CN103606173A - 基于区域特征的细胞跟踪方法及装置 - Google Patents
基于区域特征的细胞跟踪方法及装置 Download PDFInfo
- Publication number
- CN103606173A CN103606173A CN201310611680.6A CN201310611680A CN103606173A CN 103606173 A CN103606173 A CN 103606173A CN 201310611680 A CN201310611680 A CN 201310611680A CN 103606173 A CN103606173 A CN 103606173A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- tracked
- area
- frame
- 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.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于区域特征的细胞跟踪方法及装置,该方法首先对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行图像分割,在细胞图像中标记细胞区域,根据每个细胞区域的质心求出与待跟踪细胞之间的欧式距离,如果小于细胞运动的平均距离,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;最后对所有的候选细胞,分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为该待跟踪细胞的匹配细胞。本发明同时还公开了应用该方法进行细胞跟踪装置。本发明的对粘连细胞的识别和分离准确率高,能够快速有效地进行细胞跟踪。
Description
技术领域
本发明属于计算机视觉技术领域,尤其涉及基于区域特征的细胞跟踪方法及装置。
背景技术
细胞动态分析在细胞生物学和生物医学中都具有重要的研究意义和应用价值,其通常是通过对细胞进行跟踪来实现的,然而传统的细胞跟踪方法不仅需要大量繁琐的人为操作,还需要使用物理、化学等操作,使研究结果不能客观的反映细胞的自然运动。
随着计算机视觉技术和数字图像处理技术的发展,运动目标的检测和跟踪作为计算机视觉的研究内容之一,已经越来越受到科研人员的广泛关注。在大多数的数字图像视频分析应用中,主要的目标是在图像序列中检测和跟踪一个或多个物体的运动。分析视频图像中物体运动的应用非常广泛,例如交通控制、机器人控制、海洋监测和人脸检测识别等。然而,随着显微镜技术的快速发展,把计算机视觉技术和数字图像处理技术运用到微观领域进行科学研究也引起了科研人员的兴趣。
由于显微细胞图像存在图像模糊、细胞分布杂乱等特点,通过传统的人工方法分析显微镜下拍摄的大量图片是一件冗长乏味的事情,而且随着细胞图像数据的不断增加和重复观察的需要,显然人工分析的方法是一项不切实际的方法。而且有时候由于使用了物理化学等操作使实验结果不能够正确地反映细胞的自然运动,因此传统的细胞跟踪方法在技术日益更新的今天已不再适用。随着计算机技术的发展,运用数字图像处理技术和计算机视觉的技术定量分析视频中细胞的运动无疑是很好的选择,不仅能够减少人为因素的干扰,而且自动地分析细胞的动态行为,已经成为取代人工方法的一项重要技术。
然而由于细胞图像本身具有复杂的自然属性和结构特性如光照的影响、边界模糊、信噪比低、重叠细胞等问题,虽然现有技术基于阈值的细胞图像分割方法和基于形变模型的细胞图像分割方法在分割细胞图像时都能够取得很好的分割效果,但是在分割结果中通常会存在粘连的现象,需要进行进一步处理。
发明内容
本发明的目的是提出一种基于区域特征的细胞跟踪方法及装置,用以解决现有技术在细胞图像分割时存在的粘连现象。
一种基于区域特征的细胞跟踪方法,用于根据显微视频的帧图像进行细胞跟踪,所述方法包括步骤:
步骤1、对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行图像分割,在细胞图像中标记细胞区域;
步骤2、以第一帧细胞图像为当前细胞图像,在该细胞图像中标记要跟踪的待跟踪细胞;
步骤3、输入当前细胞图像的下一帧细胞图像,根据每个细胞区域的质心求出与待跟踪细胞之间的欧式距离,如果小于细胞运动的平均距离,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;
步骤4、对所有的候选细胞,分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为该待跟踪细胞的匹配细胞;
步骤5、判断是否所有细胞图像跟踪完毕,是则结束细胞跟踪,否则以下一帧细胞图像为当前细胞图像,以匹配细胞为待跟踪细胞,返回步骤3。
进一步地,所述步骤1包括步骤:
步骤1.1、对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行分割,将潜在的细胞区域从背景区域中提取出来;
步骤1.2、将分割后的图像进行二值化,并基于数学形态学对细胞图像进行区域填充和噪点去除;
步骤1.3、查找细胞图像中的粘连细胞,并进行粘连细胞分离;
步骤1.4、在细胞图像中标记细胞区域。
进一步地,所述查找细胞图像中的粘连细胞,并进行粘连细胞分离,具体包括步骤:
步骤1.3.1、查找出细胞区域面积大于预先设定的面积阈值的可能粘连细胞;
步骤1.3.2、在当前细胞图像的前一帧中和后一帧中搜索所述可能粘连细胞对应的细胞区域,如果该可能粘连细胞的面积大于对应的细胞区域面积超过一定比例值,则判断该可能粘连细胞为粘连细胞;
步骤1.3.3、将粘连细胞进行分离。
进一步地,所述比例值为40%。由于细胞分裂导致的细胞面积增长不会超过40%,所以将比例值设为40%,可以有效区分粘连细胞与细胞分裂。
本发明中,所述相似度计算公式如下:
ER(k,k')=λ1Edisplacement+λ2Earea+λ3Edeformation
其中ER(k,k')为待跟踪细胞k和候选细胞k'的相似度,λ1,λ2和λ3表示对应的区域特征参数在相似度函数中的权重;
位移变化参数Edisplacement反映了细胞在相邻两帧图片之间的移动距离大小:
式中Dk,k’表示细胞k和细胞k’之间的欧式距离:
H和W分别是图像的高度和宽度,(xk,yk)和(xk',yk')分别表示待跟踪细胞k和候选细胞k'的坐标;
其中,面积变化参数Earea反应了细胞在相邻两帧图像之间的变化大小,其计算公式如下:
式中Sk t和Sk’ t+1分别表示待跟踪细胞k和候选细胞k'在帧序号t和帧序号t+1时的面积大小;
其中,形状变化参数Edeformation表示细胞在相邻两帧之间的形状变化,其计算如下:
式中Q=(4πArea)/Perimeter2,Qk t和Qk’ t+1分别表示待跟踪细胞k和候选细胞k'在帧序号t和帧序号t+1时的圆形度,Area为面积参数,Perimeter为周长参数。
本发明同时提出了一种基于区域特征的细胞跟踪装置,用于根据显微视频的帧图像进行细胞跟踪,所述装置包括:
图像分割模块,用于对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行图像分割,在细胞图像中标记细胞区域;
待跟踪细胞标记模块,用于在当前细胞图像中标记待跟踪的待跟踪细胞;
候选细胞查找模块,用于根据当前细胞图像的下一帧细胞图像中每个细胞区域的质心求出与待跟踪细胞之间的欧式距离,如果小于细胞运动的平均距离,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;
匹配模块,用于对所有的候选细胞,分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为该待跟踪细胞的匹配细胞;
判断模块,用于判断是否所有细胞图像跟踪完毕,是则结束细胞跟踪,否则以下一帧细胞图像为当前细胞图像,以匹配细胞为待跟踪细胞,返回所述候选细胞查找模块查找下一帧细胞图像中的候选细胞。
进一步地,所述图像分割模块具体包括:
背景分离单元,用于对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行分割,将潜在的细胞区域从背景区域中提取出来;
图像处理单元,用于将分割后的图像进行二值化,并基于数学形态学对细胞图像进行区域填充和噪点去除;
粘连细胞处理单元,用于查找细胞图像中的粘连细胞,并进行粘连细胞分离;
细胞区域标记单元,用于在细胞图像中标记细胞区域。
进一步地,所述粘连细胞处理单元包括:
查找子单元,用于查找出细胞区域面积大于预先设定的面积阈值的可能粘连细胞;
粘连细胞判定子单元,用于在当前细胞图像的前一帧中和后一帧中搜索所述可能粘连细胞对应的细胞区域,如果该可能粘连细胞的面积大于对应的细胞区域面积超过一定比例值,则判断该可能粘连细胞为粘连细胞;
粘连细胞分离子单元,用于将粘连细胞进行分离。
本发明提出的基于区域特征的细胞跟踪方法及装置,对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行图像分割,在细胞图像中标记细胞区域,根据每个细胞区域的质心求出与待跟踪细胞之间的欧式距离,如果小于细胞运动的平均距离,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;最后对所有的候选细胞,分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为该待跟踪细胞的匹配细胞。本发明对粘连细胞的识别和分离准确率高,能够快速有效地进行细胞跟踪。
附图说明
图1为本发明基于区域特征的细胞跟踪方法流程图;
图2为本发明细胞标记流程图;
图3a为本发明实施例采用的一帧细胞图像原图;
图3b为经过细胞图像分割后的细胞图像;
图3c为对细胞图像进行二值化后的细胞图像;
图3d为去除了噪点的细胞图像;
图3e为经过对粘连细胞进行了分离的细胞图像;
图4为本发明基于区域特征的细胞跟踪装置结构示意图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明,以下实施例不构成对本发明的限定。
图1示出了本实施例基于区域特征的细胞跟踪方法的流程,包括如下步骤:
步骤101、对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行图像分割,在细胞图像中标记细胞区域。
由于显微细胞图像存在图像模糊、细胞分布杂乱等特点,为了对细胞进行跟踪,首先需要将经显微视频转换后的细胞图像中的细胞区域标记出来,细胞区域标记过程包括步骤:
步骤201、对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行分割,将潜在的细胞区域从背景区域中提取出来。
对于通过显微方法拍摄的细胞视频,借助于MATLAB(MatrixLaboratory)等图像处理工具,将视频转换后得到连续的不同时刻的细胞图像序列。对于得到的每一帧图像,如果细胞目标区域与背景区域有很明显的对比度,则运用最大类间方法(OTSU)就可以把潜在的细胞区域从背景区域中提取出来;而对于细胞目标区域与背景区域的对比度不明显的帧图像,通常采用高斯滤波器对图像进行预处理后,采用水平集的方法得到细胞的区域轮廓,将把潜在的细胞区域从背景区域中提取出来。
例如根据英国剑桥大学肿瘤细胞研究所提供的显微细胞视频,经过转换得到的一帧图像如图3a所示,在经过图像分割后,得到如图3b的图像,可见在图3b中,潜在的细胞区域已经被从背景区域中提取了出来。
步骤202、将分割后的图像进行二值化,并基于数学形态学对图像进行区域填充和噪点去除;
通过步骤201得到的分割结果在后面很难运用数学形态学的方法处理,无法进行细胞形态参数的计算,需要将分割的结果变换为二值图像。二值图像顾名思义就是只有两个灰度级的图像,是数字图像中的一个重要子集,一个二值图像通常是由一个图像分割操作产生的。如果初始的分割不够令人满意,对二值图像的某些形式的处理通常能提高图像的分割质量。二值图像的操作过程是先设定一个灰度阈值,扫描图像中的每个灰度值,如果该灰度值小于阈值,则将该灰度值置0,否则置1。细胞图像的二值图像含有黑、白两种颜色,是后面提取细胞形态参数的前提。将分割结果变换为二值图如图3c所示。
由于细胞图像受光照变化或区域抖动的影响,细胞二值图像中不仅包括运动目标,往往在细胞分割结果中还存在噪声点,存在的噪声点会被误认为是一个细胞,影响细胞区域检测的结果和细胞跟踪的准确率。因此,在进行下一步工作之前需要进一步的处理。
在细胞二值图像中,对像素灰度值来说,如果灰度值为1,则表示该区域是运动目标或噪声点。当该像素为运动目标时,其往往具有一定大小的面积,周围存在一定量的像素值为1的像素点。当该像素为噪声点时,在图像中一般表现为孤立的点,其周围像素值为1的像素点比较少。本实施例就是运用运动目标与噪声点的这种区别来去除噪声点。
首先对分割结果得到的二值图进行区域填充,得到填充图;然后构造结构元素,与前面得到的填充图进行开运算;最后选择合适的面积阈值,消除图像中的杂点。
得到的最终结果如图3d所示,有一些位于细胞边界的细胞,区域比较小,可能会被误认为是杂点从而被去除,但是这不影响后面细胞的追踪,因为在细胞追踪的过程中不考虑边界的细胞。
需要说明的是,基于数学形态学图像处理方法的基本思想是用具有一定形态的结构元素去度量和提取图像结构的信息,以达到对图像分析和识别的目的。结构元素的选择与从图像中提取何种信息有着密切的关系,构造不同形状的结构元素,便可以完成不同的图像分析,得到不同的分析结果。基于数学形态学的图像处理方法就是运用不同形状的结构元素与图像中的目标区域进行一系列的基本运算来处理和分析图像。其中对二值图进行区域填充即包括填充操作、膨胀操作和腐蚀操作,这里不再赘述。
步骤203、查找细胞图像中的粘连细胞,并进行粘连细胞分离。
由于细胞图像自身的特征,细胞区域通常会存在粘连现象,这些粘连的细胞对后面细胞的形态参数计算和细胞跟踪都存在很大的影响,因此成功分离粘连细胞具有重要的意义。然而,由于细胞自身的增值特征,在一个细胞完全分裂成两个细胞之前也会出现细胞粘连在一起的现象,但是此时并不能看成粘连细胞。因此,为了能够正确判断粘连细胞的情况,本实施基于相邻帧间细胞面积变化的方法来判断粘连的细胞。
具体过程如下:
(1)在当前细胞图像中查找出细胞区域面积大于预先设定的面积阈值的可能粘连细胞。
面积阈值是粘连细胞最小的可能面积,可由统计样本得到。通过逐行逐列扫描图像像素,将细胞区域的面积与面积阈值进行对比,就可以查找出可能粘连细胞。
(2)在当前细胞图像的前一帧中和后一帧中搜索该可能粘连细胞对应的细胞区域,如果该可能粘连细胞的面积大于对应的细胞区域面积超过一定比例值,则判断该可能粘连细胞为粘连细胞。
对于步骤(1)中查找出的可能粘连细胞,在当前帧图像的前一帧图像和后一帧图像中,找到该可能粘连细胞对应的细胞,如果该可能粘连细胞的面积大于对应细胞面积的40%,则认为该可能粘连细胞是粘连细胞。因为在细胞分裂过程中,细胞的面积增长不会超过40%,所以设定该比例为40%,以此判断粘连细胞不是细胞分裂。
(3)将粘连细胞进行分离。
分水岭算法对于粘连细胞的分离能取得很好的效果,采用分水岭算法对步骤(2)判断得到的粘连细胞进行分离。分离后的细胞图像如图3e所示。
需要说明的是,分水岭算法本质上是一种基于区域的分割算法,但因为其运用了极小值的思想,从图像中被检测到的局部极小值开始进行增长的,因此在解决具有目标区域重叠的图像分割问题时能得到比较好的分割结果,生成的分割结果通常也更稳定,因此其应用范围很广。
步骤204、在细胞图像中标记细胞区域。
细胞图像的分割实现了细胞目标区域和背景区域的分离,为了提取细胞的形态参数,还需要进行细胞区域的连通性检测,连通性检测是指从左到右、从上到下依次扫描图像中的像素点,来查找具有相连像素点的区域,也就是说由相同像素值构成的区域。最后对进行了连通性检测的细胞区域进行细胞区域的标记。
式中xi为像素点横坐标,yj为像素点纵坐标。M和N分别是图像行数和列数。至此,完成对细胞图像中细胞区域的定位。
本实施例采用Matlab工具箱中图像处理函数对剑桥大学提供的显微细胞视频进行处理,得到对应的200帧的单帧图像。为了定量描述本发明基于计算机视觉的细胞定位方法定位精度,随机选取了6帧图片,进行结果的统计,统计的结果表1所示。从实验结果可以看出,细胞定位具有92%的准确率,而且可以很好的检测出粘连细胞达到正确分割的结果。本实施例细胞定位实验结果如下表:
表1
可见,只是第1帧由于存在细胞过度粘连以至于融合在一起无法进行正确的分离,随着时间的进行,这些细胞又逐渐分开,在后面的图像中都能够达到正确分离的目的。
步骤102、以第一帧细胞图像为当前细胞图像,在该细胞图像中标记要跟踪的待跟踪细胞。
步骤103、输入当前细胞图像的下一帧细胞图像,根据每个细胞区域的质心求出与待跟踪细胞之间的欧式距离,如果小于细胞运动的平均距离,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息。
对于当前细胞图像,例如帧序号为1,则在帧序号为2细胞图像中,计算每个细胞区域的质心与待跟踪细胞之间的欧式距离L。由于在步骤101中已经计算出每个细胞区域的质心的坐标,只需要计算每个细胞区域的质心与待跟踪细胞质心的欧式距离,就可以得到L,这里的待跟踪细胞质心坐标是帧序号1的细胞图像中待跟踪细胞的细胞质心坐标。
对于细胞运动的平均距离d,则可以根据细胞在相邻两帧图像之间的移动距离大小来进行统计得到。
步骤104、对所有的候选细胞,分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为该待跟踪细胞的匹配细胞。
其中,相似度ER(k,k')计算公式如下:
ER(ck,ck')=λ1Edisplacement+λ2Earea+λ3Edeformation
式中ER(k,k')表示待跟踪细胞k和候选细胞k'的相似度,λ1,λ2和λ3表示对应的区域特征参数在相似度函数中的权重,他们取值范围在0和1之间,之和为1。
其中,位移变化参数Edisplacement反映了细胞在相邻两帧图片之间的移动距离大小:
式中Dk,k’表示细胞k和细胞k’之间的欧式距离:
H和W分别是图像的高度和宽度,(xk,yk)和(xk',yk')分别表示待跟踪细胞k和候选细胞k'的坐标。
其中,面积变化参数Earea反应了细胞在相邻两帧图像之间的变化大小,其计算公式如下:
式中Sk t和Sk’ t+1分别表示待跟踪细胞k和候选细胞k'在帧序号t和帧序号t+1时的面积大小。
其中,形状变化参数Edeformation表示细胞在相邻两帧之间的形状变化,其计算如下:
式中Q=(4πArea)/Perimeter2,Qk t和Qk’ t+1分别表示待跟踪细胞k和候选细胞k'在帧序号t和帧序号t+1时的圆形度,Area为面积参数,Perimeter为周长参数。其中Area面积参数为细胞区域所占像素点的总个数,Perimeter周长参数为细胞区域离散的点组成的边界。
根据本步骤确定的匹配细胞就是待跟踪细胞在下一帧细胞图像中对应的细胞。
步骤105、判断是否所有细胞图像跟踪完毕,是则结束细胞跟踪,否则以下一帧细胞图像为当前细胞图像,以匹配细胞为待跟踪细胞,返回步骤103。
图4示出了基于区域特征的细胞跟踪装置的结构示意图,本实施例该装置包括:
图像分割模块,用于对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行图像分割,在细胞图像中标记细胞区域;
待跟踪细胞标记模块,用于在当前细胞图像中标记待跟踪的待跟踪细胞;
候选细胞查找模块,用于根据当前细胞图像的下一帧细胞图像中每个细胞区域的质心求出与待跟踪细胞之间的欧式距离,如果小于细胞运动的平均距离,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;
匹配模块,用于对所有的候选细胞,分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为该待跟踪细胞的匹配细胞;
判断模块,用于判断是否所有细胞图像跟踪完毕,是则结束细胞跟踪,否则以下一帧细胞图像为当前细胞图像,以匹配细胞为待跟踪细胞,返回所述候选细胞查找模块查找下一帧细胞图像中的候选细胞。
具体地,图像分割模块具体包括:
背景分离单元,用于对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行分割,将潜在的细胞区域从背景区域中提取出来;
图像处理单元,用于将分割后的图像进行二值化,并基于数学形态学对细胞图像进行区域填充和噪点去除;
粘连细胞处理单元,用于查找细胞图像中的粘连细胞,并进行粘连细胞分离;
细胞区域标记单元,用于在细胞图像中标记细胞区域。
具体地,粘连细胞处理单元包括:
查找子单元,用于查找出细胞区域面积大于预先设定的面积阈值的可能粘连细胞;
粘连细胞判定子单元,用于在当前细胞图像的前一帧中和后一帧中搜索所述可能粘连细胞对应的细胞区域,如果该可能粘连细胞的面积大于对应的细胞区域面积超过一定比例值,则判断该可能粘连细胞为粘连细胞;
粘连细胞分离子单元,用于将粘连细胞进行分离。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种基于区域特征的细胞跟踪方法,用于根据显微视频的帧图像进行细胞跟踪,其特征在于,所述方法包括步骤:
步骤1、对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行图像分割,在细胞图像中标记细胞区域;
步骤2、以第一帧细胞图像为当前细胞图像,在该细胞图像中标记要跟踪的待跟踪细胞;
步骤3、输入当前细胞图像的下一帧细胞图像,根据每个细胞区域的质心求出与待跟踪细胞之间的欧式距离,如果小于细胞运动的平均距离,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;
步骤4、对所有的候选细胞,分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为该待跟踪细胞的匹配细胞;
步骤5、判断是否所有细胞图像跟踪完毕,是则结束细胞跟踪,否则以下一帧细胞图像为当前细胞图像,以匹配细胞为待跟踪细胞,返回步骤3。
2.根据权利要求1所述的细胞跟踪方法,其特征在于,所述步骤1包括步骤:
步骤1.1、对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行分割,将潜在的细胞区域从背景区域中提取出来;
步骤1.2、将分割后的图像进行二值化,并基于数学形态学对细胞图像进行区域填充和噪点去除;
步骤1.3、查找细胞图像中的粘连细胞,并进行粘连细胞分离;
步骤1.4、在细胞图像中标记细胞区域。
3.根据权利要求2所述的细胞跟踪方法,其特征在于,所述查找细胞图像中的粘连细胞,并进行粘连细胞分离,具体包括步骤:
步骤1.3.1、查找出细胞区域面积大于预先设定的面积阈值的可能粘连细胞;
步骤1.3.2、在当前细胞图像的前一帧中和后一帧中搜索所述可能粘连细胞对应的细胞区域,如果该可能粘连细胞的面积大于所述对应的细胞区域面积超过一定比例值,则判断该可能粘连细胞为粘连细胞;
步骤1.3.3、将粘连细胞进行分离。
4.根据权利要求3所述的细胞跟踪方法,其特征在于,所述比例值为40%。
5.根据权利要求1所述的细胞跟踪方法,其特征在于,所述相似度计算公式如下:
ER(k,k')=λ1Edisplacement+λ2Earea+λ3Edeformation
其中ER(k,k')为待跟踪细胞k和候选细胞k'的相似度,λ1,λ2和λ3表示对应的区域特征参数在相似度函数中的权重;
位移变化参数Edisplacement反映了细胞在相邻两帧图片之间的移动距离大小:
式中Dk,k’表示细胞k和细胞k’之间的欧式距离:
H和W分别是细胞图像的高度和宽度,(xk,yk)和(xk',yk')分别表示待跟踪细胞k和候选细胞k'的坐标;
其中,面积变化参数Earea反应了细胞在相邻两帧图像之间的变化大小,其计算公式如下:
式中Sk t和Sk’ t+1分别表示待跟踪细胞k和候选细胞k'在帧序号t和帧序号t+1时的面积大小;
其中,形状变化参数Edeformation表示细胞在相邻两帧之间的形状变化,其计算如下:
式中Q=(4πArea)/Perimeter2,Qk t和Qk’ t+1分别表示待跟踪细胞k和候选细胞k'在帧序号t和帧序号t+1时的圆形度,Area为面积参数,Perimeter为周长参数。
6.一种基于区域特征的细胞跟踪装置,用于根据显微视频的帧图像进行细胞跟踪,其特征在于,所述装置包括:
图像分割模块,用于对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行图像分割,在细胞图像中标记细胞区域;
待跟踪细胞标记模块,用于在当前细胞图像中标记待跟踪的待跟踪细胞;
候选细胞查找模块,用于根据当前细胞图像的下一帧细胞图像中每个细胞区域的质心求出与待跟踪细胞之间的欧式距离,如果小于细胞运动的平均距离,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;
匹配模块,用于对所有的候选细胞,分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为该待跟踪细胞的匹配细胞;
判断模块,用于判断是否所有细胞图像跟踪完毕,是则结束细胞跟踪,否则以下一帧细胞图像为当前细胞图像,以匹配细胞为待跟踪细胞,返回所述候选细胞查找模块查找下一帧细胞图像中的候选细胞。
7.根据权利要求6所述的细胞跟踪装置,其特征在于,所述图像分割模块具体包括:
背景分离单元,用于对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行分割,将潜在的细胞区域从背景区域中提取出来;
图像处理单元,用于将分割后的图像进行二值化,并基于数学形态学对细胞图像进行区域填充和噪点去除;
粘连细胞处理单元,用于查找细胞图像中的粘连细胞,并进行粘连细胞分离;
细胞区域标记单元,用于在细胞图像中标记细胞区域。
8.根据权利要求7所述的细胞跟踪装置,其特征在于,所述粘连细胞处理单元包括:
查找子单元,用于查找出细胞区域面积大于预先设定的面积阈值的可能粘连细胞;
粘连细胞判定子单元,用于在当前细胞图像的前一帧中和后一帧中搜索所述可能粘连细胞对应的细胞区域,如果该可能粘连细胞的面积大于所述对应的细胞区域面积超过一定比例值,则判断该可能粘连细胞为粘连细胞;
粘连细胞分离子单元,用于将粘连细胞进行分离。
9.根据权利要求8所述的细胞跟踪装置,其特征在于,所述比例值为40%。
10.根据权利要求6所述的细胞跟踪装置,其特征在于,所述匹配模块计算相似度的计算公式如下:
ER(k,k')=λ1Edisplacement+λ2Earea+λ3Edeformation
其中ER(k,k')为待跟踪细胞k和候选细胞k'的相似度,λ1,λ2和λ3表示对应的区域特征参数在相似度函数中的权重;
位移变化参数Edisplacement反映了细胞在相邻两帧图片之间的移动距离大小:
式中Dk,k’表示细胞k和细胞k’之间的欧式距离:
H和W分别是图像的高度和宽度,(xk,yk)和(xk',yk')分别表示待跟踪细胞k和候选细胞k'的坐标;
其中,面积变化参数Earea反应了细胞在相邻两帧图像之间的变化大小,其计算公式如下:
式中Sk t和Sk’ t+1分别表示待跟踪细胞k和候选细胞k'在帧序号t和帧序号t+1时的面积大小;
其中,形状变化参数Edeformation表示细胞在相邻两帧之间的形状变化,其计算如下:
式中Q=(4πArea)/Perimeter2,Qk t和Qk’ t+1分别表示待跟踪细胞k和候选细胞k'在帧序号t和帧序号t+1时的圆形度,Area为面积参数,Perimeter为周长参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310611680.6A CN103606173A (zh) | 2013-11-26 | 2013-11-26 | 基于区域特征的细胞跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310611680.6A CN103606173A (zh) | 2013-11-26 | 2013-11-26 | 基于区域特征的细胞跟踪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103606173A true CN103606173A (zh) | 2014-02-26 |
Family
ID=50124393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310611680.6A Pending CN103606173A (zh) | 2013-11-26 | 2013-11-26 | 基于区域特征的细胞跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103606173A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977978A (zh) * | 2017-11-01 | 2018-05-01 | 浙江农林大学 | 一种基于椭圆轴关系确定细胞粘连方式的方法及系统 |
CN109087283A (zh) * | 2018-07-03 | 2018-12-25 | 怀光智能科技(武汉)有限公司 | 基于细胞团的宫颈细胞病理切片病变细胞识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4321121B2 (ja) * | 2003-05-30 | 2009-08-26 | 株式会社日立メディコ | 診断画像における生体組織の動きの追跡方法及びその方法を用いた画像診断装置 |
CN101968886A (zh) * | 2010-09-09 | 2011-02-09 | 西安电子科技大学 | 基于质心跟踪框架的粒子滤波与均值漂移的细胞跟踪方法 |
-
2013
- 2013-11-26 CN CN201310611680.6A patent/CN103606173A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4321121B2 (ja) * | 2003-05-30 | 2009-08-26 | 株式会社日立メディコ | 診断画像における生体組織の動きの追跡方法及びその方法を用いた画像診断装置 |
CN101968886A (zh) * | 2010-09-09 | 2011-02-09 | 西安电子科技大学 | 基于质心跟踪框架的粒子滤波与均值漂移的细胞跟踪方法 |
Non-Patent Citations (1)
Title |
---|
CHEN ZHU等: "A Novel Cell Segmentation,Tracking and Dynamic Analysis Method in Time-Lapse Microscopy Based on Cell Local Graph Structure and Motion Features", 《CHINESE CONFERENCE ON PATTERN RECOGNITION》, 26 September 2012 (2012-09-26), pages 359 - 366 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977978A (zh) * | 2017-11-01 | 2018-05-01 | 浙江农林大学 | 一种基于椭圆轴关系确定细胞粘连方式的方法及系统 |
CN107977978B (zh) * | 2017-11-01 | 2020-08-21 | 浙江农林大学 | 一种基于椭圆轴关系确定细胞粘连方式的方法及系统 |
CN109087283A (zh) * | 2018-07-03 | 2018-12-25 | 怀光智能科技(武汉)有限公司 | 基于细胞团的宫颈细胞病理切片病变细胞识别方法及系统 |
CN109087283B (zh) * | 2018-07-03 | 2021-03-09 | 怀光智能科技(武汉)有限公司 | 基于细胞团的宫颈细胞病理切片病变细胞识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Improved YOLOv3 model with feature map cropping for multi-scale road object detection | |
Wu et al. | Rapid localization and extraction of street light poles in mobile LiDAR point clouds: A supervoxel-based approach | |
CN109190752A (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
Cheng et al. | Outdoor scene image segmentation based on background recognition and perceptual organization | |
CN103679154A (zh) | 基于深度图像的三维手势动作的识别方法 | |
CN103559724A (zh) | 一种高粘连度细胞环境下的多细胞同步跟踪方法 | |
Kang et al. | Voxel-based extraction and classification of 3-D pole-like objects from mobile LiDAR point cloud data | |
CN102676633A (zh) | 一种菌落自动计数方法 | |
CN101770583B (zh) | 一种基于场景全局特征的模板匹配方法 | |
CN107085726A (zh) | 基于多方法去噪和连通区域分析的甲骨拓片单字定位方法 | |
CN101697229A (zh) | 一种医学图像的感兴趣区域提取方法 | |
CN113408584B (zh) | Rgb-d多模态特征融合3d目标检测方法 | |
CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN105528575A (zh) | 基于上下文推理的天空检测算法 | |
CN102592128A (zh) | 一种动态图像检测处理方法、装置及显示终端 | |
CN109146918A (zh) | 一种基于分块的自适应相关目标定位方法 | |
Payet et al. | Scene shape from texture of objects | |
CN113505670A (zh) | 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法 | |
Li et al. | 3DCentripetalNet: Building height retrieval from monocular remote sensing imagery | |
CN102509308A (zh) | 基于混合动态纹理空时显著性检测的运动分割方法 | |
CN104268902A (zh) | 面向工业现场的多目标视频跟踪方法 | |
CN103606173A (zh) | 基于区域特征的细胞跟踪方法及装置 | |
CN101488182A (zh) | 一种用于手写汉字识别的图像特征提取方法 | |
CN115690668A (zh) | 基于图像语义分割算法的损伤识别技术 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140226 |