CN105631456A - 一种基于粒子群优化itti模型的白细胞区域提取方法 - Google Patents

Abstract

本发明公开了一种基于粒子群优化ITTI模型的白细胞区域提取方法，属于图像处理技术领域。本发明首先利用高斯滤波和多尺度归一化的方法，分别提取原始灰度图的方向、亮度、颜色显著性特征，再根据人眼对视觉特性贡献不一致的原理对三种显著性特征采用自适应系数相融合的方式得到显著图，最后利用基于改进的粒子群优化算法的Otsu法对显著图进行感兴趣区域的提取，即可得到完整的白细胞区域。实验表明，利用本发明方法与其它提取骨髓细胞图像感兴趣区域的方法相比较，本发明可以更好的提取完整的白细胞区域。

Description

一种基于粒子群优化ITTI模型的白细胞区域提取方法

技术领域

本发明涉及图像处理技术领域，更具体地说，涉及一种基于粒子群优化ITTI模型的白细胞区域提取方法。

背景技术

白细胞作为“人体卫士”，在与疾病斗争中起着重要的作用，不同类别的白细胞数量、形态发生异常对疾病的诊断都具有较高的价值。在实际应用中，病理检验人员发现病变的过程主要是通过在显微细胞图中寻找异常部分，而人工操作方式不可避免地产生工作量大、容易疲劳从而导致漏判、错判等问题。如果利用计算机自动提取细胞图像中人眼感兴趣的白细胞部分，那么可以显著提高人眼甄别异常的白细胞工作效率，对提取显微细胞图像感兴趣区域具有实际的应用价值。因此，在骨髓细胞图像中让计算机自动提取感兴趣的白细胞区域成为医学图像处理的迫切需求。

目前，科研人员对图像感兴趣区域提取的方法存在着诸多研究，如基于注视点的方法、基于视觉注意模型的方法、基于特定对象分割的方法。在面对一个复杂场景，人类视觉系统会不由自主地、快速地将注意力集中在少数几个显著视觉对象上，并优先处理，该原理表明模仿人类视觉系统的计算模型更有利于快速提取图像感兴趣区域。感兴趣区域(RegionsofInterest，ROI)，就是在图像中引起人们兴趣和帮助进行图像理解的区域，通常彼此是连通的具有某种相似属性的“有意义”的像素集合。在检测医学骨髓细胞图像过程中，人眼会不自觉地将视线集中在白细胞区域，表明了白细胞区域是图像的感兴趣区域，利用计算机视觉模型提取骨髓细胞图像中的白细胞区域，为检测白细胞形态、数量及病理分析工作的关键前提，同时在专业应用中对细胞病理检测分析也奠定了技术基础。

视觉显著性的研究主要集中于四种模型，即光谱剩余模型、Hu-Rajan-Chia模型、stentiford模型、ITTI视觉注意模型，由于分析医学显微细胞需经过瑞氏染色法处理，使得染色后图像颜色较为分明，研究发现细胞图像颜色特征贡献比较突出，而ITTI视觉模型主要利用颜色特征、方向特征、亮度特征进行图像感兴趣区域提取，充分利用染色处理后的特征优势使得ITTI视觉模型是较为合适的选择。但传统ITTI视觉模型存在提取图像显著性区域的准确度不高，无法提取完整的感兴趣区域的问题，一直无法达到较好的提取效果。ITTI模型是显著性区域的检测算法，其驱动模式符合人眼观察事物的处理过程，其核心是研究多个低层视觉特征的显著性特征算法，本发明充分利用这个优势特点，并进行改进可以较为完整的提取骨髓细胞图像中的白细胞区域。

发明内容

1.发明要解决的技术问题

本发明根据人眼对不同显著性特征贡献不一致的原理，改变传统ITTI视觉模型中显著性特征结合的方式；并针对Otsu提取显著图的感兴趣区域产生的阈值不精确，运行时间长等问题，引入了基于粒子群优化算法的Otsu算法，提供了一种基于粒子群优化ITTI模型的白细胞区域提取方法，本发明首先利用高斯金字塔分解出方向、亮度、颜色特征分量，再经过中央周边算子和多尺度归一化运算得到三个分量的显著性特征图，然后采用改进的自适应系数相融合的方式得到显著图，最后利用基于改进的粒子群优化算法的Otsu法对显著图进行感兴趣区域的提取，本发明可以有效地提取骨髓细胞图像中的白细胞区域。

2.技术方案

传统的ITTI视觉模型应用在骨髓细胞图像中，提取的白细胞区域会有较多的噪声，使图像不清晰、不完整，效果难以满足病理检测人员的实际需求。本发明在传统ITTI视觉模型的基础上进行自适应系数结合显著性图的改进，并引用基于改进粒子群优化算法的Otsu法提取显著图中的感兴趣区域，可以得到较为完整、清晰的白细胞区域。

为达到上述目的，本发明提供的技术方案为：

本发明的一种基于粒子群优化ITTI模型的白细胞区域提取方法，其步骤为：

步骤一、在医院血液内科采集经瑞氏染色法处理的骨髓细胞图像；

步骤二、将步骤一所得骨髓细胞显微图像通过高斯滤波与隔行向下采样，分解出颜色特征金字塔、亮度特征金字塔、方向特征金字塔；

步骤三、经过步骤二所述三种特征金字塔，再利用中央-周边差算子计算出12个颜色、24个方向、6个亮度共计42个多尺度显著性特征图；

步骤四、对于步骤三所得不同尺度的显著性特征图，分别对三种显著性特征图采用归一化处理后再进行多尺度间求和，分别得到颜色显著图、亮度显著图、方向显著图；

步骤五、利用自适应系数融合的方法将步骤四所得三类显著图合并成最终的显著图；

步骤六、利用基于粒子群优化算法的Otsu法提取骨髓细胞图像中感兴趣区域。

更进一步地，在原始的ITTI视觉模型中采用的是平均值求和的方法融合三类显著图，即假设经过多尺度归一化得到的颜色、亮度、方向的显著图分别用RGB₀₀、I₀₀、O₀₀表示，则运算公式如下所示：

$S=\frac{1}{3}({\mathrm{RGB}}_{00}+I_{00}+O_{00})$

上式S表示融合后的显著图，采用平均值计算方式求得显著图，只是简单的将三类显著性特征等量平均加权，没有充分考虑到人眼对显著性特征的贡献不一致的原理，实践发现，通过这种方法提取白细胞区域会产生较多噪声，影响对白细胞区域的判别。步骤五改进利用自适应系数融合的方法求得最终显著图的计算公式如下：

S₁＝RGB₀₀(1-P)+P*I₀₀

S＝S₁(1-P₂)+P₂*O₀₀

其中RGB₀₀、I₀₀、O₀₀分别表示颜色显著图、亮度显著图、方向显著图；P表示骨髓细胞图像中亮度所占的比例，S₁表示颜色显著图和亮度显著图通过自适应系数融合后的显著图；P₂表示图像S₁在原始细胞图像中像素面积所占的比例，S表示图像S₁和方向显著图融合后的最终显著图。

更进一步地，粒子群优化(ParticleSwarmOptimization，PSO)算法是基于群体智能理论的优化算法，它通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。该方法由美国的Kennedy和Eberhart受鸟群觅食行为的启发于1995年提出，该算法的基本原理是设种群共有N个粒子，搜索空间为D维空间，则粒子i(1≤i≤N)的位置可表示为x_i，其飞行速度表示为V_i，经过的最佳适应值的位置记为pbest_i，记全局最佳适应值的位置为gbest_i，在每一次迭代中，粒子通过跟踪pbest_i和gbest_i来更新其速度和位置，骤六对粒子群优化算法进行改进，原速度和位置更新公式为：：

$V_i^{k+1}={\mathrm{wV}}_i^k+C_1{r}_1({\mathrm{pbsek}}_i^k-x_i^k)+C_2{r}_2({\mathrm{gbset}}_i^k-x_i^k)$

$x_i^{k+1}=x_i^k+V_i^{k+1}$

改进后速度更新公式为：

$V_i^{k+1}={\mathrm{wV}}_i^k+C_1{r}_1({\mathrm{pbset}}_i^k-x_i^k)+C_2{r}_2({\mathrm{gbset}}_i^k-x_i^k)+C_3{r}_3(x_1-x_i^k)$

$x_i^{k+1}=x_i^k+V_i^{k+1}$

上式中，k表示迭代次数；w表示惯性权重；C₁、C₂、C₃表示加速因子；r₁、r₂、r₃是相互独立的随机数，取值范围在(0，1)区间；x₁表示粒子的初始位置。

更进一步地，步骤六采用非线性的惯性权重w：

$w=\frac{w_{max}-w_{min}}{2}*sin(\frac{\mathrm{\π}}{G-1}*(k-1)+\frac{\mathrm{\π}}{2})$

式中，w_max、w_min分别表示最大和最小的惯性权重初始值，k表示当前迭代次数，G表示最大迭代次数。

更进一步地，Otsu法迭代次数k为100，初始粒子个数为图像横向像素个数，惯性权重w最大值与最小值分别为0.9、0.4，加速因子C₁、C₂、C₃都为2。

更进一步地，步骤六基于粒子群优化算法的Otsu法提取骨髓细胞图像中感兴趣区域后，采用形态学中的先膨胀后腐蚀的闭运算对图像进行处理，得到骨髓细胞图像的白细胞区域。

3.有益效果

采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：

(1)本发明的一种基于粒子群优化ITTI模型的白细胞区域提取方法，根据图像中颜色、亮度、方向显著性特征对人眼的视觉贡献不一致，所占比例系数应不同的策略，采用自适应系数结合的方式得到显著图，使感兴趣区域提取的效果更好、噪声较少；

(2)本发明的一种基于粒子群优化ITTI模型的白细胞区域提取方法，针对传统的ITTI视觉模型中对显著图提取感兴趣区域采用的Otsu法阈值不精确，且每一个灰度值都要计算其相应的方差，导致计算量大、运算度复杂等问题，提出了基于改进的粒子群优化的Otsu算法对图像的感兴趣区域进行提取，通过以上的改进，可以较快且完整的提取骨髓细胞图像中的白细胞区域，对完成白细胞的分类统计、病理分析等奠定了重要的技术基础。

附图说明

图1为本发明中感兴趣区域提取算法流程图；

图2中的(a)为实施例1得到的方向显著图；图2中的(b)为得到的颜色显著图；图2中的(c)为亮度显著图；图2中的(d)为最终显著图；图2中的(e)为显著性区域提取最终效果图；图2中的(f)为原图；

图3中的(a)原始骨髓细胞图像；图3中的(b)为采用CA法进行感兴趣区域提取的效果图；图3中的(c)为采用SR法进行感兴趣区域提取的效果图；图3中的(d)为采用ITTI算法进行感兴趣区域提取的效果图；图3中的(e)为采用本发明算法进行感兴趣区域提取的效果图。

具体实施方式

为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。

实施例1

为了具体验证本发明提出的基于改进粒子群优化ITTI模型提取白细胞区域的方法对医学骨髓细胞感兴趣区域提取的有效性，下面具体用图2中的(f)为原图进行实施例说明。采用华硕A42J笔记本电脑、Matlab2012为运行环境，骨髓细胞图库来自马鞍山人民医院检验科，图像采集前细胞血涂片统一经过瑞氏染色法处理，图像大小为670像素*450像素，图像中的白细胞个体区分较为明显，其中白细胞无黏连现象。其具体实现方法如下：

(1)首先对输入的骨髓细胞显微图像进行高斯低通滤波处理，隔行隔列采样，在ITTI视觉模型中进行9层金字塔处理，最底层是原始图像，上一层长宽分别是下一层的二分之一，为下一步得到亮度、颜色、方向特征图做准备。

(2)亮度特征图用表示，其中r、g、b分别是红、蓝、绿三色通道。为了排除其他因素对图像的影响，本实施例采用红、蓝、绿三色通道对RGB颜色空间进行归一化处理。利用C-S运算(中央-周边差算法)计算出亮度尺度显著图，中央-周边差的方法符合人眼的视觉习惯，细尺度图像表示感受野中心，粗尺度图像表示感受野周边，C-S运算公式如下：

$I_{(C,S)}=|I_{\left(C\right)}\⊗I_{\left(S\right)}|---\left(1\right)$

S＝C+W(2)

其中，C∈{2,3,4}，表示中央部分；S表示周边，W∈{2，3}，共六种尺度差组合得到六种亮度特征。

(3)颜色分量显著图通过颜色特征R、G、B来求取，公式如下：

$R=r-\frac{1}{2}(g+b)---\left(3\right)$

$G=g-\frac{1}{2}(r+b)---\left(4\right)$

$B=b-\frac{1}{2}(r+g)---\left(5\right)$

$Y=\frac{1}{2}(r+g)-\frac{1}{2}|r-g|-b---\left(6\right)$

根据中央-周边感受野的原理，R与G、B与Y相互产生人眼神经细胞抑制作用，颜色特征抑制公式如下：

$RG=\frac{r-g}{max(r,g,b)}---\left(7\right)$

$RG=\frac{b-min(r,g,b)}{max(r,g,b)}---\left(8\right)$

然后利用C-S算法求出颜色显著图，每组6个组合，共12个颜色特征图。

(4)方向尺度显著图是通过高斯滤波器得到方向信息再经过C-S算法计算得到，高斯滤波器公式如下：

$gabor=\frac{f_0^2}{\mathrm{\π}\×r\×g}\×\exp (-\frac{f_0^2\×x_1^2}{r^2}+\frac{f_0^2\×y_1^2}{g^2})\×\exp (2\mathrm{\π}x\×f_0\×x_1)---\left(9\right)$

x₁＝x×cosθ+y×sinθ(10)

y₁＝-x×sinθ+y×cosθ(11)

其中r、g、f₀是常数，分别为1、1、0.2；θ表示方向{0°，45°，90°，135°}，x，y均表示11个等长步长。再经C-S算法就得到方向尺度显著图，每一个方向6个组合，共计24个方向特征图。

(5)将得到的多个颜色特征图、亮度特征图、方向特征图直接相加，分别得到颜色显著图RGB₀₀、亮度显著图I₀₀、方向显著图O₀₀，效果如图2中的(a)～(c)所示。

(6)本发明提出的自适应系数融合的方法将三个显著图进行结合，即：

S₁＝RGB₀₀(1-P)+P*I₀₀(12)

S＝S₁(1-P₂)+P₂*O₀₀(13)

其中，P表示骨髓细胞图像中亮度所占的比例，它通过先计算出图像的亮度级数方差，以方差为阈值进一步求出该细胞图形的亮度比例，级数方差计算公式如下：

$I=\sqrt{1/numel\left(f\right)}*h---\left(14\right)$

numel(f)表示亮度的像素级数，h表示每个像素横纵坐标分别与亮度平均值差的乘积。

S₁表示颜色特征图和亮度特征图通过自适应系数融合后的显著图；P₂表示图像S₁在原始细胞图像中像素面积所占的比例，S表示图像S₁和方向显著性特征图融合后的显著图，即三种显著性特征图采用自适应系数运算后的的显著图。得出最终的显著图，效果如图2中的(d)所示。

(7)在显著图的基础上，传统ITTI模型使用Otsu算法提取图像感兴趣区域，但是在实际应用中存在着无法快速、准确的提取白细胞区域的问题，因此本实施例提出了基于改进粒子群优化算法的Otsu算法提取图像中的白细胞区域。

Otsu算法是日本学者大津提出的，此算法首先计算各灰度级出现的频率，并设置阈值将图像分为背景区域类和目标区域类，选取使得类间方差最大的灰度值t作为最佳阈值对显著图进行分割，最大类间方差的求值函数如式(15)所示：

σ²＝w₁w₂(u₁-u₂)²(15)

上式中，σ²是类间方差，w₁、w₂为背景区域类和目标区域类出现的概率，u₁、u₂是对应的灰度均值，其四个变量都是关于灰度值t的函数，其本质是寻找一个合适的灰度值使得类间方差达到最大。

在图像感兴趣区域的提取研究发现，种群粒子的初始位置与pbest_i和gbest_i一样对当前速度具有影响作用，因此本实施例将粒子的初始位置加入对速度的更新中，公式如下：

$V_i^{k+1}={\mathrm{wV}}_i^k+C_1{r}_1({\mathrm{pbset}}_i^k-x_i^k)+C_2{r}_2({\mathrm{gbset}}_i^k-x_i^k)+C_3{r}_3(x_1-x_i^k)---\left(16\right)$

$x_i^{k+1}=x_i^k+V_i^{k+1}---\left(17\right)$

其中，k表示迭代次数，w表示惯性权重，C₁、C₂、C₃表示加速因子，r₁、r₂、r₃是相互独立的随机数，取值范围在(0，1)区间，x₁表示粒子的初始位置，引入初始位置使得粒子在搜索最优解的同时，能够控制搜索的步长，不会使得步长极值化，使搜索更为稳定。

由于惯性权重w的值与粒子的最佳位置有关，因此，寻找合适的惯性权重w可以使得粒子向更好的区域靠拢。本实施例设置惯性权重w的初始值为0.9，为避免陷入局部最优，提高寻优的成功率，平衡局部最优值和全局最优值，得到刚好的提取效果，本实施例采用了非线性的惯性权重，表达式为：

$w=\frac{w_{max}-w_{min}}{2}*sin(\frac{\mathrm{\π}}{G-1}*(k-1)+\frac{\mathrm{\π}}{2})---\left(18\right)$

式中，w_max、w_min分别表示最大和最小的惯性权重初始值，k表示当前迭代次数，G表示最大迭代次数。G迭代次数为100，初始粒子个数为图像横向像素个数，惯性权重最大值与最小值分别为0.9、0.4，加速因子都为2。利用非线性惯性权重去更新粒子的位置和速度，求出全局最优位置gbest_i和局部最优位置pbest_i，然后进行最优解的判断，替换最优解的类间方差值，寻找显著图的最佳分割阈值。通过以上的适当改进，可以较为完整的提取骨髓细胞图像中的白细胞区域。

(8)通过以上几个步骤的运算，可以得到骨髓细胞图像的白细胞区域，但容易产生过分割的现象，本实施例采用形态学中的闭运算解决这个问题，先膨胀后腐蚀的过程称为闭运算，闭运算可以有效的去除小的噪声点，连接图像中细小的断裂，填充一些像素边缘的凹陷或者去掉小的毛刺，可以得到具有较为完整的白细胞区域的图像，效果如图2中的(e)所示。对白细胞病理检测具有一定的实际应用价值。

为了评判图像显著性区域提取方法效果，采用了概率边缘指数(ProbabilisticRandIndex，PRI)、全局一致性误差(GlobalConsistencyError，GCE)、变换信息量(VariationOfInformation，VOI)[ChengMM,ZhengQZ.Saliencyandsimilaritydetectionforimagesceneanalysis[D].Bei-jing:TsinghuaUniversity,2012]三种检测方法进行验证分析，其中PRI在取值范围[0，1]中值越大，则实际分割结果与理想分割结果越接近，GCE在取值范围[0，1]得到的值越小证明提取效果越好，VOI取值范围[0，∞]的值越小，说明实际分割结果相对理想分割图像信息变化越少，实际分割结果与理想分割图像越接近。并与原始ITTI视觉模型[IttiL,KochC.Computationalmodelingofvisualatten-tion[J].NatureReviewsNatureReviewsNeuroscience,2001,2(3):194-203]、基于上下文的显著性检测(Context-AwareSaliencyDetection,CA)[GofermanL,ManorZ.Contextawaresaliencydetection.ConferenceonComputerVisionandPatternRecognition,2010:9-16]、基于光谱剩余模型(SpectralResidualModel,SR)[HouX,ZhangL.Saliencydetection:Aspectralres-idualapproach[J].IEEEConferenceonComputerVisionandPatternRecognition,2007:1-8]的算法进行实验对比。骨髓细胞图像进行感兴趣区域提取实验对比效果如图3所示。使用上述方法进行10次实验验证，得出平均检测结果如表1所示。

表1检测结果

通过表1可以看出PRI的值利用本发明算法在合理范围内的值是最大的也是最接近理想值的，GCE和VOI的值在合理范围内的值是最小的同时也最接近理想值，为了提取理想感兴趣区域增加了迭代次数，使得利用本发明算法耗时远远小于CA方法，且与ITTI接近，其他指标综合比较可知本发明算法更具有优越性和实际应用价值。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的方式及实施例，均应属于本发明的保护范围。

Claims (7)

1.一种基于粒子群优化ITTI模型的白细胞区域提取方法，其步骤为：

步骤一、在医院检验科采集经瑞氏染色法处理的骨髓细胞图像；

步骤二、将步骤一所得骨髓细胞显微图像通过高斯滤波与隔行向下采样，分解出颜色特征金字塔、亮度特征金字塔、方向特征金字塔；

步骤三、经过步骤二所述三种特征金字塔，再利用中央-周边差算子计算出12个颜色、24个方向、6个亮度共计42个多尺度显著性特征图；

步骤四、对于步骤三所得不同尺度的显著性特征图，分别对三种显著性特征图采用归一化处理后再进行多尺度间求和，分别得到颜色显著图、亮度显著图、方向显著图；

步骤五、利用自适应系数融合的方法将步骤四所得三类显著图合并成最终的显著图；

步骤六、利用基于改进粒子群优化算法的Otsu法提取骨髓细胞图像中感兴趣区域。

2.根据权利要求1所述的一种基于粒子群优化ITTI模型的白细胞区域提取方法，其特征在于：步骤三中中央-周边差算子的取值为C∈{2,3,4}，S∈{2,3}。

3.根据权利要求1所述的一种基于粒子群优化ITTI模型的白细胞区域提取方法，其特征在于：步骤五利用自适应系数融合的方法求得最终显著图的计算公式如下：

S₁＝RGB₀₀(1-P)+P*I₀₀

S＝S₁(1-P₂)+P₂*O₀₀

式中，RGB₀₀、I₀₀、O₀₀分别表示颜色显著图、亮度显著图、方向显著图；P表示骨髓细胞图像中亮度所占的比例，S₁表示颜色显著图和亮度显著图通过自适应系数融合后的显著图；P₂表示图像S₁在原始细胞图像中像素面积所占的比例，S表示图像S₁和方向显著图融合后的最终显著图。

4.根据权利要求1所述的一种基于粒子群优化ITTI模型的白细胞区域提取方法，其特征在于：步骤六对粒子群优化算法中的速度和位置更新公式为：

$V_i^{k+1}={\mathrm{wV}}_i^k+C_1{r}_1({\mathrm{pbset}}_i^k-x_i^k)+C_2{r}_2({\mathrm{gbset}}_i^k-x_i^k)+C_3{r}_3(x_1-x_i^k)$

$x_i^{k+1}=x_i^k+V_i^{k+1}$

上式中，k表示迭代次数；w表示惯性权重；C₁、C₂、C₃表示加速因子；r₁、r₂、r₃是相互独立的随机数，取值范围在(0，1)区间；x_i表示粒子的位置，其中x₁表示粒子的初始位置；V_i表示粒子的飞行速度，pbest_i表示粒子经过的最佳适应值的位置；gbest_i表示粒子全局最佳适应值的位置。

5.根据权利要求4所述的一种基于粒子群优化ITTI模型的白细胞区域提取方法，其特征在于：采用非线性的惯性权重w：

$w=\frac{w_{max}-w_{min}}{2}*\sin (\frac{\mathrm{\π}}{G-1}*(k-1)+\frac{\mathrm{\π}}{2})$

式中，w_max、w_min分别表示最大和最小的惯性权重初始值，k表示当前迭代次数，G表示最大迭代次数。

6.根据权利要求4或5所述的一种基于粒子群优化ITTI模型的白细胞区域提取方法，其特征在于：Otsu优化算法迭代次数k为100，初始粒子个数为图像横向像素个数，惯性权重w最大值与最小值分别为0.9、0.4，加速因子C₁、C₂、C₃都为2。

7.根据权利要求1所述的一种基于粒子群优化ITTI模型的白细胞区域提取方法，其特征在于：步骤六基于粒子群优化算法的Otsu法提取骨髓细胞图像中感兴趣区域后，采用形态学中的先膨胀后腐蚀的闭运算对图像进行处理，得到骨髓细胞图像的白细胞区域。