CN103606153A - 一种从粪便显微图像中提取细胞的方法 - Google Patents

Abstract

本发明公开了一种从粪便显微图像中提取细胞的方法，包括以下步骤：（1）用相机拍摄细胞显微图像并保存到计算机，读取此细胞显微图像并计算其平均梯度G，根据G值调节显微镜焦距并继续拍照读图，直到找到最大平均梯度G对应的最清晰图像I_IN为止，（2）对步骤（1）得到的最清晰图像I_IN提取脂肪球，以获得I_IN中脂肪球的位置和数目，（3）利用边缘提取和阈值分割方法对步骤（1）得到的最清晰图像I_IN提取细胞，以得到I_IN中红细胞和白细胞的位置、种类及数目。本发明能够解决如何通过显微图像得到图像清晰度以控制显微镜聚焦，以及如何在背景杂质多、细胞与背景对比度低、细胞边缘不明显的情况下找到细胞的具体位置并且判定细胞类型的技术问题。

Description

一种从粪便显微图像中提取细胞的方法

技术领域

本发明属于生物医学图像处理领域，更具体地，涉及一种从粪便显微图像中提取细胞的方法。

背景技术

在临床病理学检验中，细胞形态学检查具有重要的意义。就血细胞自动分析系统而言，其研究重点是：(1)从图像中分割出细胞；(2)提取细胞特征;(3)识别细胞类型。其中，细胞分割是最关键的技术，因为分割结果将直接影响到后续细胞特征提取和识别的质量。

临床上普遍使用的血细胞分析仪大多是直接通过人体血液样本的显微成像图来进行细胞成分分析，由于人体血细胞液是半透明的，包含杂质较少，因此这类图像背景比较干净，细胞和背景对比度比较高，容易得到较好的分割效果。然而这类仪器所采用的技术只能用于检查人体类是否有感染、是否贫血、是否有血液疾病等慢性病，对于肠胃出血、感染等急性病只能通过检查人体粪便中的血细胞成分和脂肪含量来判定。人体粪便细胞显微图像最大的特点就是背景颜色深，包含很多形态类似于细胞的杂质，这也是其细胞分割最大的难点。所以，目前还未出现专门针对粪便细胞显微图中细胞成分分析的方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种从粪便显微图像中提取细胞的方法，其目的在于，解决如何通过显微图像得到图像清晰度以控制显微镜聚焦，以及如何在背景杂质多、细胞与背景对比度低、细胞边缘不明显的情况下找到细胞的具体位置并且判定细胞类型的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种从粪便显微图像中提取细胞的方法，包括以下步骤：

（1）用相机拍摄细胞显微图像并保存到计算机，读取此细胞显微图像并计算其平均梯度G，根据G值调节显微镜焦距并继续拍照读图，直到找到最大平均梯度G对应的最清晰图像I_IN为止；

（2）对步骤（1）得到的最清晰图像I_IN提取脂肪球，以获得I_IN中脂肪球的位置和数目；

（3）利用边缘提取和阈值分割方法对步骤（1）得到的最清晰图像I_IN提取细胞，以得到I_IN中红细胞和白细胞的位置、种类及数目。

优选地，步骤（1）包括以下子步骤：

（1-1）拍摄一幅细胞显微图像I,读取I并计算其平均梯度G,平均梯度G的计算公式如下：

$G(i,j)=\sqrt{{(I(i,j)-I(i,j+1))}^2+{(I(i,j)-I(i+1,j))}^2}$

$G=\underset{i=0}{\overset{H-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{W-1}{\mathrm{\Σ}}}G(i,j)/(H*W)$

其中，G(i,j)为图像I中像素点(i,j)处对应梯度，I(i,j)是图像I中像素点(i,j)处对应的像素值，i和j分别表示横、纵坐标，H、W分别为图I的高、宽；

（1-2）固定一个方向调节显微镜准焦旋钮，摄取图像并读图，计算其平均梯度，当平均梯度变小时往相反方向调节准焦旋钮，变大时调节方向不变，直到图像的平均梯度值最大为止，由此获得最大平均梯度G对应的最清晰图像I_IN。

优选地，步骤（3）包括以下子步骤：

（3-1）读取步骤（1）得到的最清晰图像I_IN，并利用边缘分割和阈值分割方法对其进行图像分割，以分别得到边缘分割结果图I_Be、I_Ge、I_Re和阈值分割结果图I_Btd；

（3-2）根据步骤（3-1）得到的边缘分割结果图I_Be、I_Ge、I_Re和阈值分割结果图I_Btd提取最清晰图I_IN中的细胞特征，统计各类细胞特征并设定特征阈值；

（3-3）根据步骤（3-2）设定的细胞特征阈值在边缘分割结果图I_Be、I_Ge、I_Re和阈值分割结果图I_Btd进行红、白细胞判别。

优选地，步骤（3-1）包括以下子步骤：

（3-1-1）读取最清晰图像I_IN，将其颜色通道分离，以得到蓝、绿、红三个通道对应的图像I_B、I_G、I_R；

（3-1-2）用Canny算子提取步骤（3-1）得到的图像I_B、I_G、I_R边缘，以得到对应的边缘图I_Bedge、I_Gedge、I_Redge；

（3-1-3）对步骤（3-1-2）得到的边缘图I_Bedge、I_Gedge、I_Redge进行膨胀操作，进一步连接断开的边缘，以得到对应的膨胀结果图I_Bd、I_Gd、I_Rd；

（3-1-4）填充膨胀结果图I_Bd、I_Gd、I_Rd中有空洞的区域，以得到完整细胞形状图；

（3-1-5）使用与步骤（3-1-3）对应的腐蚀操作，将完整细胞形状图中的细胞还原为其实际大小，同时消除图中小的噪声点，以得到腐蚀结果图I_Be、I_Ge、I_Re，即三个通道边缘分割的最终结果图。

（3-1-6）对步骤（3-1-1）中的图像I_B进行阈值分割，以获得阈值分割结果图I_Btd。

优选地，步骤（3-1-6）具体为，首先，统计图像I_B的直方图，以找到最大值对应位置L_max，此位置代表背景平均灰度值；然后，对该直方图中的像素点进行阈值分割，以得到分割结果图I_Bt，其公式如下：

$I_{\mathrm{Bt}}(m,n)=\left\{\begin{array}{ccc}0& \mathrm{if}& I_B(m,n)>=T\\ 1& \mathrm{if}& I_B(m,n)<T\end{array}\right.,0<=m<H,0<=n<W$

其中，I_B(m,n)为图像I_B中位置(m,n)处对应的灰度值，I_Bt为分割结果，T=L_max-15为阈值；最后对分割结果图I_Bt进行形态学处理，以得到完整细胞形态图I_Btd，即阈值分割最终结果图。

优选地，步骤（3-2）包括以下子步骤：

（3-2-1）提取步骤（3-1）的边缘分割结果图I_Be、I_Ge、I_Re和阈值分割结果图I_Btd中的各连通区域特征：面积S、圆形度C_R和形状因子F；

（3-2-2）统计步骤（3-2-1）中各连通区域特征的细胞特征，并根据细胞特征设置细胞特征阈值。

优选地，细胞特征阈值为细胞的圆形度阈值和形状因子阈值，具体为红细胞面积范围为A1：200～500，圆形度范围1.0～1.8，形状因子范围5～正无穷；白细胞面积范围为A2：500～2000，圆形度范围1.0～2.0，形状因子范围3～正无穷。

优选地，步骤（3-3）具体包括以下子步骤：

（3-3-1）根据边缘分割结果图I_Be提取的特征判断各区域所属类型，在最清晰图像I_IN中用圆圈标出找到的细胞，同时根据已找到的细胞屏蔽边缘分割结果图I_Ge、I_Re和阈值分割结果图I_Btd中对应的细胞区域；

（3-3-2）提取边缘分割结果图I_Ge中各区域特征并判定其类型，在最清晰图像I_IN中用圆圈标出找到的细胞，同时根据已找到的细胞屏蔽边缘分割结果图I_Re和阈值分割结果图I_Btd中对应的细胞区域；

（3-3-3）提取边缘分割结果图I_Re中各区域特征并判定其类型，在最清晰图像I_IN中用圆圈标出找到的细胞，同时根据已找到的细胞屏蔽阈值分割结果图I_Btd中对应的细胞区域；

（3-3-4）提取阈值分割结果图I_Btd中各区域特征并判定其类型，在最清晰图像I_IN中用圆圈标出找到的细胞。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

（1）能够解决如何通过显微图像得到图像清晰度以控制显微镜聚焦的技术问题：由于采用了步骤（1）计算图像平均梯度以得到图像清晰度的方法，因此可以直接通过图像的平均梯度大小控制显微镜调焦，从而得到最清晰的细胞纤维图像。

（2）能够解决如何在背景杂质多、细胞与背景对比度低、细胞边缘不明显的情况下找到脂肪球和细胞的具体位置并且判定细胞类型的技术问题：由于采用了步骤（2）的Hough圆检测方法，可以直接将脂肪球检测出来；由于采用了步骤（3）中子步骤（3-1）中的边缘分割和阈值分割两种分割方法以及子步骤（3-2）中的细胞特征提取方法结合子步骤（3-3）中的细胞类型判定方法，因此可以确定细胞显微图中大部分细胞的类型、位置和数目。

（3）本发明方法的细胞识别率在图像拍摄环境好的情况下可以达到90%以上；即使图像拍摄环境较差、细胞背景杂质多的情况下也能达到较高的识别率。

（4）本发明所使用的技术都是基本的数字图像处理算法，没有涉及很难操作的模式识别和人工智能算法，因此易于实现。

附图说明

图1是本发明从粪便显微图像中提取细胞的方法流程图。

图2是本发明方法步骤（1）的细化流程图。

图3是本发明方法步骤（2）的细化流程图。

图4是本发明方法步骤（3）的细化流程图。

图5是摄取的同一目标在不同清晰度下的显微图。

图6是脂肪球样本检测结果图。

图7是本发明细胞显微样本图。

图8是本发明方法中样本图像边缘分割过程示意图。

图9是本发明方法中样本图像阈值分割过程示意图。

图10是本发明方法中样本图像B通道细胞识别结果和其他分割结果图中细胞屏蔽结果的示意图。

图11是本发明方法中样本图像G通道细胞识别结果和其他分割结果图中细胞屏蔽结果的示意图。

图12是本发明方法中样本图像R通道细胞识别结果和其他分割结果图中细胞屏蔽结果的示意图。

图13是本发明方法中样本图像的最终细胞识别结果图。

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。

以下首先对本发明用到的术语进行解释和说明。

Hough圆检测：即通过Hough变换检测图像中近似为圆形的目标物。其原理如下：

首先对图像进行边缘检测（这里用的Canny算子），然后对边缘图像中每一个非0点考虑其局部梯度（计算x和y方向的Sobel一阶导数得到梯度），利用得到的梯度，由斜率指定的直线上的每一个点都在累加器中被累加，这里的斜率是从一个指定的最小值到最大值的距离，同时，标记边缘图像中每一个非0像素的位置；然后从二维累加器中的这些点中选择候选的中心，这些中心都大于给定阈值并且大于其说有近邻；接下来对每一个中心，考虑所有的非0像素，这些像素按照其与中心的距离排序；最后从到最大半径的最小距离算起，选择非0像素最支持的一条半径。如果一个重心受到边缘图像非0像素最充分的支持，并且到前期被选择的中心有足够的距离，它将会被保留，其位置和对应半径即代表被检测出的一个圆的信息。

膨胀操作：用一个结构元素（本发明用的是5*5的模板）扫描图像中的每一个像素，用结构元中的每一个像素与其覆盖的像素做“与”操作，如果都为0，则该像素为0，否则为1。

腐蚀操作：用一个结构元素（本发明用的是5*5的模板）扫描图像中的每一个像素，用结构元中的每一个像素与其覆盖的像素做“与”操作，如果都为1，则该像素为1，否则为0。

填充空洞：细胞图像经过形态学处理之后会形成很多中空的区域，为方便细胞提取，需将其填充。具体操作是查找图像中的封闭内轮廓，将其包围的区域全部填充为1即可。

如图1所示，本发明从粪便显微图像中提取细胞的方法包括以下步骤：

（1）用相机拍摄细胞显微图像并保存到计算机，读取此细胞显微图像并计算其平均梯度G（细胞显微图像的清晰度可以用平均梯度G表示），根据G值调节显微镜焦距并继续拍照读图，直到找到最大平均梯度G对应的最清晰图像I_IN为止。

如图2所示，本步骤具体包括以下子步骤：

（1-1）拍摄一幅细胞显微图像I,读取I并计算其平均梯度G,平均梯度G的计算公式如下：

$G(i,j)=\sqrt{{(I(i,j)-I(i,j+1))}^2+{(I(i,j)-I(i+1,j))}^2}$

$G=\underset{i=0}{\overset{H-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{W-1}{\mathrm{\&Sigma;}}}G(i,j)/(H*W)$

其中，G(i,j)为图像I中像素点(i,j)处对应梯度，I(i,j)是图像I中像素点(i,j)处对应的像素值，i和j分别表示横、纵坐标，H、W分别为图I的高、宽。用图像平均梯度表示图像清晰度的原理是：图像越清晰，图像中对象的轮廓就越明显，对应的梯度值越大，因此整幅图的平均梯度也越大；

（1-2）固定一个方向调节显微镜准焦旋钮，拍摄图像并读取，计算其平均梯度，当平均梯度变小时往相反方向调节显微镜准焦旋钮，变大时调节方向不变，直到图像的平均梯度值最大为止，由此获得最大平均梯度G对应的最清晰图像I_IN。如图5中从上往下、从左至右计算的图像平均梯度依次为1.692893、1.542488、1.373929、1.334892、1.314430、1.300834，说明第一幅图的图像清晰度最高。

（2）对步骤（1）得到的最清晰图像I_IN提取脂肪球，以获得I_IN中脂肪球的位置和数目等信息；

由于脂肪具有疏水性，因液体的表面张力，拍摄的显微图像中脂肪球特别圆，而且颜色均匀，一般呈黄色。因此其提取方法比较简单，脂肪球的检测比较简单，将I_IN转换为灰度图I_gray，经过一次Hou_gh圆检测基本上能把所有的脂肪球的位置和大小检测出来，提取过程如图3所示。在脂肪球样本图6中用黄色圆圈标记出被检测出来的脂肪球，其中设置的脂肪球半径阈值Thresh_F为5，将半径较小的脂肪球滤掉。

（3）利用边缘提取和阈值分割方法对步骤（1）得到的最清晰图像I_IN提取细胞，以得到I_IN中红细胞和白细胞的位置、种类及数目等信息；

由于细胞具有活性，可以自由移动，而且容易变形、破裂，获取的图像质量受外部环境（如稀释液的颜色、光照等）影响较大，因此不可能准确无误的把所有的细胞都识别出来。为尽可能提高识别率、同时减少误判，本发明将边缘提取和阈值分割两种方法结合，并且将输入图像I_IN的三个颜色通道的信息都加以利用，而不是只对灰度图像进行操作。

如图4所示，本步骤包括以下子步骤：

（3-1）读取步骤（1）得到的最清晰图像I_IN，并利用边缘分割和阈值分割方法对其进行图像分割，具体包括以下子步骤：

（3-1-1）读取最清晰图像I_IN（如图7所示），将其颜色通道分离，以得到蓝、绿、红三个通道对应的图像I_B、I_G、I_R，如图8中第一行所示；

（3-1-2）用Canny算子提取步骤（3-1）得到的图像I_B、I_G、I_R边缘，以得到对应的边缘图；如图8中第二行所示，从左至右依次是蓝、绿、红三个通道对应的边缘图I_Bedge、I_Gedge、I_Redge，Canny算法检测边缘主要步骤为：

1）用3x3高斯滤波器进行滤波，消除噪声；

2）针对每一个像素，计算横向与纵向两方向的微分近似，以得到像素的梯度大小和方向；

3）对梯度进行“非极大抑制”（非局部最大值置0）；

4）对梯度取两次阈值；

5）对边缘进行连接；

（3-1-3）对步骤（3-1-2）得到的边缘图I_Bedge、I_Gedge、I_Redge进行膨胀操作，进一步连接断开的边缘，以得到对应的膨胀结果图；结果如图8中第三行所示，从左至右依次是蓝、绿、红三个通道对应的膨胀结果图I_Bd、I_Gd、I_Rd；

（3-1-4）填充膨胀结果图I_Bd、I_Gd、I_Rd中有空洞的区域，以得到完整细胞形状图；结果如图8中第四行所示，从左至右依次是完整细胞形状图I_Bf、I_Gf、I_Rf；

（3-1-5）使用与步骤（3-1-3）对应的腐蚀操作，将完整细胞形状图中的细胞还原为其实际大小，同时消除图中小的噪声点，结果如图8中第五行所示，从左至右依次是腐蚀结果图I_Be、I_Ge、I_Re，此即三个通道边缘分割的最终结果图。

（3-1-6）对步骤（3-1-1）中的图像I_B进行阈值分割，以获得阈值分割结果图I_Btd；本步骤的具体操作过程是：首先，统计图像I_B的直方图，以找到最大值对应位置L_max，此位置代表背景平均灰度值；然后，对该直方图中的像素点进行阈值分割，以得到分割结果图I_Bt，其公式如下：

$I_{\mathrm{Bt}}(m,n)=\left\{\begin{array}{ccc}0& \mathrm{if}& I_B(m,n)>=T\\ 1& \mathrm{if}& I_B(m,n)<T\end{array}\right.,0<=m<H,0<=n<W$

以上公式中，I_B(m,n)为图像I_B中位置(m,n)处对应的灰度值，I_Bt为分割结果，据统计，细胞区域平均灰度一般比L_max小10-20，本发明选取T=L_max-15为阈值，大于T的像素点判为背景，小于T的像素点为细胞和杂质；最后对分割结果图I_Bt进行填充空洞、腐蚀、膨胀几步形态学处理，以得到完整细胞形态图I_Btd，此即阈值分割最终结果图，其中间结果示意图如图9所示；

（3-2）根据步骤（3-1-5）得到的边缘分割结果图I_Be、I_Ge、I_Re和步骤（3-1-6）得到的阈值分割结果图I_Btd提取最清晰图I_IN中的细胞特征，统计各类细胞特征并设定特征阈值，具体包括以下子步骤：

（3-2-1）提取步骤（3-1）的边缘分割结果图I_Be、I_Ge、I_Re和阈值分割结果图I_Btd中的各连通区域特征：面积S、圆形度C_R和形状因子F，具体如下：

细胞和杂质对应的连通区域特点：细胞一般接近圆形，背景杂质和噪声呈不规则状，因此可以用面积S、圆形度C_R和形状因子F三个特征对它们加以区分。形状因子F和圆形度C_R计算公式如下：

F＝(L*L)/(4*π*S)

其中，L为连通区域R的周长，S为连通区域R的面积。

$C_R=\frac{{\mathrm{\&mu;}}_R}{{\mathrm{\&delta;}}_R}$

其中，μ是从连通区域R重心到边界点的平均距离，δ是连通区域R重心到边界点的距离的均方差：

${\mathrm{\&mu;}}_R=\frac{1}{k}\underset{i=0}{\overset{k-1}{\mathrm{\&Sigma;}}}\left|\right|(x_i,y_i)-(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})\left|\right|$ （k：边界点个数）

${\mathrm{\&delta;}}_R=\frac{1}{k}\underset{i=0}{\overset{k-1}{\mathrm{\&Sigma;}}}{\left[\right||(x_i,y_i)-(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})||-{\mathrm{\&mu;}}_R]}^2$

是区域重心：

$\stackrel{\&OverBar;}{x}=\frac{1}{S}\underset{(x,y)\&Element;R}{\mathrm{\&Sigma;}}x,\stackrel{\&OverBar;}{y}=\frac{1}{S}\underset{(x,y)\&Element;R}{\mathrm{\&Sigma;}}y$

当连通区域趋近圆形时，形状因子F趋于1，圆形度C_R单调递增且趋向无穷，它不受区域平移、旋转和尺度变化的影响。

（3-2-2）统计步骤（3-2-1）中各连通区域特征的细胞特征，并根据细胞特征设置细胞特征阈值；在本实施方式中，细胞特征阈值为细胞的圆形度阈值和形状因子阈值，具体结果如下：红细胞面积范围为A1：200～500，圆形度范围1.0～1.8，形状因子范围5～正无穷；白细胞面积范围为A2：500～2000，圆形度范围1.0～2.0，形状因子范围3～正无穷，本发明实施例中，设定两种细胞的形状因子阈值均为THRESH_F=1.5，红细胞圆形度阈值为THRESH_Cr_RED=9（红细胞接近圆形，阈值偏大），白细胞圆形度阈值为THRESH_Cr_WHITE=5（白细胞容易变形，阈值偏小）。

（3-3）根据步骤（3-2）设定的细胞特征阈值在边缘分割结果图I_Be、I_Ge、I_Re和阈值分割结果图I_Btd进行红、白细胞判别；判别方式为：首先计算细胞的区域面积S，若在红细胞面积范围A1内，形状因子小于THRESH_F并且圆形度大于THRESH_Cr_RED时判为红细胞，否则判为杂质；若细胞的区域面积S在白细胞面积范围A2内，形状因子小于THRESH_F并且圆形度大于THRESH_Cr_WHITE时判为红细胞，否则判为杂质。

本步骤具体包括以下子步骤：

（3-3-1）根据边缘分割结果图I_Be提取的特征判断各区域所属类型（红细胞、白细胞和杂质），在最清晰图像I_IN中用圆圈标出找到的细胞，红圈代表红细胞，白圈代表白细胞，同时根据已找到的细胞屏蔽边缘分割结果图I_Ge、I_Re和阈值分割结果图I_Btd中对应的细胞区域，结果如图10所示；

（3-3-2）提取边缘分割结果图I_Ge中各区域特征并判定其类型，在最清晰图像I_IN中用圆圈标出找到的细胞，同时根据已找到的细胞屏蔽边缘分割结果图I_Re和阈值分割结果图I_Btd中对应的细胞区域，结果如图11所示；

（3-3-3）提取边缘分割结果图I_Re中各区域特征并判定其类型，在最清晰图像I_IN中用圆圈标出找到的细胞，同时根据已找到的细胞屏蔽阈值分割结果图I_Btd中对应的细胞区域，结果如图12所示；

（3-3-4）提取阈值分割结果图I_Btd中各区域特征并判定其类型，在最清晰图像I_IN中用圆圈标出找到的细胞，结果如图13所示。

图13是最清晰图像I_IN最终识别出的细胞结果图。由图可以看出，除了粘连和变形严重的细胞外，其他细胞都被正确的识别和归类。

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 (8)

1.一种从粪便显微图像中提取细胞的方法，其特征在于，包括以下步骤：

（1）用相机拍摄细胞显微图像并保存到计算机，读取此细胞显微图像并计算其平均梯度G，根据G值调节显微镜焦距并继续拍照读图，直到找到最大平均梯度G对应的最清晰图像I_IN为止；

（2）对步骤（1）得到的最清晰图像I_IN提取脂肪球，以获得I_IN中脂肪球的位置和数目；

（3）利用边缘提取和阈值分割方法对步骤（1）得到的最清晰图像I_IN提取细胞，以得到I_IN中红细胞和白细胞的位置、种类及数目。

2.根据权利要求1所述的方法，其特征在于，步骤（1）包括以下子步骤：

（1-1）拍摄一幅细胞显微图像I,读取I并计算其平均梯度G,平均梯度G的计算公式如下：

$G(i,j)=\sqrt{{(I(i,j)-I(i,j+1))}^2+{(I(i,j)-I(i+1,j))}^2}$

$G=\underset{i=0}{\overset{H-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{W-1}{\mathrm{\&Sigma;}}}G(i,j)/(H*W)$

其中，G(i,j)为图像I中像素点(i,j)处对应梯度，I(i,j)是图像I中像素点(i,j)处对应的像素值，i和j分别表示横、纵坐标，H、W分别为图I的高、宽；

（1-2）固定一个方向调节显微镜准焦旋钮，摄取图像并读图，计算其平均梯度，当平均梯度变小时往相反方向调节准焦旋钮，变大时调节方向不变，直到图像的平均梯度值最大为止，由此获得最大平均梯度G对应的最清晰图像I_IN。

3.根据权利要求1所述的方法，其特征在于，步骤（3）包括以下子步骤：

（3-1）读取步骤（1）得到的最清晰图像I_IN，并利用边缘分割和阈值分割方法对其进行图像分割，以分别得到边缘分割结果图I_Be、I_Ge、I_Re和阈值分割结果图I_Btd；

（3-2）根据步骤（3-1）得到的边缘分割结果图I_Be、I_Ge、I_Re和阈值分割结果图I_Btd提取最清晰图I_IN中的细胞特征，统计各类细胞特征并设定特征阈值；

（3-3）根据步骤（3-2）设定的细胞特征阈值在边缘分割结果图I_Be、I_Ge、I_Re和阈值分割结果图I_Btd进行红、白细胞判别。

4.根据权利要求3所述的方法，其特征在于，步骤（3-1）包括以下子步骤：

（3-1-1）读取最清晰图像I_IN，将其颜色通道分离，以得到蓝、绿、红三个通道对应的图像I_B、I_G、I_R；

（3-1-2）用Cann_y算子提取步骤（3-1）得到的图像I_B、I_G、I_R边缘，以得到对应的边缘图I_Bedge、I_Gedge、I_Redge；

（3-1-3）对步骤（3-1-2）得到的边缘图I_Bedge、I_Gedge、I_Redge进行膨胀操作，进一步连接断开的边缘，以得到对应的膨胀结果图I_Bd、I_Gd、I_Rd；

（3-1-4）填充膨胀结果图I_Bd、I_Gd、I_Rd中有空洞的区域，以得到完整细胞形状图；

（3-1-5）使用与步骤（3-1-3）对应的腐蚀操作，将完整细胞形状图中的细胞还原为其实际大小，同时消除图中小的噪声点，以得到腐蚀结果图I_Be、I_Ge、I_Re，即三个通道边缘分割的最终结果图。

（3-1-6）对步骤（3-1-1）中的图像I_B进行阈值分割，以获得阈值分割结果图I_Btd。

5.根据权利要求4所述的方法，其特征在于，步骤（3-1-6）具体为，首先，统计图像I_B的直方图，以找到最大值对应位置L_max，此位置代表背景平均灰度值；然后，对该直方图中的像素点进行阈值分割，以得到分割结果图I_Bt，其公式如下：

$I_{\mathrm{Bt}}(m,n)=\left\{\begin{array}{ccc}0& \mathrm{if}& I_B(m,n)>=T\\ 1& \mathrm{if}& I_B(m,n)<T\end{array}\right.,0<=m<H,0<=n<W$

其中，I_B(m,n)为图像I_B中位置(m,n)处对应的灰度值，I_Bt为分割结果，T=L_max-15为阈值；最后对分割结果图I_Bt进行形态学处理，以得到完整细胞形态图I_Btd，即阈值分割最终结果图。

6.根据权利要求3所述的方法，其特征在于，步骤（3-2）包括以下子步骤：

（3-2-1）提取步骤（3-1）的边缘分割结果图I_Be、I_Ge、I_Re和阈值分割结果图I_Btd中的各连通区域特征：面积S、圆形度C_R和形状因子F；

（3-2-2）统计步骤（3-2-1）中各连通区域特征的细胞特征，并根据细胞特征设置细胞特征阈值。

7.根据权利要求6所述的方法，其特征在于，细胞特征阈值为细胞的圆形度阈值和形状因子阈值，具体为红细胞面积范围为A1：200～500，圆形度范围1.0～1.8，形状因子范围5～正无穷；白细胞面积范围为A2：500～2000，圆形度范围1.0～2.0，形状因子范围3～正无穷。

8.根据权利要求3所述的方法，其特征在于，步骤（3-3）具体包括以下子步骤：

（3-3-1）根据边缘分割结果图I_Be提取的特征判断各区域所属类型，在最清晰图像I_IN中用圆圈标出找到的细胞，同时根据已找到的细胞屏蔽边缘分割结果图I_Ge、I_Re和阈值分割结果图I_Btd中对应的细胞区域；

（3-3-2）提取边缘分割结果图I_Ge中各区域特征并判定其类型，在最清晰图像I_IN中用圆圈标出找到的细胞，同时根据已找到的细胞屏蔽边缘分割结果图I_Re和阈值分割结果图I_Btd中对应的细胞区域；

（3-3-3）提取边缘分割结果图I_Re中各区域特征并判定其类型，在最清晰图像I_IN中用圆圈标出找到的细胞，同时根据已找到的细胞屏蔽阈值分割结果图I_Btd中对应的细胞区域；

（3-3-4）提取阈值分割结果图I_Btd中各区域特征并判定其类型，在最清晰图像I_IN中用圆圈标出找到的细胞。

Images