CN104778442B - 视网膜细胞荧光显微图像的自动分割和计数方法 - Google Patents

Abstract

视网膜细胞荧光显微图像的自动分割和计数方法，包括：a）预处理,对图像进行预处理，滤除图像中的噪声点；b）边界编码，提取出细胞的轮廓，对提取出的轮廓进行编码；c）凹点检测，找到轮廓中的凹点并标记；d）分割，对粘连细胞进行分割。该方法结合了传统的和近代提出的多种算法，保留了阈值滤波，边缘检测算法中运算简单，计算开销小，运行效率高的优点。同时结合了Freeman链码和多边形凹凸性的方法，对粘连细胞进行了较好的分割，使分割结果具有较好的准确性和较高的效率。

Description

视网膜细胞荧光显微图像的自动分割和计数方法

技术领域

本设计涉及视网膜细胞荧光显微图像的自动分割和计数方法，属于细胞图像的分割、图像处理技术领域。

背景技术

在疾病的诊治和修复的过程中，通过生物细胞结构和形态变化的研究，可以为疾病的诊治提供帮助。而最重要、最困难的是生物细胞图像中细胞形态的识别和分割。由于细胞图像的复杂性和多样性，目前还没有一种完全通用的分割方法可以实现对所有细胞图像的正确分割。重叠、粘连细胞的分割是细胞图像分割的一大难题,为了提高分析结果的精度，必须运用分离算法将它们自动分离为单个细胞。

生物细胞图像分割方法众多，主要可分为传统的分割算法和近年来分割的新算法。传统算法有基于灰度的阈值分割方法，基于边缘的分割方法和基于区域的分割方法等。新的分割算法主要有基于小波变换的分割算法和基于数字形态学的分割算法等。

现有算法都能对图像进行分割，但也存在着缺陷与不足之处。传统算法中基于灰度的阈值分割算法虽然简单、计算量小，算法容易实现。但阈值确定主要依赖于灰度直方图，而很少考虑图像中像素的空间位置关系，因此当背景复杂，特别在同一背景上重叠出现若干个研究目标时，容易丧失部分边界信息，造成分割的不完整。基于边缘的分割算法复杂，计算开销大，很难完全检测出边缘，而且一旦有噪声干扰时，边缘检测算子直接处理效果更不理想。基于区域的分割算法开销较大，在计算过程中引入的预定误差值选取不当时，容易引入误判，易受分析目标内部组织之间的重叠干扰影响。近些年来的新算法对细胞分割技术起到很大的促进作用，如小波变换分割对精细分割具有一定的指导作用，但数学形态结构元素的尺寸和形态对分割结果影响很大。基于数字形态学的分割算法能够精确定位边缘，抑制噪声效果较好，但得到边缘有时可能出现孤立点或不闭合点。

发明内容

本次提出的方法结合了传统和新的算法，利用阈值分割和数字形态学算法作为预处理算法，用边缘检测算法检测出细胞轮廓，结合码链凹凸性算法对粘连细胞进行检测，并利用凹点与标记点的关系对粘连细胞进行分割，精确度和运算速度都得到了大大的提高。

为实现上述目的，本设计是通过以下技术手段来实现的：

本发明公开了视网膜细胞荧光显微图像的自动分割和计数方法，包括：

a)预处理,对图像进行预处理，滤除图像中的噪声点；

b)边界编码，提取出细胞的轮廓，对提取出的轮廓进行编码；

c)凹点检测，找到轮廓中的凹点并标记；

d)分割，对粘连细胞进行分割。

进一步地：

所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤a)进一步包括：

a1)利用阈值滤波对图像进行预处理；

a2)利用数字形态学变换对图像进行预处理；

a3)利用形参数形状Shape和圆形度Circularity检测出图像中的粘连细胞。

所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤a3)中当细胞轮廓的形状大于1.5，圆形度小于6.5时为粘连细胞。

所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤b)进一步包括：

b1)利用边缘检测提取出细胞的轮廓；

b2)用Freeman码于对步骤b1)提取出的轮廓进行编码。

所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤c)进一步包括：

c1)利用链码差和轮廓多边形凹凸性的关系找出凹点。

所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤c1)当图像中点的链码差大于经验值3时，该点为凹点。

所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤d)进一步包括：

d1)对于只有两个凹点的粘连细胞，可以认为是两个细胞进行粘连，直接对凹点进行分割；

d2)对于有多个凹点的粘连细胞，利用极限腐蚀方法标记出粘连细胞中每个粘连部分；检测出粘连部分的标记点；利用标记点与凹点的位置关系，对凹点进行分割。

本发明的有益效果是：本次提出的算法结合了传统的和近代提出的多种算法，保留了阈值滤波，边缘检测算法中运算简单，计算开销小，运行效率高的优点。同时结合了Freeman链码和多边形凹凸性的方法，对粘连细胞进行了较好的分割，使分割结果具有较好的准确性和较高的效率。

此方法在100个荧光显微细胞图像中进行了测试，平均的TPR和平均的FPR分别为98.13％和4.17％。具有较高的可行性和准确性。平均运行速度为5.02秒，具有较高的效率。

附图说明

图1为本方法流程图；包含四个主要部分，分别为预处理、边界编码、凹点检测与分割。

图2预处理结果示意图，(a)为原始图像(b)为预处理后图像(c)为(b)中部分放大图像。

图3为Freeman编码原理图，(a)为当前点与下一个点的八个方向和编号，当前点为中心点，(b)为编码示意图，*点为当前点。

图4为两个凹点直接分割结果图，(a)为先将两个凹点直接分割后结果，(b)(c)为(a)中虚线框中含两个凹点的细胞放大后轮廓图，带圆圈的*号为检测出的凹点。

图5为多个凹点的粘连细胞结构图，(a)为检测出多个粘连细胞的凹点和标记点的结果，(b)(c)为(a)中虚线框中含多个凹点的细胞放大后轮廓图，带圆圈的*号为检测出的凹点，标记为M的点为检测出的标记点。

图6为多个凹点的粘连细胞分割结果图，(a)为最后分割的结果，(b)(c)为(a)中虚线框中放大细胞轮廓图，带圆圈的*号为检测出的凹点，标记为M的点为检测出的标记点。

具体实施方式

下面将参照示出本发明实施例的附图充分描述本发明。本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。在附图中，为了清楚起见放大了组件。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

图1给出了本发明的步骤，具体包括以下几点：

a)预处理,对图像进行预处理，滤除图像中的噪声点；

b)边界编码，提取出细胞的轮廓，对提取出的轮廓进行编码；

c)凹点检测，找到轮廓中的凹点并标记；

d)分割，对凹点进行分割。

如图2给出经过预处理的结构示意图，由于在实验处理后，在图像中会存在着比细胞较小的杂质噪声，因此需要利用阈值滤波和数字形态学变换对图像进行预处理，滤除图像中的噪声点。阈值滤波和数字形态学变换算法简单，计算量小，能够很好的滤除细胞图像中较小的材料杂质，达到很好的初步处理结果。

首先利用阈值滤波对图像进行预处理：

用最大类间方差方法求出图像的最佳阈值，假设使用一个阈值T，将灰度级[0 L]分割成两个类背景类[0 T-1]和前景类[T L]。前景类中点数占图像比例为w0,平均灰度为u0；背景类中点数占图像比例为w1，平均灰度为u1。

则图像的总平均灰度为：

u＝w0*u0+w1*u1。

通过计算两个类的类间方差值：

g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)＝w0*w1*(u0-u1)*(u0-u1),遍历[0 L]中的每个值，当g为最大值时，此时的T便为最佳阈值。阈值滤波后，图像实现了二值化。

其次利用数字形态学变换对图像进行预处理：

由于图像中存在着比细胞小的一些杂质材料，因此通过形态学变换中的腐蚀算法可以滤除图像中的杂质噪声。采用3*3的结构元素，扫描图像中的每个像素，用结构元素与其覆盖的二值图像做“与”操作，将杂质滤除。之后，通过形态学变换中的膨胀算法恢复腐蚀变小后的细胞图像。用结构元素与其覆盖的二值图像做“或”操作。

最后根据形状和圆形度检测出图像中的粘连细胞，形状Shape和圆形度Circularity定义如下：

形状：Shape＝L²/4πS

圆形度：

其中，L为粘连细胞轮廓的周长，S为轮廓的面积，μ为细胞轮廓上的点到细胞区域中心点之间的均值，δ为细胞轮廓上的点到细胞区域中心点之间的方差。均值μ和方差δ为：

均值：

方差：

其中，M为轮廓上点的个数，x,y分别为细胞轮廓上点的横坐标和纵坐标，分别为细胞区域中心点的横坐标和纵坐标。中心点的坐标定义如下：

当细胞轮廓的形状大于1.5，圆形度小于6.5时，细胞为粘连细胞。

图3给出了Freeman编码原理图，在噪声滤除之后，提取出细胞的轮廓，用Freeman链码对提取出的轮廓进行编码。

Freeman链码是Freeman提出的用链码表示由顺次连接的具有指定长度和方向的直线段组成的边界线。在一般情况下，这种表示方法基于线段的4或8连接，每一段的方向使用数字编号方法进行编码，在我们的方法中使用的是8连接方式。从图像边界任一像素点开始，沿某一方向依次连接边界像素，并用链码记录边界的行走方向，直到回到起点为止，就构成了图像的Freeman链码。在图3中，(a)为当前点与下一个点的八个方向和编号，当前点为中心点，(b)为编码示意图，*点为当前点，轮廓按逆时针方向编码为001223445667。

在轮廓编码后，利用链码差和轮廓多边形凹凸性的关系可以找到轮廓中的凹点。链码差定义如下：

R(i)＝|C(i)-C(i-1)+8|MOD 8(if R(i)>3,then R(i)＝R(i)+8)

A(i)＝A(i-1)+R(i)

Sum(i)＝A(i)+A(i-1)+A(i-2)

Diff(i)＝Sum(i+3)-Sum(i)；

其中，i为当前点，A(i)为绝对码，A(0)＝0.C(i)为Freeman码，R(i)为相对码，Sum(i)为链码和，Diff(i)为链码差。当图像中的链码差大于某个经验值时，该点为凹点，此处经验值取为3。

图4给出了两个凹点直接分割结果，在轮廓的凹点被提取出之后，需要对凹点进行修正和分割。对于只有两个凹点的粘连细胞，可以认为是两个细胞进行粘连，直接将两个凹点(即图4中带圆圈的*号的两个点)的进行连接，即完成了对两个粘连细胞的分割。

图5为多个凹点的粘连细胞结构图，对于有多个凹点的粘连细胞，为了能更好的对凹点进行分割，在图像中还需对粘连细胞中每个粘连部分进行标记，利用极限腐蚀的方法标记出粘连细胞的每个粘连部分。

极限腐蚀方法是对重叠细胞反复腐蚀，直至细胞分离。腐蚀一次，计算细胞的形状和圆形度，若细胞仍为粘连细胞，则继续进行腐蚀，直至细胞完全分离。分离后，计算每个腐蚀分离后单个细胞核心便为粘连细胞中每个粘连部分的标记点(即图5中标记为M的点)。

检测出粘连部分的标记点后，利用标记点与凹点的位置关系，可以对凹点进行分割。定义代价函数为：

f(C_ij)＝min{|Dis(P_i,Q_k1)-Dis(P_i,Q_k2)|+|Dis(P_j,Q_k1)-Dis(P_j,Q_k2)|}

其中，C_ij代表凹点i和j之间的分割。P_i,P_j为凹点，i≠j。Q_k1,Q_k2为两个粘连细胞的标记点，Dis(P,Q)为凹点P和标记点Q之间的欧式距离，可以定义如下：

通过上述代价函数，计算每个凹点与相邻两个标记点的欧式距离差，当i的距离差和j的距离差为最小时，凹点i和j为最佳分割，将i和j进行连接即可将细胞分割开来。图6为最后分割结果，图5、图6中带圆圈的*号的点为凹点。

以上显示和描述了本设计的基本原理、主要特征及优点。本行业的技术人员应该了解，本设计不受上述实施例的限制，上述实施例和说明书中描述的只是说明本设计的原理，在不脱离本设计精神和范围的前提下，本设计还会有各种变化和改进，这些变化和改进都落入要求保护的本设计范围内。本设计要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.视网膜细胞荧光显微图像的自动分割和计数方法，包括：

a)预处理：利用阈值滤波和数字形态学变换对图像进行预处理，滤除图像中的噪声点；利用形参数形状Shape和圆形度Circularity检测出图像中的粘连细胞；

b)边界编码：利用边缘检测提取出细胞的轮廓，用Freeman码对提取出的轮廓进行编码；

c)凹点检测：利用链码差和轮廓多边形凹凸性的关系找到轮廓中的凹点并标记；

d)分割：构建代价函数对粘连细胞进行分割；

其中，步骤a)进一步包括：

a1)利用阈值滤波对图像进行预处理：假设使用一个阈值T，将灰度级[0N]分割成两个类背景类[0T-1]和前景类[T N]，图像的总平均灰度为：

u＝w0*u0+w1*u1；

两个类的类间方差值：

g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)＝w0*w1*(u0-u1)*(u0-u1)其中，前景类中点数占图像比例为w0,平均灰度为u0；背景类中点数占图像比例为w1，平均灰度为u1；u为图像的总平均灰度；

a2)利用数字形态学变换对图像进行预处理：形状Shape和圆形度Circularity定义如下：

形状：Shape＝L²/4πS

圆形度：

其中，L为粘连细胞轮廓的周长，S为轮廓的面积，μ为细胞轮廓上的点到细胞区域中心点之间的均值，δ为细胞轮廓上的点到细胞区域中心点之间的方差，均值μ和方差δ为：

均值μ：

方差δ：

其中，M为轮廓上点的个数，x,y分别为细胞轮廓上点的横坐标和纵坐标，分别为细胞区域中心点的横坐标和纵坐标，中心点的坐标定义如下：

a3)利用形参数形状Shape和圆形度Circularity检测出图像中的粘连细胞。

2.如权利要求1所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤a3)中当细胞轮廓的形状大于1.5，圆形度小于6.5时为粘连细胞。

3.如权利要求1所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤c)进一步包括：

c1)利用链码差和轮廓多边形凹凸性的关系找出凹点：链码差定义如下：

R(i)＝|C(i)-C(i-1)+8|MOD 8(if R(i)>3,then R(i)＝R(i)+8)

A(i)＝A(i-1)+R(i)

Sum(i)＝A(i)+A(i-1)+A(i-2)

Diff(i)＝Sum(i+3)-Sum(i)；

其中，i为当前点，A(i)为绝对码，第0点的绝对码A(0)＝0，C(i)为Freeman码，R(i)为相对码，Sum(i)为链码和，Diff(i)为链码差，C(i-1)为前一个点的Freeman码，A(i-1)表示前一个点的绝对码，A(i-2)表示前两个点的绝对码；Sum(i+3)表示当前点之后第三个点的链码和，MOD 8的含义为对8取余数。

4.如权利要求3所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤c1)当图像中点的链码差大于经验值3时，该图像中点为凹点。

5.如权利要求1所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤d)进一步包括：

d1)对于只有两个凹点的粘连细胞，可以认为是两个细胞进行粘连，直接对凹点进行分割；

d2)对于有多个凹点的粘连细胞，利用极限腐蚀方法标记出粘连细胞中每个粘连部分：腐蚀一次，计算细胞的形状和圆形度，若细胞仍为粘连细胞，则继续进行腐蚀，直至细胞完全分离；检测出粘连部分的标记点：每个腐蚀分离后单个细胞核心便为粘连细胞中每个粘连部分的标记点；利用标记点与凹点的位置关系，构建代价函数对凹点进行分割：

定义代价函数为：

f(C_ij)＝min{|Dis(P_i,Q_k1)-Dis(P_i,Q_k2)|+|Dis(P_j,Q_k1)-Dis(P_j,Q_k2)|}

其中，C_ij代表凹点i和j之间的分割，P_i,P_j为凹点，i≠j，Q_k1,Q_k2为两个粘连细胞的标记点，Dis(P,Q)为凹点P和标记点Q之间的欧式距离，可以定义如下：其中，x_P和y_P分别表示P点的横坐标和纵坐标；x_Q和y_Q分别表示Q点的横坐标和纵坐标。