CN105787934B - 一种基于图论和区域增长的粘连细胞分割算法 - Google Patents

一种基于图论和区域增长的粘连细胞分割算法 Download PDF

Info

Publication number
CN105787934B
CN105787934B CN201610093934.3A CN201610093934A CN105787934B CN 105787934 B CN105787934 B CN 105787934B CN 201610093934 A CN201610093934 A CN 201610093934A CN 105787934 B CN105787934 B CN 105787934B
Authority
CN
China
Prior art keywords
boundary
cell
pixel
image
adhesion cells
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.)
Expired - Fee Related
Application number
CN201610093934.3A
Other languages
English (en)
Other versions
CN105787934A (zh
Inventor
林丽群
王卫星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201610093934.3A priority Critical patent/CN105787934B/zh
Publication of CN105787934A publication Critical patent/CN105787934A/zh
Application granted granted Critical
Publication of CN105787934B publication Critical patent/CN105787934B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于图论和区域增长的粘连细胞分割算法，包括以下步骤：步骤S1：对细胞图像中的粘连细胞的每个细胞的边界初始化为四个不同方向的映射，即上、下、左、右方向定义四个映射，用不同的颜色标出；步骤S2：基于图论的方法利用上、下、左、右映射边构造关系图；步骤S3：采用区域增长算法对预先定义的边界定位出细胞的实际边界，实现粘连细胞的分割。该方法提高了细胞图像中粘连细胞分割的效果。

Description

一种基于图论和区域增长的粘连细胞分割算法
技术领域
本发明涉及医学图像分割技术领域，特别是一种基于图论和区域增长的粘连细胞分割算法。
背景技术
在医学图像的处理中，细胞分割作为重要的目标，对其进行自动识别和分割研究具有重要的意义。为了解决医学图像细胞分割的难题，多年来许多研究人员做了大量的工作因此，细胞分割的精度尤其是粘连细胞的分割成了急待解决的课题。
从上世纪60年代起，国内外的众多学者就开始对其研究，经过近五十年的研究提出了数万种分割方法，而且近些年来对细胞图像分割的研究仍在积极地进行，都想找出较通用的分割算法，但是，至今为止，没有哪一种图像适合于所有的细胞图像，图像的分割数十年来一直受到研究人员的重视，但也一直是图像处理领域的一个难题。近几年，科研人员设法将新的理论应用到图像分割，取得了很多成果，研究出很多新的图像分割的方法。
发明内容
有鉴于此，本发明的目的是提供一种基于图论和区域增长的粘连细胞分割算法，该方法提高了细胞图像中粘连细胞分割的精度。
本发明采用以下方案实现：一种基于图论和区域增长的粘连细胞分割算法，包括以下步骤：
步骤S1：对细胞图像中的粘连细胞的每个细胞的边界初始化为四个不同方向的映射，即上、下、左、右方向定义四个映射，用不同的颜色标出；
步骤S2：基于图论的方法利用上、下、左、右映射边构造关系图；
步骤S3：采用区域增长算法对预先定义的边界定位出细胞的实际边界，实现粘连细胞的分割。
进一步地，所述步骤S1中，利用Sobel算子与大津阈值法对所述细胞图像中每个粘连细胞的边界初始化为四个不同方向的映射像素，具体包括以下步骤：
步骤S11：对细胞原始图像求其蓝色分量的梯度图像，即Ib图像；
步骤S12：对所述步骤S11处理后得到的Ib图像进行Sobel算子运算，获得SLeft，Sright，Stop以及Sbottom，相应的定义如下：
步骤S13：对所述步骤S12处理后得到的图像应用大津阈值法得到对应的二值图像，其SLeft，Sright，Stop以及Sbottom对应的二值化的映射为BL，Br，Bt以及Bb，所述大津阈值法中使用的阈值为tsize；
步骤S14：对所获得的BL，Br，Bt，Bb孔洞填充，提取最左边的像素点，得到的映射记为PL，Pr，Pt，Pb；
如果BL(i,j)＝1，则PL(i,j)＝1，否则PL(i,j)＝0；Pr，Pt，Pb定义与PL相同。
进一步地，所述步骤S2中，基于图论的方法利用上、下、左、右映射边构造关系图，具体包括以下步骤：
步骤S21：图的构造：用集合G＝(V，E)表示图，则V＝{PL，Pr，Pt，Pb}，e＝(u，v)属于E集合的子集，其中的u和v必须满足一定的条件；
步骤S22：进行迭代搜索算法：每一次迭代，寻找一条边来构造关系图，在每次迭代算法中都使用不同的阈值，设参数P为1，则初始阈值为T(k)，以后每一次的迭代的阈值都为上次的0.9倍，即阈值在接下来的每次迭代过程都增大10％，继续直到阈值为一阈值tperc；
步骤S23：细胞轮廓通过所构造的两种关系图得到4PRIM模式和3PRIM模式；所述4PRIM模式的构成是由四个类型的边界组成，且每个边的类型不一样，即分别为左、右、上、下边界组成的一个子图；所述3PRIM模式是由三个类型的边界组成，且每个边的类型不一样，即分别是左、右、上、下边界上的其中三个类型的边界；
采用参数δI表示上、下、左、右四个边界上最外层的像素点离图心的距离与图的半径的偏差值，该值接近0时关系图对应是圆形或接近圆形状，并定义一阈值tsd对关系图的形状加以约束。
进一步地，所述u和v必须满足的一定条件包括以下三个条件：条件一：u和v是重叠的像素点或是相邻的像素点；条件二：u和v当中，其中一个是水平方向的点，即属于左边界，即PL或右边界的点，即Pr；另一个是垂直方向的点，即属于上边界，即Pt或下边界的点，即Pb；条件三：对于每一个像素点必须满足正确分割的条件。如对于左右边界上的像素点，分割的宽度必须大于阈值tsize，对于上下边界上的像素点，分割的高度必须大于阈值tsize。
进一步地，所述步骤S3用以定位出细胞的实际边界并实现粘连细胞的分割，具体包括以下步骤：
步骤S31：所述步骤S23中3PRIM模式得到的细胞轮廓存在不正确的细胞边界，则使用区域增长算法得到精确细胞轮廓，使用四个边界类型所构成的4PRIM模式和3PRIM模式关系图的图心作为种子点增长与停止的条件：
步骤S32：得到图像中的像素点为该边界类型的最外层的像素点，即离图心最远的点；
步骤S33：根据图心与最外层的像素点，利用滤波和空洞充填得到较光滑的细胞轮廓。
与现有技术相比，本发明的有益效果是有效地提高了细胞分割中的过分割、欠分割的精度，具有非常广泛的应用前景。
附图说明
图1是本发明实施例过程中的工作流程图。
图2是本发明实施例过程中的迭代算法实现流程图。
图3是本发明实施例中细胞轮廓定位的实现流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施提供一种基于图论和区域增长的粘连细胞分割算法，如图1所示，包括以下步骤：
步骤S1：对细胞图像中的粘连细胞的每个细胞的边界初始化为四个不同方向的映射，即上、下、左、右方向定义四个映射，用不同的颜色标出；
步骤S2：基于图论的方法利用上、下、左、右映射边构造关系图；
步骤S3：采用区域增长算法对预先定义的边界定位出细胞的实际边界，实现粘连细胞的分割。
在本实施例中，所述步骤S1中，利用Sobel算子与大津阈值法对所述细胞图像中每个粘连细胞的边界初始化为四个不同方向的映射像素，具体包括以下步骤：
步骤S11：对细胞原始图像求其蓝色分量的梯度图像，即Ib图像；
步骤S12：对所述步骤S11处理后得到的Ib图像进行Sobel算子运算，获得SLeft，Sright，Stop以及Sbottom，相应的定义如下：
步骤S13：对所述步骤S12处理后得到的图像应用大津阈值法得到对应的二值图像，其SLeft，Sright，Stop以及Sbottom对应的二值化的映射为BL，Br，Bt以及Bb，所述大津阈值法中使用的阈值为tsize；
步骤S14：对所获得的BL，Br，Bt，Bb孔洞填充，提取最左边的像素点，得到的映射记为PL，Pr，Pt，Pb；
如果BL(i,j)＝1，则PL(i,j)＝1，否则PL(i,j)＝0；Pr，Pt，Pb定义与PL相同。
在本实施例中，所述步骤S2中，基于图论的方法利用上、下、左、右映射边构造关系图，具体包括以下步骤：
步骤S21：图的构造：用集合G＝(V，E)表示图，则V＝{PL，Pr，Pt，Pb}，e＝(u，v)属于E集合的子集，其中的u和v必须满足一定的条件；
步骤S22：进行迭代搜索算法：每一次迭代，寻找一条边来构造关系图，在每次迭代算法中都使用不同的阈值，初始阈值为T(k)，以后每一次的迭代的阈值都为上次的0.9倍，目的是避免由于一些边界梯度低而造成错误的判断，迭代搜索流程图如图2所示；
图2中设参数P的初始值为1，隐含着算法在第一次迭代中的阈值总是T(k)。tstd是在细胞轮廓定位步骤中定义的阈值，为了在后面的迭代过程中得到更多的细胞，阈值在接下来的每次迭代过程都增大10％。
判断P与一阈值tperc的关系，若P≥tperc，则T＝T*p，搜索顶点V＝{PL，Pr，Pt，Pb}，构造图G＝(V，E)，并对细胞核进行定位，接着使P＝0.9P，tstd＝1.1tstd；继续判断P与一阈值tperc的关系，若P＜tperc，则结束迭代。
步骤S23：细胞轮廓通过所构造的两种关系图得到4PRIM模式和3PRIM模式；所述4PRIM模式的构成是由四个类型的边界组成，且每个边的类型不一样，即分别为左、右、上、下边界组成的一个子图，即最理想的情况；3PRIM模式是不理想的情况，即四个边中有一个边可能由于粘连或一些不理想的实验条件造成没法完全识别出来，则所述3PRIM模式是由三个类型的边界组成，且每个边的类型不一样，即分别是左、右、上、下边界上的其中三个类型的边界；流程图如图3所述；
如图3所示，采用参数δI表示上、下、左、右四个边界上最外层的像素点离图心的距离与图的半径的偏差值，该值接近0时关系图对应是圆形或接近圆形状，这样最好的选择是选择偏差最小的；并定义一阈值tsd对关系图的形状加以约束；
首先搜索4PRIM模式，选择最佳距离I，判断δI与tstd的关系，若δI≤tstd，则提取细胞核，更新图G＝(V，E)，继续搜索4PRIM模式；若δI＞tstd，则搜索3PRIM模式，选择最佳距离I，判断此时是否δI≤tstd，若此时δI≤tstd，则提取细胞核，更新图G＝(V，E)，继续搜索3PRIM模式，若δI＞tstd，则进行下一个迭代。
在本实施例中，所述u和v必须满足的一定条件包括以下三个条件：
条件一：u和v是重叠的像素点或是相邻的像素点；条件二：u和v当中，其中一个是水平方向的点，即属于左边界，即PL或右边界的点，即Pr；另一个是垂直方向的点，即属于上边界，即Pt或下边界的点，即Pb；条件三：对于每一个像素点必须满足正确分割的条件。如对于左右边界上的像素点，分割的宽度必须大于阈值tsize，对于上下边界上的像素点，分割的高度必须大于阈值tsize。
在本实施例中，所述步骤S3用以定位出细胞的实际边界并实现粘连细胞的分割，具体包括以下步骤：
步骤S31：所述步骤S23中3PRIM模式得到的细胞轮廓存在不正确的细胞边界，则使用区域增长算法得到精确细胞轮廓，使用四个边界类型所构成的4PRIM模式和3PRIM模式关系图的图心作为种子点增长与停止的条件：
步骤S32：得到图像中的像素点为该边界类型的最外层的像素点，比如，这个像素点如果是属于上边界的，而且是上边界上最外层的像素点，即离图心最远的那个点；
步骤S33：根据图心与最外层的像素点，利用滤波和空洞充填得到较光滑的细胞轮廓。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种基于图论和区域增长的粘连细胞分割算法，其特征在于：包括以下步骤：
步骤S1：对细胞图像中的粘连细胞的每个细胞的边界初始化为四个不同方向的映射，即上、下、左、右方向定义四个映射，用不同的颜色标出；
步骤S2：基于图论的方法利用上、下、左、右映射构造关系图；
步骤S3：采用区域增长算法对预先定义的边界定位出细胞的实际边界，实现粘连细胞的分割。
2.根据权利要求1所述的一种基于图论和区域增长的粘连细胞分割算法，其特征在于：所述步骤S1中，利用Sobel算子与大津阈值法对所述细胞图像中每个粘连细胞的边界初始化为四个不同方向的映射像素，具体包括以下步骤：
步骤S11：对细胞原始图像求其蓝色分量的梯度图像，即Ib图像；
步骤S12：对所述步骤S11处理后得到的Ib图像进行Sobel算子运算，获得SLeft，Sright，Stop以及Sbottom，相应的定义如下：
步骤S13：对所述步骤S12处理后得到的图像应用大津阈值法得到对应的二值图像，其SLeft，Sright，Stop以及Sbottom对应的二值化的映射为BL，Br，Bt以及Bb，所述大津阈值法中使用的阈值为tsize；
步骤S14：对所获得的BL，Br，Bt， Bb孔洞填充，得到的映射记为PL，Pr，Pt，Pb；
如果BL(i ,j)=1，则PL(i ,j)=1，否则PL(i ,j)=0；Pr，Pt，Pb定义与PL相同。
3.根据权利要求1所述的一种基于图论和区域增长的粘连细胞分割算法，其特征在于：所述步骤S2中，基于图论的方法利用上、下、左、右映射构造关系图，具体包括以下步骤：
步骤S21：图的构造：用集合G=(V，E)表示图，则V={PL，Pr，Pt，Pb}，e=（u，v）属于E集合的子集，其中的u和v必须满足一定的条件；
步骤S22：进行迭代搜索算法：每一次迭代，寻找一条边来构造关系图，在每次迭代算法中都使用不同的阈值，设参数P为1，则初始阈值为T（k），以后每一次的迭代的阈值都为上次的0.9倍，即阈值在接下来的每次迭代过程都增大10%，继续直到阈值为一阈值；
步骤S23：细胞轮廓通过所构造的两种关系图得到4PRIM模式和3PRIM模式；所述4PRIM模式的构成是由四个类型的边界组成，且每个边的类型不一样，即分别为左、右、上、下边界组成的一个子图；所述3PRIM模式是由三个类型的边界组成，且每个边的类型不一样，即分别是左、右、上、下边界上的其中三个类型的边界；
采用参数δI表示上、下、左、右四个边界上最外层的像素点离图心的距离与图的半径的偏差值，该值接近0时关系图对应是圆形或接近圆形状，并定义一阈值tsd对关系图的形状加以约束。
4.根据权利要求3所述的一种基于图论和区域增长的粘连细胞分割算法，其特征在于：所述u和v必须满足的一定条件包括以下三个条件：
条件一：u和v是重叠的像素点或是相邻的像素点；条件二：u 和v当中，其中一个是水平方向的点，即属于左边界，即PL或右边界的点，即Pr；另一个是垂直方向的点，即属于上边界，即Pt或下边界的点，即Pb；条件三：对于每一个像素点必须满足正确分割的条件，如对于左右边界上的像素点，分割的宽度必须大于阈值tsize，对于上下边界上的像素点，分割的高度必须大于阈值tsize。
5.根据权利要求3所述的一种基于图论和区域增长的粘连细胞分割算法，其特征在于：所述步骤S3用以定位出细胞的实际边界并实现粘连细胞的分割，具体包括以下步骤：
步骤S31：所述步骤S23中3PRIM模式得到的细胞轮廓存在不正确的细胞边界，则使用区域增长算法得到精确细胞轮廓，使用四个边界类型所构成的4PRIM模式和3PRIM模式关系图的图心作为种子点增长与停止的条件；
步骤S32：得到图像中的像素点为该边界类型的最外层的像素点，即离图心最远的点；
步骤S33：根据图心与最外层的像素点，利用滤波和空洞充填得到较光滑的细胞轮廓。
CN201610093934.3A 2016-02-19 2016-02-19 一种基于图论和区域增长的粘连细胞分割算法 Expired - Fee Related CN105787934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610093934.3A CN105787934B (zh) 2016-02-19 2016-02-19 一种基于图论和区域增长的粘连细胞分割算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610093934.3A CN105787934B (zh) 2016-02-19 2016-02-19 一种基于图论和区域增长的粘连细胞分割算法

Publications (2)

Publication Number Publication Date
CN105787934A CN105787934A (zh) 2016-07-20
CN105787934B true CN105787934B (zh) 2019-02-22

Family

ID=56403394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610093934.3A Expired - Fee Related CN105787934B (zh) 2016-02-19 2016-02-19 一种基于图论和区域增长的粘连细胞分割算法

Country Status (1)

Country Link
CN (1) CN105787934B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886550B (zh) * 2017-11-07 2021-10-19 上海应用技术大学 图像编辑传播方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7260259B2 (en) * 2002-01-08 2007-08-21 Siemens Medical Solutions Usa, Inc. Image segmentation using statistical clustering with saddle point detection
CN102013102A (zh) * 2010-12-01 2011-04-13 华中科技大学 一种图像中的粘连细胞分割方法
CN102881017A (zh) * 2012-09-21 2013-01-16 四川师范大学 一种细胞分离方法
CN102968822A (zh) * 2012-08-23 2013-03-13 华南理工大学 一种基于图论的三维医学图像的分割方法
CN103150722A (zh) * 2013-01-17 2013-06-12 东南大学 应用四元数分割与图论优化的外周血白细胞边缘提取方法
CN104282026A (zh) * 2014-10-24 2015-01-14 上海交通大学 基于分水岭算法和最小生成树的分布均匀性评估方法
CN104778442A (zh) * 2015-02-11 2015-07-15 苏州大学 视网膜细胞荧光显微图像的自动分割和计数方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7260259B2 (en) * 2002-01-08 2007-08-21 Siemens Medical Solutions Usa, Inc. Image segmentation using statistical clustering with saddle point detection
CN102013102A (zh) * 2010-12-01 2011-04-13 华中科技大学 一种图像中的粘连细胞分割方法
CN102968822A (zh) * 2012-08-23 2013-03-13 华南理工大学 一种基于图论的三维医学图像的分割方法
CN102881017A (zh) * 2012-09-21 2013-01-16 四川师范大学 一种细胞分离方法
CN103150722A (zh) * 2013-01-17 2013-06-12 东南大学 应用四元数分割与图论优化的外周血白细胞边缘提取方法
CN104282026A (zh) * 2014-10-24 2015-01-14 上海交通大学 基于分水岭算法和最小生成树的分布均匀性评估方法
CN104778442A (zh) * 2015-02-11 2015-07-15 苏州大学 视网膜细胞荧光显微图像的自动分割和计数方法

Also Published As

Publication number Publication date
CN105787934A (zh) 2016-07-20

Similar Documents

Publication Publication Date Title
Van den Bergh et al. Seeds: Superpixels extracted via energy-driven sampling
Wang et al. Superpixel segmentation: A benchmark
Maška et al. Segmentation and shape tracking of whole fluorescent cells based on the Chan–Vese model
Dzyubachyk et al. Advanced level-set-based cell tracking in time-lapse fluorescence microscopy
CN108171131A (zh) 基于改进MeanShift的Lidar点云数据道路标识线提取方法及系统
EP2044555B1 (en) Neuronal profiling
CN107256558A (zh) 一种无监督式的宫颈细胞图像自动分割方法及系统
CN110992381A (zh) 一种基于改进Vibe+算法的运动目标背景分割方法
CN106875394B (zh) 相差显微镜细胞主要信息粘连情况的分离与分组方法
CN109389062B (zh) 利用高分辨率星载sar图像提取湖泊水陆分割线的方法
BRPI0606705B1 (pt) Método para identificar objetos em uma imagem
CN104598907B (zh) 一种基于笔画宽度图的图像中文字数据提取方法
CN105787934B (zh) 一种基于图论和区域增长的粘连细胞分割算法
WO2022134277A1 (zh) 显示屏子像素的图像位置标记方法、设备以及存储介质
CN106683098B (zh) 一种重叠叶片图像的分割方法
CN106127144B (zh) 采用时谱空一体化特征模型的点源风险源自动提取方法
CN105654099A (zh) 基于改进视觉的甘蔗分割与识别方法
CN118053081B (zh) 基于图像处理的城乡规划数据更新方法
CN102938053A (zh) 一种基于计算机视觉的甘蔗特征提取与识别方法
CN105160685A (zh) 一种岩石孔隙和颗粒系统的计算机数字图像识别方法
CN105654450A (zh) 基于局部和全局区域测地线模型的mr图像分割和偏移场矫正方法
CN114463173A (zh) 一种基于超像素分割的高光谱遥感图像子图重构方法
CN114202610A (zh) 一种倾斜摄影建筑物单体化模型纹理映射方法
CN106548483B (zh) 一种基于三维超像素分割的材料晶粒边缘提取方法
CN107833225B (zh) 基于特征驱动启发式四色标签的图像分割方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190222

Termination date: 20220219

CF01 Termination of patent right due to non-payment of annual fee