CN103473739A - 一种基于支持向量机的白细胞图像精确分割方法与系统 - Google Patents

Abstract

本发明公开了一种基于支持向量机的白细胞图像精确分割方法与系统，所述方法包括：细胞核初始定位与分割，粗略膨胀获得细胞大致区域标记图，利用颜色特征和支持向量机分类器进行细胞精确分割。本发明所述方法，一方面根据人类视觉显著性注意机制，模拟人眼对图像边缘变化的敏感性，提出利用边缘颜色点对聚类，实现细胞核区域准确快速分割；另一方面，本发明采用的支持向量机分类器具有良好的稳定性与抗干扰性，同时本发明充分利用颜色信息及像素点之间的空间关系，改进了支持向量机分类器训练的训练样本采样方式，从而可以实现细胞小图内白细胞的精准分割。

Description

一种基于支持向量机的白细胞图像精确分割方法与系统

技术领域

本发明属于图像处理技术领域，更具体地，涉及一种基于支持向量机的白细胞图像精确分割方法与系统。

背景技术

血细胞自动分割与识别技术是近年来图像处理技术的热门研究方向之一。白细胞数目的增加与减少可以作为判断人体是否受到感染或存在炎症的主要判据，所以，利用计算机视觉技术实现白细胞的自动统计与分类可以协助医生实现快速分析与诊断。一般而言，白细胞自动分类识别系统包含三个主要步骤：细胞分割、特征提取、分类识别。而特征提取和分类识别均依赖于细胞分割的结果。因此，细胞分割是细胞分类识别系统中极其关键的步骤，保证细胞分割的精确性、鲁棒性、智能性和实时性是实现细胞分类识别系统的基础。

目前，典型的白细胞自动分割算法大都针对传统的标准染色方法（如Wright氏和Giemsa氏染色法）得到的染色效果图，其染色效果良好，图像颜色稳定，但其存在的严重缺陷是染色时间过长，难以满足临床检测诊断的实时性要求，同时会比较多地存在白细胞与红细胞粘连的情况，增加了准确分割的难度。为了改正传统染色方法存在的缺陷，科学家们已经发明了一种针对血液图像的新型快速染色试剂，该试剂的染色速度大大提高，每张图的染色时间从几十分钟减少到十几秒，同时会溶解掉红细胞，去除了白细胞与红细胞粘连的可能性。但快速染色带来的问题是染色不均匀且含有未彻底溶解掉的红细胞杂质。到目前为止，还没有一种有效的自动分割方法不仅能针对传统的标准染色图像，也能针对快速染色图像产生较好的图像分割效果。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于支持向量机的白细胞图像精确分割方法与系统，其目的在于不仅能够针对标准染色白细胞图像实现精确分割，也能够针对快速染色白细胞图像实现精确分割。

为实现上述目的，按照本发明的一个方面，提供了一种基于支持向量机的白细胞图像精确分割方法，包括：

（1）细胞核初始定位与分割：对原始染色白细胞彩色图像进行滤波处理并提取图像边缘，进而获取边缘特定邻域内的颜色点对，对颜色点对像素点进行聚类计算，并根据聚类结果对所述原始染色白细胞彩色图像进行全图扫描，对细胞核区域和非细胞核区域进行标记，将细胞核区域作为前景区域；

（2）粗略膨胀获得细胞大致区域标记图：对步骤（1）中滤波处理后的彩色图像进行过分割，得到多个不规则小区域；并对所述前景区域进行形态学膨胀，得到所述多个不规则小区域与膨胀后的前景区域相交的小区域集合；判断所述小区域集合中的小区域是否包含有图像边缘像素点，若有则将其从所述小区域集合中去除，得到处理后的小区域集合；将所述处理后的小区域集合与膨胀后的前景区域取并集，得到细胞大致区域标记图；

（3）利用颜色特征和支持向量机SVM分类器进行细胞精确分割：对原始染色白细胞彩色图像进行中值滤波，获得各个像素点在邻域内的红绿蓝三通道颜色中值；利用步骤（2）中过分割得到的多个不规则小区域和细胞大致区域标记图，分别对细胞区域和非细胞区域采样相同个数的样本训练点；基于所述样本训练点训练得到支持向量机模型，利用所述支持向量机模型对原始染色白细胞彩色图像进行分类，得到细胞精确分割图像。

本发明所述方法，一方面根据人类视觉显著性注意机制，模拟人眼对图像边缘变化的敏感性，提出利用边缘颜色点对聚类，实现细胞核区域准确快速分割；另一方面，本发明采用的支持向量机分类器具有良好的稳定性与抗干扰性，同时本发明充分利用颜色信息及像素点之间的空间关系，改进了支持向量机分类器训练的训练样本采样方式，从而可以实现细胞小图内白细胞的精准分割。

优选地，所述步骤（1）具体包括：

（11）对原始染色白细胞彩色图像进行滤波处理，并将滤波后的彩色图像转换为灰度图像；

（12）获取所述灰度图像的边缘，对每个边缘像素点，计算其邻域窗口内灰度值最大、最小的两个像素点，将这两个像素点的颜色值构成一组颜色点对；

（13）对所有边缘像素点的颜色点对进行聚类，训练得到混合高斯模型，并获得各类颜色点对的三通道颜色均值，将三通道颜色均值最低的一类记为细胞核类；

（14）利用所述高斯混合模型对所述滤波后的彩色图像进行全图扫描，判断各像素点是否是细胞核类像素点，并对细胞核类像素点和非细胞核类像素点进行二值标记，将细胞核区域标记为前景区域。

以上所述优选步骤（1）的优势在于其原理简单，且模拟人类视觉显著性注意机制、利用所述的边缘颜色点对训练混合高斯模型，能够在保证训练有效性和稳定性的前提下，大幅减少训练像素点数目，提高了算法速度。

优选地，所述对原始染色白细胞彩色图像进行滤波处理具体为：利用meanshift方法对原始染色白细胞彩色图像进行滤波处理；

需要指出的是，这里的滤波算法也可采用髙斯滤波、中值滤波、均值滤波等常用低通滤波算法，但是采用meanshift滤波的好处在于其综合考虑了空间与颜色距离，能够把一些小的纹理平滑掉，同时能够保留真正的边缘，为后续提取准确边缘做好准备。

优选地，所述获取灰度图像的边缘具体为：对所述灰度图像利用canny算子提取图像边缘点。

需要指出的是，这里也可以使用其他边缘提取算子（如：Sobel算子、Prewitt算子、Roberts算子、Laplacian算子），然而实验测试证明：相比而言，canny算子能够更准确地提取实际边缘。

优选地，所述计算灰度图像边缘点的颜色点对具体为：对于每个边缘像素点，获取其5×5邻域窗口内灰度最大、最小的两个像素点，并取这两个像素点的红绿蓝三通道颜色值构成颜色点对。

通过选取边缘像素点5×5邻域内像素点对的颜色信息作为聚类的输入特征，可以有效获取各类别典型像素点、降低聚类时的噪声干扰。

优选地，所述对所有边缘像素点的颜色点对进行聚类并标记细胞核类具体为：对所有边缘点的颜色点对利用混合高斯模型的EM算法进行聚类，将所有的像素点分为4类，训练得到混合高斯模型；获取4个类别的颜色均值，并将颜色均值灰度化后具有最低灰度的类别标记为细胞核类。

利用EM算法求解混合高斯模型已经是十分成熟的方法，且细胞核染色较深且相对稳定均匀，内聚性好。实验证明：利用混合高斯模型能够准确分割细胞核区域。

优选地，所述对滤波处理后的彩色图像进行过分割具体为利用分水岭算法对所述滤波处理后的彩色图像进行过分割。

当然，也可以采用其他过分割方法，例如模糊C均值、k-means（k均值）、基于EM求解的混合高斯模型等，但综合权衡过分割小区域的颜色一致性以及算法的时间损耗与复杂程度，分水岭分割性能相对最优。

优选地，所述步骤（3）中分别对细胞区域和非细胞区域采样相同个数的样本训练点具体包括：

对细胞区域和非细胞区域分配相同个数的样本训练点；

对细胞区域的采样采用分层抽样方式：首先统计细胞区域内不规则小区域的个数及各个小区域的像素点个数，然后将分配给细胞区域的总采样点个数按照各个小区域像素点个数占整个细胞区域像素点个数的比例分配到各个小区域内，最后按照均匀采样的方式在各小区域内进行采样；

非细胞区域的样本训练点采样方法同细胞区域完全一致。

对细胞区域和非细胞区域采样相同数目的样本训练点，可保证不同类别之间训练程度的均衡性；采用的分层抽样方法是基于在各个过分割小区域内进行均匀采样的，由于各个过分割小区域颜色特征基本一致，这样就确保了样本训练点的代表性与稳定性，细胞区域与非细胞区域不同颜色点特征尽可能全面地包含在训练模型中，防止训练时漏掉颜色特征信息。

优选地，所述步骤（3）中基于所述样本训练点训练得到支持向量机模型具体包括：

对每个样本训练点，选取其红绿蓝三个分量的灰度值作为该像素点的前3维特征，选取其邻域内各个像素点的红绿蓝三分量灰度中值作为后3维特征，共计6维特征；将各个样本训练点的6维特征及其类别标记输入支持向量机分类器进行训练，获得当前图像的支持向量机训练模型。

当然，此处还可以采用其他方式训练得到支持向量机模型，此处选取6维特征进行分类训练，考虑到了当前像素点与其空间邻域像素的位置关系，相当于在特征中增加了“空间信息”，相比于仅只利用当前像素颜色作为分类特征，6维更全面更具代表性；后3维特征也可选取邻域的其他信息，如颜色均值、梯度信息等，但是邻域颜色中值更能有效反映邻域颜色信息，且可防止噪声的干扰。实验测试证明：本发明采用的6维分类特征能够有效处理图像中模糊边缘，更精准地分割细胞与非细胞区域。

优选地，所述步骤（3）中根据所述支持向量机模型对全全图进行分类，得到细胞精确分割图像，该过程具体包括：

利用训练得到的支持向量机模型，对原始染色白细胞彩色图像进行分类，并利用形态学操作进行孔洞填充，平滑细胞区域轮廓，去除面积过小的前景区域，得到细胞精确分割图像。

需要说明的是，上述方法利用SVM得到的最后分割结果，可能会将背景中存在的很少量与细胞区域“相似”的像素点分类为细胞区域，细胞区域内也会有极少的像素点“类似”于背景像素点，在经过孔洞填充和去除过小面积的前景区域后，能得到精确细胞分割结果。

按照本发明的另一方面，还提供了一种基于支持向量机的白细胞图像精确分割系统，包括：

第一模块，用于细胞核初始定位与分割：对原始染色白细胞彩色图像进行滤波处理并提取图像边缘，进而获取边缘特定邻域内的颜色点对，对颜色点对像素点进行聚类计算，并根据聚类结果对所述原始染色白细胞彩色图像进行全图扫描，对细胞核区域和非细胞核区域进行标记，将细胞核区域作为前景区域；

第二模块，用于粗略膨胀获得细胞大致区域标记图：对第一模块滤波处理后的彩色图像进行过分割，得到多个不规则小区域；并对所述前景区域进行形态学膨胀，得到与前景区域相交的小区域集合；判断所述小区域集合中的小区域是否包含有图像边缘像素点，若有则将其从所述小区域集合中去除；将小区域集合与形态学膨胀结果取并集，得到细胞大致区域标记图；

第三模块，用于利用颜色特征和支持向量机分类器进行细胞精确分割：对原始染色白细胞彩色图像进行中值滤波，获得各个像素点在邻域内的红绿蓝三通道颜色中值；利用所述第二模块过分割得到的多个不规则小区域和细胞大致区域标记图，分别对细胞区域和非细胞区域采样相同个数的样本训练点；基于所述样本训练点训练得到支持向量机模型，利用所述支持向量机模型对原始染色白细胞彩色图像进行分类，得到细胞精确分割图像。

总体而言，通过本发明所构思的以上技术方案首先仿照人类视觉机制中对图像边缘快速变换的敏感性，在图像边缘像素点的邻域内提取颜色点对，通过聚类分析快速得到细胞核区域准确分割。同时，本发明利用了图像颜色信息和像素点与邻域像素点颜色之间的特征关系，充分发掘了人眼在分割图像过程中采用的特征信息。其次，在SVM在线训练过程中，本发明改进了膨胀算法，得到相对可靠的细胞大致区域标记图；在样本点采样过程中，为了获取有代表性的训练样本，采取分层抽样方式，即在具有代表性的不规则小区域内，依据小区域像素点个数按比例均匀采样的采样方式。对比寻常采用的均匀采样方式，分层采样获取的训练样本点的代表性和可靠性更好。本发明不仅适用于传统染色方法得到的细胞图像，也适用于在新型快速染色试剂染色得到的染色不均匀且含有杂质的细胞图像。尤其是对于白细胞图像边界模糊的情况，传统的白细胞分割方法无法解决该问题，本发明中能够得到很好的分割效果。

附图说明

图1是本发明基于支持向量机的白细胞图像精确分割方法的流程图；

图2是本发明一个实施例中染色白细胞各个区域灰度对比及核分割结果，其中上部是灰度细胞图像，下部是细胞核分割结果；

图3是本发明一个实施例中对染色白细胞进行分水岭算法过分割得到的不规则小区域；

图4是本发明一个实施例中对染色白细胞进行粗略膨胀后获得的细胞大致区域标记图；

图5是本发明一个实施例中对染色白细胞精确分割结果；

图6是本发明另一个实施例中对染色白细胞精确分割结果；第一、三行为原图，第二、四行为对应分割结果；

其中：图2至图5左侧图均为标准染色细胞图像的处理结果，右侧图均为快速染色细胞图像的处理结果；图6中第一二行为快速染色细胞图像原图及其处理结果，第三四行为为标准染色细胞图像原图及其处理结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

图1为本发明基于支持向量机的白细胞图像精确分割方法的流程图，具体的，如图1所示，所述方法包括：

（1）细胞核初始定位与分割：对原始染色白细胞彩色图像进行滤波处理并提取图像边缘，进而获取边缘特定邻域内的颜色点对，对颜色点对像素点进行聚类计算，并根据聚类结果对所述原始染色白细胞彩色图像进行全图扫描，对细胞核区域和非细胞核区域进行标记，将细胞核区域作为前景区域；

具体的，所述步骤（1）具体包括：

（11）对原始染色白细胞彩色图像进行滤波处理，并将滤波后的彩色图像转换为灰度图像；

（12）获取所述灰度图像的边缘，对每个边缘像素点，计算其邻域窗口内灰度值最大、最小的两个像素点，将这两个像素点的颜色值构成一组颜色点对；

（13）对所有边缘像素点的颜色点对进行聚类，训练得到混合高斯模型，并获得各类颜色点对的三通道颜色均值，将三通道颜色均值最低的一类记为细胞核类；

（14）利用所述高斯混合模型对所述滤波后的彩色图像进行全图扫描，判断各像素点是否是细胞核类像素点，并对细胞核类像素点和非细胞核类像素点进行二值标记，将细胞核区域标记为前景区域。

以上所述优选步骤（1）的优势在于其原理简单，且模拟人类视觉显著性注意机制、利用所述的边缘颜色点对训练混合高斯模型，能够在保证训练有效性和稳定性的前提下，大幅减少训练像素点数目，提高了算法速度。

具体的，所述对原始染色白细胞彩色图像进行滤波处理为：利用meanshift方法对原始染色白细胞彩色图像进行滤波处理；

需要指出的是，这里的滤波算法也可采用髙斯滤波、中值滤波、均值滤波等常用低通滤波算法，但是采用meanshift滤波的好处在于其综合考虑了空间与颜色距离，能够把一些小的纹理平滑掉，同时能够保留真正的边缘，为后续提取准确边缘做好准备。

具体的，所述获取灰度图像的边缘为：对所述灰度图像利用canny算子提取图像边缘点；

需要指出的是，这里也可以使用其他边缘提取算子（如：Sobel算子、Prewitt算子、Roberts算子、Laplacian算子），然而实验测试证明：相比于而言，canny算子能够更准确地提取实际边缘。

具体的，所述计算灰度图像边缘点的颜色点对为：对于每个边缘像素点，获取其5×5邻域窗口内灰度最大、最小的两个像素点，并取这两个像素点的红绿蓝三通道颜色值构成颜色点对；

通过选取边缘像素点5×5邻域内像素点对的颜色信息作为聚类的输入特征，可以有效获取各类别典型像素点、降低聚类时的噪声干扰。

具体的，所述对所有边缘像素点的颜色点对进行聚类并标记细胞核类为：对所有边缘点的颜色点对利用混合高斯模型的EM算法进行聚类，将所有的像素点分为4类，训练得到混合高斯模型；获取4个类别的颜色均值，并将颜色均值灰度化后具有最低灰度的类别标记为细胞核类。

利用EM算法求解混合高斯模型已经是十分成熟的方法，且细胞核染色深且相对稳定均匀，内聚性好。实验证明：利用混合高斯模型能够准确分割细胞核区域。

（2）粗略膨胀获得细胞大致区域标记图：对步骤（1）中滤波处理后的彩色图像进行过分割，得到多个不规则小区域；并对所述前景区域进行形态学膨胀，得到与前景区域相交的小区域集合；判断所述小区域集合中的小区域是否包含有图像边缘像素点，若有则将其从所述小区域集合中去除；将小区域集合与形态学膨胀结果取并集，得到细胞大致区域标记图；

优选地，所述对滤波处理后的彩色图像进行过分割具体为利用分水岭算法对所述滤波处理后的彩色图像进行过分割。

当然，也可以采用其他过分割方法，例如模糊C均值、k-means（k均值）、基于EM求解的混合高斯模型等，但综合权衡过分割小区域的颜色一致性以及算法的时间损耗与复杂程度，分水岭分割性能相对最优。

（3）利用颜色特征和支持向量机分类器进行细胞精确分割：对原始染色白细胞彩色图像进行中值滤波，获得各个像素点在邻域内的红绿蓝三通道颜色中值；利用步骤（2）中过分割得到的多个不规则小区域和细胞大致区域标记图，分别对细胞区域和非细胞区域采样相同个数的样本训练点；基于所述样本训练点训练得到支持向量机模型，利用所述支持向量机模型对原始染色白细胞彩色图像进行分类，得到细胞精确分割图像。

具体地，所述步骤（3）中分别对细胞区域和非细胞区域采样相同个数的样本训练点具体包括：

对细胞区域和非细胞区域分配相同个数的样本训练点；

对细胞区域的采样采用分层抽样方式：首先统计细胞区域内不规则小区域的个数及各个小区域的像素点个数，然后将分配给细胞区域的总采样点个数按照各个小区域像素点个数占整个细胞区域像素点个数的比例分配到各个小区域内，最后按照均匀采样的方式在各小区域内进行采样；

非细胞区域的样本训练点采样方法同细胞区域完全一致。

对细胞区域和非细胞区域采样相同数目的样本训练点，可保证不同类别之间训练程度的均衡性；采用的分层抽样方法是基于在各个过分割小区域内进行均匀采样的，由于各个过分割小区域颜色特征基本一致，这样就确保了样本训练点的代表性与稳定性，细胞区域与非细胞区域不同颜色点特征尽可能全面地包含在训练模型中，防止训练时漏掉颜色特征信息。

具体地，所述步骤（3）中基于所述样本训练点训练得到支持向量机模型具体包括：

对每个样本训练点，选取其红绿蓝三个分量的灰度值作为该像素点的前3维特征，选取其邻域内各个像素点的红绿蓝三分量灰度中值作为后3维特征，共计6维特征；将各个样本训练点的6维特征及其类别标记输入支持向量机分类器进行训练，获得当前图像的支持向量机训练模型。

当然，此处还可以采用其他方式训练得到支持向量机模型，此处选取6维特征进行分类训练，考虑到了当前像素点与其空间邻域像素的位置关系，相当于在特征中增加了“空间信息”，相比于仅只利用当前像素颜色作为分类特征，6维更全面更具代表性；后3维特征也可选取邻域的其他信息，如颜色均值、梯度信息等，但是邻域颜色中值更能有效反映邻域颜色信息，且可防止噪声的干扰。实验测试证明：本发明采用的6维分类特征能够有效处理图像中模糊边缘，更精准地分割细胞与非细胞区域。

具体地，所述步骤（3）中根据所述支持向量机模型对全图进行分类，得到细胞精确分割图像具体包括：

利用训练得到的支持向量机模型，对原始染色白细胞彩色图像进行分类，并利用形态学操作进行孔洞填充，平滑细胞区域轮廓，去除面积过小的前景区域，得到细胞精确分割图像。

需要说明的是，此处的处理步骤对本发明是必要且有益的，利用SVM得到的最后分割结果，可能会将背景中存在的很少量与细胞区域“相似”的像素点分类为细胞区域，细胞区域内也会有极少的像素点“类似”于背景像素点，在经过空洞填充和去除过小面积前景区域后，能得到精确细胞分割结果。

本发明还提出了一种基于支持向量机的白细胞图像精确分割系统，包括：

第一模块，用于细胞核初始定位与分割：对原始染色白细胞彩色图像进行滤波处理并提取图像边缘，进而获取边缘特定邻域内的颜色点对，对颜色点对像素点进行聚类计算，并根据聚类结果对所述原始染色白细胞彩色图像进行全图扫描，对细胞核区域和非细胞核区域进行标记，将细胞核区域作为前景区域；

第二模块，用于粗略膨胀获得细胞大致区域标记图：对第一模块滤波处理后的彩色图像进行过分割，得到多个不规则小区域；并对所述前景区域进行形态学膨胀，得到与前景区域相交的小区域集合；判断所述小区域集合中的小区域是否包含有图像边缘像素点，若有则将其从所述小区域集合中去除；将小区域集合与形态学膨胀结果取并集，得到细胞大致区域标记图；

第三模块，用于利用颜色特征和支持向量机分类器进行细胞精确分割：对原始染色白细胞彩色图像进行中值滤波，获得各个像素点在邻域内的红绿蓝三通道颜色中值；利用所述第二模块过分割得到的多个不规则小区域和细胞大致区域标记图，分别对细胞区域和非细胞区域采样相同个数的样本训练点；基于所述样本训练点训练得到支持向量机模型，利用所述支持向量机模型对原始染色白细胞彩色图像进行分类，得到细胞精确分割图像。

总体而言，通过本发明所构思的以上技术方案首先仿照人类视觉机制中对图像边缘快速变换的敏感性，在图像边缘像素点的邻域内提取颜色点对，通过聚类分析快速得到细胞核区域准确分割。同时，本发明利用了图像颜色信息和像素点与邻域像素点颜色之间的特征关系，充分发掘了人眼在分割图像过程中采用的特征信息。其次，在SVM在线训练过程中，本发明改进了膨胀算法，得到相对可靠的细胞大致区域标记图；在样本点采样过程中，为了获取有代表性的训练样本，采取分层抽样方式，即在具有代表性的不规则小区域内，依据小区域像素点个数按比例均匀采样的采样方式。对比寻常采用的均匀采样方式，分层采样获取的训练样本点的代表性和可靠性更好。本发明不仅适用于染色效果较好的传统染色方法得到的细胞图像，也适用于在新型快速染色试剂染色得到的染色不均匀且含有杂质的细胞图像。尤其是对于白细胞图像边界模糊的情况，传统的白细胞分割方法无法解决该问题，本发明中能够得到很好的分割效果。

下面以一优选实施例对本发明基于支持向量机的白细胞图像精确分割方法进行描述，具体的，包括如下步骤：

（一）细胞核初始定位与分割：

（1）预处理。将输入的原始染色白细胞彩色图像利用meanshift方法进行滤波，其中，空间窗口半径设定为10，色彩窗口半径设定为20，得到滤波后彩色图像MsColorImg；当然，也可以采用其他方法进行滤波处理，例如：髙斯滤波、中值滤波、均值滤波等常用低通滤波算法，但是优选地采用meanshift方法，因为其综合考虑了空间与颜色距离信息，能够把一些小的纹理平滑掉，同时保留真正的边缘，这对后续提取准确边缘意义重大。

（2）将meanshift滤波后彩色图像MsColorImg转变为灰度图像；

（3）对灰度图像利用canny算子获得图像边缘，当然，也可以采用其他方法获取图像边缘，例如：Sobel算子、Prewitt算子、Roberts算子、Laplacian算子，但是实验测试证明：对于传统染色和快速染色的白细胞图像，canny算子能够更准确地提取实际边缘。

对图像的每个边缘像素点，计算其5×5邻域窗口内灰度值最大、最小的两个像素点，保存这两个像素点的颜色值(R_min,G_min,B_min)和(R_max,G_max,B_max)构成一组颜色点对，其中灰度值的计算方法为：

GrayValue＝0.299×R+0.587×G+0.114×B；

选取边缘像素点5×5邻域内像素点对的颜色信息作为聚类的输入特征，可以有效获取各类别典型像素点、降低聚类时的噪声干扰。

（4）利用混合高斯模型的EM（Expectation Maximization，最大期望）算法，对所有获得的图像边缘邻域内颜色点对，按照R、G、B颜色进行聚类，分为4类。可训练得到混合高斯模型，并获得各类的R、G、B三通道颜色均值i＝1,2,3,4。其中，EM算法的迭代收敛条件设定为最大迭代次数与迭代误差相结合的方式，本发明实施例中，设定当迭代次数IterTimes>=15或者迭代误差IterEpsilon<=0.1时，则终止迭代。

显然，根据先验知识，尽管对于不同图像，无法确定细胞浆、背景和红细胞对应于EM算法聚类得到的4类中的哪一类，但是可以肯定的是，如图2所示，细胞核所在类一定对应于灰度值最低的一类。记灰度值最低的一类对应的类别标号为i₀。同时，需要指出的是，尽管有些输入的细胞小图中并不含有红细胞区域，但是由于细胞核区域灰度最低且相对稳定而均匀，分为4类并不会影响最终细胞核分割效果。

利用EM算法求解混合高斯模型已经是十分成熟的方法，细胞核染色深且相对稳定均匀，内聚性好。实验证明：利用混合高斯模型能够准确分割细胞核区域。

（5）对meanshift滤波后彩色图像MsColorImg全图扫描，将各个像素点的颜色值(r,g,b)输入到训练好的混合高斯模型中，得到各个像素点的分类标记i。对每个像素点，当i＝i₀时，当前像素点为细胞核内像素点，标记为1；否则，当前像素点为非细胞核像素点，标记为0。

由此获得细胞核标记图像NucLabelImg，完成了细胞核分割。

（二）粗略膨胀获得细胞大致区域标记图：

（1）利用分水岭算法（Watershed algorithm）对meanshift滤波后彩色图像MsColorImg进行过分割。如图3所示，可以得到N个不规则小区域，本发明中，只需保证N>8即可。每个小区域有相同的标号n，n＝1,2,3,......,N。

（2）对细胞核标记图像NucLabelImg做若干次（本发明实施例中，建议采用5～9次）形态学膨胀，得到形态学膨胀后标记图像DilateLabelImg。

（3）获取与膨胀后标记图像DilateLabelImg中前景点外轮廓相交的小区域集合IntersectSet。对于集合IntersectSet中的各个小区域，若小区域包含边缘像素点，则将该区域从集合IntersectSet中除去。

（4）获得细胞大致区域图：

GeneralRegionofCell＝DilateLabelImg∪IntersectSet，如图4所示。

（三）利用颜色特征和SVM分类器进行细胞精确分割：

（1）获得原始输入彩色图像的各个像素点在邻域内（本发明的实施例中采用5×5大小的邻域）的相邻像素点R、G、B颜色中值。通过对原始输入彩色图像进行中值滤波，即可完成此步骤。

（2）利用步骤（二）中分水岭算法得到的多个不规则小区域和细胞大致区域标记图GeneralRegionofC，ell分别对细胞区域和非细胞区域各采样SampleNum个的训练样本点为SVM训练做准备。其中细胞区域的采样按照均匀采样的规则进行：统计细胞区域内不规则小区域的个数J及各个小区域的像素点个数r^j；各个小区域内采样点个数s^j为，

$s^j=\mathrm{round}(\frac{r^j}{\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{r}^j}\&times;\mathrm{SampleNum}+1),$ 其中round()为取整函数。

而在小区域内采样点按均匀采样选取。非细胞区域的样本训练点采样方法同细胞区域一致。

对细胞区域和非细胞区域采样相同数目的样本训练点，可保证不同类别之间训练程度的均衡性；采用的分层抽样方法是基于在各个过分割小区域内进行均匀采样的，由于各个过分割小区域颜色特征基本一致，这样就确保了样本训练点的代表性与稳定性，细胞区域与非细胞区域不同颜色点特征尽可能全面地包含在训练模型中，防止训练时漏掉颜色特征信息。

（3）选取样本点自身颜色特征(r,g,b)和样本点在邻域内相邻像素点颜色中值(r_median,g_median,b_median)组成6维特征(r,g,b,r_median,g_median,b_median)，作为SVM分类器的输入特征。将所有训练样本点的6维特征及其类别（“1”代表细胞区域，“0”代表非细胞区域）输入SVM分类器进行在线训练，获得当前输入图像的SVM训练模型。

此处选取6维特征进行分类训练，考虑到了当前像素点与其空间邻域像素的位置关系，相当于在特征中增加了“空间信息”，相比于仅只利用当前像素颜色作为分类特征，6维更全面更具代表性；后3维特征也可选取邻域的其他信息，如颜色均值、梯度信息等，但是邻域颜色中值更能有效反映邻域颜色信息，且可防止噪声的干扰。实验测试证明：本发明采用的6维分类特征能够有效处理图像中模糊边缘，更精准地分割细胞与非细胞区域。

（4）利用在线训练得到的SVM模型，选取各像素点的6维特征(r,g,b,r_median,g_media,nb_meai)作为输入，对全图进行分类。分类结果为“1”的区域即为细胞区域；分类结果为“0”的区域即为非细胞区域。由此可得细胞分割图像。

（5）对细胞分割图像进行进一步精细修正。首先对细胞分割图像的细胞区域进行孔洞填充和边缘形态学平滑。然后再考察细胞分割图像中得到的各个细胞连通区域，当符合如下两个条件时，把该连通区域重新标记为非细胞区域（即：标记为0）：

A.该连通区域像素点个数小于(Width×Heigh)t/10，说明该连通区域过小，不可能是一个细胞区域，其中Width和Height分别为输入图像的宽和高；

B．该连通区域不包含细胞核标记图像NucLabelImg中的细胞核区域像素点。

由此，可得到细胞精确分割图像，具体示例见图5、6。

需要说明的是，此处的处理步骤对本发明是必要且有益的。利用SVM得到的最后分割结果，可能会将背景中存在的很少量与细胞区域“相似”的像素点分类为细胞区域，细胞区域内也会有极少的像素点“类似”于背景像素点，在经过空洞填充和去除过小面积前景区域后，能得到精确细胞分割结果。

总体而言，通过本发明所构思的以上技术方案首先仿照人类视觉机制中对图像边缘快速变换的敏感性，在图像边缘像素点的邻域内提取颜色点对，通过聚类分析快速得到细胞核区域准确分割。同时，本发明利用了图像颜色信息和像素点与邻域像素点颜色之间的特征关系，充分发掘了人眼在分割图像过程中采用的特征信息。其次，在SVM在线训练过程中，本发明改进了膨胀算法，得到相对可靠的细胞大致区域标记图；在样本点采样过程中，为了获取有代表性的训练样本，采取分层抽样方式，即在具有代表性的不规则小区域内，依据小区域像素点个数按比例均匀采样的采样方式。对比寻常采用的均匀采样方式，分层采样获取的训练样本点的代表性和可靠性更好。本发明不仅适用于染色效果较好的传统染色方法得到的细胞图像，也适用于在新型快速染色试剂染色得到的染色不均匀且含有杂质的细胞图像。尤其是对于白细胞图像边界模糊的情况，传统的白细胞分割方法无法解决该问题，本发明中能够得到很好的分割效果。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于支持向量机的白细胞图像精确分割方法，其特征在于，包括：

（1）细胞核初始定位与分割：对原始染色白细胞彩色图像进行滤波处理并提取图像边缘，进而获取边缘特定邻域内的颜色点对，对颜色点对像素点进行聚类计算，并根据聚类结果对所述原始染色白细胞彩色图像进行全图扫描，对细胞核区域和非细胞核区域进行标记，将细胞核区域作为前景区域；

（2）粗略膨胀获得细胞大致区域标记图：对步骤（1）中滤波处理后的彩色图像进行过分割，得到多个不规则小区域；并对所述前景区域进行形态学膨胀，得到所述多个不规则小区域与膨胀后的前景区域相交的小区域集合；判断所述小区域集合中的小区域是否包含有图像边缘像素点，若有则将其从所述小区域集合中去除，得到处理后的小区域集合；将所述处理后的小区域集合与膨胀后的前景区域取并集，得到细胞大致区域标记图；

（3）利用颜色特征和支持向量机分类器进行细胞精确分割：对原始染色白细胞彩色图像进行中值滤波，获得各个像素点在邻域内的红绿蓝三通道颜色中值；利用步骤（2）中过分割得到的多个不规则小区域和细胞大致区域标记图，分别对细胞区域和非细胞区域采样相同个数的样本训练点；基于所述样本训练点训练得到支持向量机模型，利用所述支持向量机模型对原始染色白细胞彩色图像进行分类，得到细胞精确分割图像。

2.根据权利要求1所述的方法，其特征在于，所述步骤（1）具体包括：

（11）对原始染色白细胞彩色图像进行滤波处理，并将滤波后的彩色图像转换为灰度图像；

（12）获取所述灰度图像的边缘，对每个边缘像素点，计算其邻域窗口内灰度值最大、最小的两个像素点，将这两个像素点的颜色值构成一组颜色点对；

（13）对所有边缘像素点的颜色点对进行聚类，训练得到混合高斯模型，并获得各类颜色点对的三通道颜色均值，将三通道颜色均值最低的一类记为细胞核类；

（14）利用所述高斯混合模型对所述滤波后的彩色图像进行全图扫描，判断各像素点是否是细胞核类像素点，并对细胞核类像素点和非细胞核类像素点进行二值标记，将细胞核区域标记为前景区域。

3.根据权利要求2所述的方法，其特征在于，所述对原始染色白细胞彩色图像进行滤波处理具体为：

利用meanshift方法对原始染色白细胞彩色图像进行滤波处理。

4.根据权利要求2所述的方法，其特征在于，所述获取灰度图像的边缘具体为：

对所述灰度图像利用canny算子提取图像边缘点。

5.根据权利要求2所述的方法，其特征在于，所述计算灰度图像边缘点的颜色点对具体为：

对于每个边缘像素点，获取其5×5邻域窗口内灰度最大、最小的两个像素点，并取这两个像素点的红绿蓝三通道颜色值构成颜色点对。

6.根据权利要求2所述的方法，其特征在于，所述对所有边缘像素点的颜色点对进行聚类并标记细胞核类具体为：

对所有边缘点的颜色点对利用混合高斯模型的EM算法进行聚类，将所有的像素点分为4类，训练得到混合高斯模型；获取4个类别的颜色均值，并将颜色均值灰度化后具有最低灰度的类别标记为细胞核类。

7.如权利要求1至6任一项所述的方法，其特征在于，所述步骤（3）中分别对细胞区域和非细胞区域采样相同个数的样本训练点具体包括：

对细胞区域和非细胞区域分配相同个数的样本训练点；

对细胞区域的采样采用分层抽样方式：首先统计细胞区域内不规则小区域的个数及各个小区域的像素点个数，然后将分配给细胞区域的总采样点个数按照各个小区域像素点个数占整个细胞区域像素点个数的比例分配到各个小区域内，最后按照均匀采样的方式在各小区域内进行采样；

非细胞区域的样本训练点采样方法同细胞区域完全一致。

8.如权利要求1至6任一项所述的方法，其特征在于，所述步骤（3）中基于所述样本训练点训练得到支持向量机模型具体包括：

对每个样本训练点，选取其红绿蓝三个分量的灰度值作为该像素点的前3维特征，选取其邻域内各个像素点的红绿蓝三分量灰度中值作为后3维特征，共计6维特征；将各个样本训练点的6维特征及其类别标记输入支持向量机分类器进行训练，获得当前图像的支持向量机训练模型。

9.如权利要求1至6任一项所述的方法，其特征在于，所述步骤（3）中根据所述支持向量机模型对全图进行分类，得到细胞精确分割图像具体包括：

利用训练得到的支持向量机模型，对原始染色白细胞彩色图像进行分类，并利用形态学操作进行孔洞填充，平滑细胞区域轮廓，去除面积过小的前景区域，得到细胞精确分割图像。

10.一种基于支持向量机的白细胞图像精确分割系统，其特征在于，包括：

第一模块，用于细胞核初始定位与分割：对原始染色白细胞彩色图像进行滤波处理并提取图像边缘，进而获取边缘特定邻域内的颜色点对，对颜色点对像素点进行聚类计算，并根据聚类结果对所述原始染色白细胞彩色图像进行全图扫描，对细胞核区域和非细胞核区域进行标记，将细胞核区域作为前景区域；

第二模块，粗略膨胀获得细胞大致区域标记图：对所述第一模块滤波处理后的彩色图像进行过分割，得到多个不规则小区域；并对所述前景区域进行形态学膨胀，得到所述多个不规则小区域与膨胀后的前景区域相交的小区域集合；判断所述小区域集合中的小区域是否包含有图像边缘像素点，若有则将其从所述小区域集合中去除，得到处理后的小区域集合；将所述处理后的小区域集合与膨胀后的前景区域取并集，得到细胞大致区域标记图；

第三模块，用于利用颜色特征和支持向量机分类器进行细胞精确分割：对原始染色白细胞彩色图像进行中值滤波，获得各个像素点在邻域内的红绿蓝三通道颜色中值；利用所述第二模块过分割得到的多个不规则小区域和细胞大致区域标记图，分别对细胞区域和非细胞区域采样相同个数的样本训练点；基于所述样本训练点训练得到支持向量机模型，利用所述支持向量机模型对原始染色白细胞彩色图像进行分类，得到细胞精确分割图像。

Images