚁群估计一个细胞存在的位置。步骤如下：

1）初始化：图像上任一个像素(i,j)所在位置给定信息量且初始的扩散输入 $q_{(i,j)}^L\left(0\right)=0;$

2）对于蚂蚁在像素(i,j)所在位置，按概率选择下一像素，即 $P_{(i,j)\&RightArrow;(i^{\&prime;},j^{\&prime;})}^L\left(\hat{t}\right)=\left\{\begin{array}{cc}\frac{W\left({\mathrm{\&tau;}}_{(i^{\&prime;},j^{\&prime;})}^L\left(\hat{t}\right)\right){\mathrm{\&eta;}}_{(i^{\&prime;},j^{\&prime;})}}{\underset{(m,n)\&NotElement;{\mathrm{\&Omega;}}_b}{\underset{(m,n)\&Element;N_{(i,j)}}{\mathrm{\&Sigma;}}}W\left({\mathrm{\&tau;}}_{(m,n)}^L\left(\hat{t}\right)\right){\mathrm{\&eta;}}_{(m,n)}}& \mathrm{if}{N}_{(i,j)}\&NotSubset;{\mathrm{\&Omega;}}_b\\ 0& \mathrm{otherwise}\end{array}\right.,$ 其中位置信息素函数 $W\left({\mathrm{\&tau;}}_{(i\text{'},j\text{'})}^L\left(\hat{t}\right)\right)={(1+\frac{{\mathrm{\&tau;}}_{(i\text{'},j\text{'})}^L\left(\hat{t}\right)}{1+\mathrm{\&alpha;}\&CenterDot;{\mathrm{\&tau;}}_{(i^{\&prime;},j^{\&prime;})}^L\left(\hat{t}\right)})}^{\mathrm{\&beta;}},$ α,β为控制参数；似然函数定义为 ${\mathrm{\&eta;}}_{(i\text{'},j\text{'})}={\left(\exp {(-\mathrm{\&rho;}(1-\frac{1}{\left|\mathrm{TP}\right|}\underset{i=1}{\overset{\left|\mathrm{TP}\right|}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\min \{u_{(i\text{'},j\text{'})}\left(j\right),u_{\mathrm{temp},i}\left(j\right)\})}^{\mathrm{\&upsi;}}\right))}^{\mathrm{\&upsi;}},$ ρ,υ为控制参，u_temp,i表示模板库第i个细胞样本的直方图，u_(i′,j′)表示像素(i′,j′)的直方图,n表示直方图u中分量数目,|TP|模板库中细胞样本个数。

3）当每个蚂蚁完成m次决策后，需要对其决策的像素进行信息素更新

$r^L\left(\hat{t}\right)=\left\{\begin{array}{cc}(c_1+c_0)\&CenterDot;(l-e^{-\hat{t}/T1})& \mathrm{if}{\mathrm{\&eta;}}_m^{\max }>{\mathrm{\&tau;}}_1,D_m^{\max }>m/2\\ c_0\&CenterDot;(1-e^{-\hat{t}/T1})& \mathrm{otherwise}\end{array}\right.,$ 其中c₁,c₀,τ₁,T1为常数,表示在m次决策中η的最小值,表示在m次决策中在x方向或y方向最大移动距离。

4）当所有蚂蚁完成m次决策，更新位置信息素场的每个像素信息素水平 ${\mathrm{\&tau;}}_{(i,j)}^L(\hat{t}+1)=E\&CenterDot;{\mathrm{\&tau;}}_{(i,j)}^L\left(\hat{t}\right)+r_{(i,j)}^L\left(\hat{t}\right)+q_{(i,j)}^L\left(\hat{t}\right);$

5）同时计算下一时刻位置信息素场的信息素扩散输入

$q_{(i,j)}^L\left(\hat{t}\right)=\underset{(i\text{'},j\text{'})\&Element;N_{(i,j)}}{\mathrm{\&Sigma;}}\frac{D}{\left|N_{(i\text{'},j\text{'})}\right|}(r_{(i\text{'},j\text{'})}^L(\hat{t}-1)+q_{(i\text{'},j\text{'})}^L(\hat{t}-1));$

6）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；

7）继续上述步骤2-6，直至所需的迭代次数；

根据上述得到的位置信息素场和蚁群所在位置，来确定细胞位置与数据关联，首先将上述最后一次得到的蚁群进行快速聚类，并与上一帧的细胞进行最近邻法关联。快速聚类方法如下：

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

2）将Z_i＝(i,j)为聚类中心，将满足与该中心距离小于μ的蚂蚁归为此类；将和同时满足的蚂蚁也归为此类；类的中心即为细胞位置；

3）对于剩余的蚁群，执行步骤1－2，直至剩余蚂蚁为空。

最后，对于两两类中心距离小于某一阈值的，进行合并，重新计算类中心。细胞位置估计与跟踪结果如图5所示。

实施例3多细胞位置与轮廓联合跟踪

细胞轮廓估计模块旨在利用先验初始蚁群分布，蚂蚁根据局部区域灰度方差，通过蚂蚁决策建模，所得到的轮廓信息素场是环状的，进而估计每个细胞的轮廓。步骤如下：

1）初始化：图像上任一个像素(i,j)所在位置给定信息量且初始的扩散输入 $q_{(i,j)}^C\left(0\right)=0;$

2）对于蚂蚁在像素(i,j)所在位置，按概率选择下一像素，即 $(i^{\&prime;},j^{\&prime;})=\left\{\begin{array}{cc}\underset{(i^{\&prime;},j^{\&prime;})\&NotElement;{\mathrm{\&Omega;}}_v}{\underset{(i^{\&prime;},j^{\&prime;})\&Element;N_{(i,j)}}{\arg \max }}\left({\left({\mathrm{\&tau;}}_{(i^{\&prime;},j^{\&prime;})}^C\left(\hat{t}\right)\right)}^{\mathrm{\&lambda;}}{\left(\mathrm{\&Delta;}{\widetilde{\mathrm{\&sigma;}}}_{(i^{\&prime;},j^{\&prime;})}\right)}^{\mathrm{\&zeta;}}{\left(W\left(\mathrm{\&Delta;}{\mathrm{\&theta;}}_{(i^{\&prime;},j^{\&prime;})}\right)\right)}^{\mathrm{\&gamma;}}\right)& \mathrm{ifq}<{\tilde{q}}_0\\ (\tilde{i},\tilde{j})& \mathrm{otherwise}\end{array}\right.$ 和 $P_{(i,j)\&RightArrow;(\tilde{i},\tilde{j})}^C\left(\hat{t}\right)=\left\{\begin{array}{cc}\frac{{\left({\mathrm{\&tau;}}_{(\tilde{i},\tilde{j})}^C\left(\hat{t}\right)\right)}^{\mathrm{\&lambda;}}{\left(\mathrm{\&Delta;}{\widetilde{\mathrm{\&sigma;}}}_{(\tilde{i},\tilde{j})}\right)}^{\mathrm{\&zeta;}}{\left(W\left(\mathrm{\&Delta;}{\mathrm{\&theta;}}_{(\tilde{i},\tilde{j})}\right)\right)}^{\mathrm{\&gamma;}}}{\underset{(m,n)\&NotElement;{\mathrm{\&Omega;}}_v}{\underset{(m,n)\&Element;N_{(i,j)}}{\mathrm{\&Sigma;}}}{\left({\mathrm{\&tau;}}_{m,n}^C\left(\hat{t}\right)\right)}^{\mathrm{\&lambda;}}{\left(\mathrm{\&Delta;}{\widetilde{\mathrm{\&sigma;}}}_{(m,n)}\right)}^{\mathrm{\&zeta;}}{\left(W\left(\mathrm{\&Delta;}{\mathrm{\&theta;}}_{(m,n)}\right)\right)}^{\mathrm{\&gamma;}}}& \mathrm{if}{N}_{(i,j)}\&NotSubset;{\mathrm{\&Omega;}}_v\\ 0& \mathrm{otherwise}\end{array}\right.,$ 其中λ,ζ,和γ为控制参数，分别对应轮廓信息素图像局部区域灰度方差蚂蚁航向变化量;Ω_v是当前蚂蚁已经访问过的像素集合;q是随数，为阈值，W(±0°)＝1/3,W(±45°)＝1/3,W(±90°)＝1/10,W(±135°)＝1/16，W(±180°)＝1/20。

3）当每个蚂蚁完成次决策后，需要对其决策的像素进行信息素更新

$r^C\left(\hat{t}\right)=\left\{\begin{array}{cc}Q\&CenterDot;(1-e^{-\hat{t}/T2})/\underset{m\text{'}=1}{\overset{\stackrel{\&OverBar;}{m}}{\mathrm{\&Sigma;}}}(1/\max \{\mathrm{\&Delta;}{\widetilde{\mathrm{\&sigma;}}}_{(m\text{'})},{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{\min }\left\}\right)& \mathrm{if\; std}{{\{1/{\mathrm{\&Delta;}\widetilde{\mathrm{\&sigma;}}}_{\left(m^{\&prime;}\right)}\}}_{m^{\&prime;}=1}^{\stackrel{\&OverBar;}{m}}<\mathrm{\&tau;}}_{0,}{D}_{\stackrel{\&OverBar;}{m}}^{\max }>\frac{\stackrel{\&OverBar;}{m}}{6},\\ c_0\&CenterDot;(1-e^{-\hat{t}/T2})& \mathrm{otherwise}\end{array}\right.$ 其中Q,τ₀,c₀,T2,为常数,std{·}表示集合的标准偏差,表示的是在第m′次决策中所对应像素的局部区域灰度方差。

4）当所有蚂蚁完成m次决策，更新轮廓信息素场的每个像素信息素水平 ${\mathrm{\&tau;}}_{(i,j)}^C(\hat{t}+1)=E\&CenterDot;{\mathrm{\&tau;}}_{(i,j)}^C\left(\hat{t}\right)+r_{(i,j)}^C\left(\hat{t}\right)+q_{(i,j)}^C\left(\hat{t}\right);$

5）同时计算下一时刻位置信息素场的信息素扩散输入 $q_{(i,j)}^C\left(\hat{t}\right)=\underset{(i\text{'},j\text{'})\&Element;N_{(i,j)}}{\mathrm{\&Sigma;}}\frac{D}{\left|N_{(i\text{'},j\text{'})}\right|}(r_{(i\text{'},j\text{'})}^C(\hat{t}-1)+q_{(i\text{'},j\text{'})}^C\left(\hat{t}-1\right));$

6）继续上述步骤2-5，直至所需的迭代次数；

根据上述得到的轮廓信息素场，进行二值化、形态学和填充三步简单处理，即可得到所需细胞轮廓。

经过帧内及帧与帧关联算法，多细胞位置与轮廓联合跟踪结果如图7所示

虽然本发明已以较佳实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可做各种的改动与修饰，因此本发明的保护范围应该以权利要求书所界定的为准。

Claims (2)

1.一种基于蚁群系统的多细胞多参数的联合估计与精确跟踪系统，其特征在于，所述系统是对于每一帧原始灰度图像，定义相应的局部区域灰度方差来生成蚁群初始位置分布，在此基础上，构建两个平行工作且相互独立的信息素场，即位置场和轮廓场，分别在细胞位置估计模块和细胞轮廓估计模块构建有界蚁群决策系统，最终精确估计出细胞的位置、速度与轮廓重要参数，从而实现对多细胞的精确跟踪；所述多细胞多参数的联合估计与跟踪，分为两种关联，分别为同一帧内细胞轮廓与细胞位置的关联、帧与帧细胞关联，这两种关联均采用近邻关联方法以实现多细胞位置与轮廓联合跟踪；

在同一帧内细胞轮廓与细胞位置关联，若细胞轮廓没有关联，则删除细胞轮廓；在帧与帧细胞关联中，若当前帧估计的细胞及其轮廓没有被关联，则新细胞产生，若上一帧估计的细胞及其轮廓没有被关联，则该细胞离开图像跟踪区域；

所述细胞位置估计模块的蚁群初始分布是通过局部灰度方差技术和细胞动力学特性联合产生；

所述细胞轮廓估计模块的蚁群初始分布通过局部灰度方差技术来产生；

通过局部灰度方差技术产生初始蚁群的具体步骤为：

(1)对于灰度图像任一像素(i,j)，强度I_(i,j)已知，其局部区域灰度方差定义为：

${\mathrm{\&Delta;\&sigma;}}_{(i,j)}=\frac{1}{\left|N_{(i,j)}\right|}\underset{(i^{\&prime;},j^{\&prime;})\&Element;N_{(i,j)}}{\&Sigma;}{(I_{(i^{\&prime;},j^{\&prime;})}-\stackrel{\&OverBar;}{I}(N_{(i,j)}\left)\right)}^2$

其中N_(i,j)表示像素(i,j)的近邻像素集合,表示集合N_(i,j)的平均强度,|N_(i,j)|表示集合N_(i,j)个数；

(2)归一化： $\mathrm{\&Delta;}{\widetilde{\mathrm{\&sigma;}}}_{(i,j)}={\mathrm{\&Delta;\&sigma;}}_{(i,j)}/\max \left({\mathrm{\&Delta;\&sigma;}}_{(\&CenterDot;,\&CenterDot;)}\right);$

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

通过上述(1)至(3)3个步骤，可将一幅灰度图像上所有像素按概率分配蚂蚁所在位置，所生成的蚁群称为先验初始蚁群；

通过细胞动力学特性产生初始蚁群的具体步骤为：

(a)将上一帧t-1蚁群进行分类，即对任一蚂蚁，随机产生一随机数q，若q＜q₀，则该蚂蚁分配至Ω₁集合中，反之，分配在Ω₂集合中，其中q₀为一个阈值，其大小在0和1之间；

(b)在Ω₁集合中的蚂蚁，在下一帧的状态由假定的细胞动力学特性产生，即其中表示在集合Ω₁集合中的蚂蚁i在下一帧t所对应的预测状态，p_t|t-1(·|·)代表状态转移密度函数；对于Ω₂集合中的蚂蚁，在下一帧的状态由服从高斯分布的产生，其中 $x_{t-1}^{\left(j\right)}=\underset{x_{t-1}^{\left(j\right)}\&Element;{\mathrm{\&Omega;}}_2}{\arg max}\left(p_t\right(z_t|f\left(x_{t-1}^{\left(j\right)}\right)\left)\right),$ F为状态转移矩阵,ξ是高斯随机变量，均值为1方差为σ²,为似然密度函数， $Q_{1t}={\mathrm{\&sigma;}}^{2}diag({\left(x_{t-1}^{\left(j,1\right)}\right)}^2,...{\left(x_{t-1}^{\left(j,4\right)}\right)}^2)$ 为过程协方差，表示矢量的第i个分量；

按上述(a)和(b)两步骤，产生的初始蚁群称之为预测初始蚁群分布；

所述细胞位置估计模块是将蚁群初始分布模块，即预测初始蚁群和先验初始蚁群，进行重新分布，即形成多个蚁群，对应的位置信息素场是多峰态的，每个蚁群估计一个细胞存在的位置，具体步骤如下：

(A)初始化：图像上任一个像素(i,j)所在位置给定信息量且初始的扩散输入 $q_{(i,j)}^L\left(0\right)=0;$

(B)对于蚂蚁在像素(i,j)所在位置，按概率选择下一像素，即 $P_{\left(i,j\right)\&RightArrow;\left(i^{\&prime;},j^{\&prime;}\right)}^L\left(\hat{t}\right)=\left\{\begin{array}{cc}\frac{W\left({\mathrm{\&tau;}}_{\left(i^{\&prime;},j^{\&prime;}\right)}^L\left(\hat{t}\right)\right){\mathrm{\&eta;}}_{\left(i^{\&prime;},j^{\&prime;}\right)}}{\underset{\left(m,n\right)\&NotElement;{\mathrm{\&Omega;}}_b}{\underset{\left(m,n\right)\&Element;N_{\left(i,j\right)},}{\mathrm{\&Sigma;}}}W\left({\mathrm{\&tau;}}_{\left(m,n\right)}^L\left(\hat{t}\right)\right){\mathrm{\&eta;}}_{\left(m,n\right)}}& if{N}_{\left(i,j\right)}\&NotSubset;{\mathrm{\&Omega;}}_b\\ 0& otherwise\end{array}\right.,$ 其中位置信息素函数α,β为控制参数；似然函数定义为 ${\mathrm{\&eta;}}_{(i^{\&prime;},j^{\&prime;})}={\left(\exp \left(-\mathrm{\&rho;}{\left(1-\frac{1}{\left|TP\right|}\underset{i=1}{\overset{\left|TP\right|}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}\min \left\{u_{\left(i^{\&prime;},j^{\&prime;}\right)}\left(j\right),u_{temp,i}\left(j\right)\right\}\right)}^{\mathrm{\&upsi;}}\right)\right)}^{\mathrm{\&upsi;}},$ ρ,υ为控制参数，u_temp,i表示模板库第i个细胞样本的直方图，u_(i′,j′)表示像素(i′,j′)的直方图,n表示直方图u中分量数目,|TP|代表模板库中细胞样本个数；N_(i,j)表示像素(i,j)的近邻像素集合；

(C)当每个蚂蚁完成m次决策后，需要对其决策的像素进行信息素更新 $r^L\left(\hat{t}\right)=\left\{\begin{array}{cc}(c_1+c_0)\&CenterDot;(1-e^{-\hat{t}/T1})& if{\mathrm{\&eta;}}_m^{\min }>{\mathrm{\&tau;}}_1,D_m^{\max }>m/2\\ c_0\&CenterDot;(1-e^{-\hat{t}/T1})& otherwise\end{array}\right.,$ 其中c₁,c₀,τ₁,T1为常数,表示在m次决策中η的最小值,表示在m次决策中在x方向或y方向最大移动距离；

(D)当所有蚂蚁完成m次决策，更新位置信息素场的每个像素信息素水平 ${\mathrm{\&tau;}}_{(i,j)}^L(\hat{t}+1)=E\&CenterDot;{\mathrm{\&tau;}}_{(i,j)}^L\left(\hat{t}\right)+r_{(i,j)}^L\left(\hat{t}\right)+q_{(i,j)}^L\left(\hat{t}\right);$

(F)同时计算下一时刻位置信息素场的信息素扩散输入 $q_{(i,j)}^L\left(\hat{t}\right)=\underset{(i^{\&prime;},j^{\&prime;})\&Element;N_{(i,j)}}{\&Sigma;}\frac{D}{\left|N_{(i^{\&prime;},j^{\&prime;})}\right|}\left(r_{\left(i^{\&prime;},j^{\&prime;}\right)}^L\right(\hat{t}-1)+q_{\left(i^{\&prime;},j^{\&prime;}\right)}^L(\hat{t}-1\left)\right);$

(G)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；

(H)继续上述步骤(B)至(G)，直至所需的迭代次数；

根据得到的位置信息素场和蚁群所在位置，来确定细胞位置与数据关联，首先将最后一次得到的蚁群进行快速聚类，并与上一帧的细胞进行最近邻法关联，最后，对于两两类中心距离小于某一阈值的，进行合并，重新计算类中心；

所述快速聚类，方法如下：

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

(ii)将Z_i＝(i,j)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 $min({\mathrm{\&tau;}}_{\left(\stackrel{\&OverBar;}{i},\stackrel{\&OverBar;}{j}\right)}^L,{\mathrm{\&tau;}}_{(i,j)}^L)/max({\mathrm{\&tau;}}_{\left(\stackrel{\&OverBar;}{i},\stackrel{\&OverBar;}{j}\right)}^L,{\mathrm{\&tau;}}_{(i,j)}^L)>T2$ 和 $\mathrm{\&mu;}<d\left(\right(\stackrel{\&OverBar;}{i},\stackrel{\&OverBar;}{j}),(i,j\left)\right)<2\mathrm{\&mu;}$ 同时满足的蚂蚁也归为此类；类的中心即为细胞位置；T2为一个阈值常数，用于比较两个像素点(i,j)、信息素水平；

(iii)对于剩余的蚁群，执行步骤1－2，直至剩余蚂蚁为空；

所述细胞轮廓估计模块是利用先验初始蚁群分布，通过蚂蚁决策建模，所得到的轮廓信息素场是环状的，进而估计每个细胞的轮廓，具体步骤如下：

(I)初始化：图像上任一个像素(i,j)所在位置给定信息量且初始的扩散输入 $q_{(i,j)}^C\left(0\right)=0;$

(II)对于蚂蚁在像素(i,j)所在位置，按概率选择下一像素，即和其中λ,和γ为控制参数，分别对应轮廓信息素图像局部区域灰度方差蚂蚁航向变化量Ω_v是当前蚂蚁已经访问过的像素集合；q是随机数，为阈值，W(±0°)＝1/3,W(±45°)＝1/3,W(±90°)＝1/10,W(±135°)＝1/16，W(±180°)＝1/20；

(III)当每个蚂蚁完成m次决策后，需要对其决策的像素进行信息素更新 $r^C\left(\hat{t}\right)=\left\{\begin{array}{cc}Q\&CenterDot;\left(1-e^{-\hat{t}/T2}\right)/\underset{m^{\&prime;}=1}{\overset{\stackrel{\&OverBar;}{m}}{\&Sigma;}}\left(1/\max \left\{\mathrm{\&Delta;}{\widetilde{\mathrm{\&sigma;}}}_{\left(m^{\&prime;}\right)},{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{\min }\right\}\right)& ifstd{\left\{1/\mathrm{\&Delta;}{\widetilde{\mathrm{\&sigma;}}}_{\left(m^{\&prime;}\right)}\right\}}_{m^{\&prime;}=1}^{\stackrel{\&OverBar;}{m}}<{\mathrm{\&tau;}}_0,D_{\stackrel{\&OverBar;}{m}}^{\max }>\frac{\stackrel{\&OverBar;}{m}}{6}\\ c_0\&CenterDot;(1-e^{-\hat{t}/T2})& otherwise\end{array}\right.,$ 其中Q,τ₀,c₀,T2,为常数,std{·}表示集合的标准偏差,表示的是在第m′次决策中所对应像素的局部区域灰度方差；

(IV)当所有蚂蚁完成次决策，更新轮廓信息素场的每个像素信息素水平 ${\mathrm{\&tau;}}_{(i,j)}^C(\hat{t}+1)=E\&CenterDot;{\mathrm{\&tau;}}_{(i,j)}^C\left(\hat{t}\right)+r_{(i,j)}^C\left(\hat{t}\right)+q_{(i,j)}^C\left(\hat{t}\right);$

(V)同时计算下一时刻位置信息素场的信息素扩散输入 $q_{(i,j)}^C\left(\hat{t}\right)=\underset{(i^{\&prime;},j^{\&prime;})\&Element;N_{(i,j)}}{\&Sigma;}\frac{D}{\left|N_{\left(i^{\&prime;},j^{\&prime;}\right)}\right|}\left(r_{\left(i^{\&prime;},j^{\&prime;}\right)}^C\right(\hat{t}-1)+q_{\left(i^{\&prime;},j^{\&prime;}\right)}^C(\hat{t}-1\left)\right);$

(VI)继续上述步骤(II)至(V)，直至所需的迭代次数；

根据得到的轮廓信息素场，进行二值化、形态学和填充三步简单处理，即可得到所需细胞轮廓。

2.根据权利要求1所述基于蚁群系统的多细胞多参数的联合估计与精确跟踪系统在细胞跟踪中的应用。