CN105913434A - 一种白细胞定位和迭代分割方法 - Google Patents

Abstract

本发明属于医学图像处理领域，特别涉及一种白细胞定位和迭代分割方法。根据白细胞图片的边界密度信息和颜色信息，计算每一个滑动窗口的边界密度特征因子和颜色特征因子的得分，进而选取得分较高的一部分窗口，之后将这些定位窗口进行处理，整合为最终的白细胞定位窗口，截取白细胞图片中定位窗口的区域即为定位子图。而白细胞的分割是基于定位进行的，用定位子图初始化GrabCut算法，通过膨胀迭代的方法逐步实现白细胞的准确分割。同时，对GrabCut算法的初始图也做了替换像素的预处理，使得能够在一定程度上提高GrabCut的分割精确度。本发明能够有效地避免白细胞直接在原图上分割受到红细胞等其他因素的影响，而且能够产生准确且有效的分割结果。

Description

一种白细胞定位和迭代分割方法

技术领域

本发明属于医学图像处理领域，特别涉及一种白细胞定位和迭代分割方法。

背景技术

白细胞图像分割是白细胞自动识别的一个重要的步骤，是细胞分类计数的基础，甚至于会影响后期的医疗诊断。血细胞图像形状复杂，大小不一，其染色往往不均匀，甚至粘连重叠，加上显微系统的不稳定性和不同的光照条件等，这些因素使得细胞分割成为医学图像处理研究领域中的一个富有挑战性的工作。到目前为止，尽管已有许许多多的学者讨论并提出了多种分割方法，但是，还没有一个足够有效并且快速的算法能很好地适用于白细胞图像的分割。

目前，关于分割的方法主要有几个大类：基于阈值的分割、基于边缘检测的分割、基于区域的分割、基于分类思想的分割、基于活动轮廓模型的分割以及其他混合分割方法。早期的Otsu阈值方法已被广泛应用于白细胞的分割算法中，Cseke在Otsu方法的基础上提出了自动阈值方法，但此方法仅当目标与背景灰度对比度较为明显时有效。基于边缘检测的分割方法，例如Roberts算子，Sobel算子，Prewitt算子，Canny算子等，此类微分算子虽然具有边缘定位准确的优点，但却对噪声敏感，并且容易产生不闭合曲线。Kass等人在1987年提出Snake算法，1988年Osher和Sethian提出了水平集算法，这两种方法都是基 于活动轮廓模型的经典算法，但其迭代运算偏大，且计算结果极易受轮廓线初始位置的影响，对模糊边界和胞浆颗粒大的细胞分割效果不佳。另外，Ko等人在2011年提出了均值漂移和边缘去除逐步融合的算法，但是该算法对细胞质的分割还有待改进，同时该算法复杂，运行时间较长。Mohapatra等人在2012年提出用泛函链接型网络进行基于像素的分割，并利用神经网络训练使相近颜色划分为一类。但此方法需要学习，因此计算量大，同时白细胞染色不同也导致其检测效果泛化性不好等不良效果。

发明内容

本发明的目的是提供一种白细胞定位和迭代分割算法，先根据白细胞特征定位出白细胞子图，然后利用膨胀迭代的GrabCut算法分割出最终的白细胞。

为了实现上述目的，本发明提供了如下技术方案：

本发明提供一种白细胞定位和迭代分割方法，该方法包括如下步骤：

a、计算白细胞图片的边界密度图，设定边界密度滑动窗口w₁，在整张白细胞边界密度图中从任意像素点开始，逐像素滑动，直至边界密度滑动窗口w₁遍历整张白细胞边界密度图；根据图片的边界密度信息，计算所有边界密度滑动窗口w₁的边界密度特征因子的得分值；

b、设定颜色对比度滑动窗口w₃，在整张白细胞图中从任意像素点开始，逐像素滑动，直至颜色对比度滑动窗口w₃遍历整张白细胞图；根据颜色对比度信息，计算所有颜色对比度滑动窗口w₃的颜色对比度特征因子的得分值；

c、根据步骤a和步骤b中边界密度特征因子和颜色对比度特征因子的得分值，对边界密度特征因子和颜色对比度特征因子，分别选取分 值较高的一部分窗口作为定位窗口；

d、将步骤c中得到的所有定位窗口叠加在一起，整合成一个覆盖所有窗口的最小定位窗口，截取白细胞图片中定位窗口的区域作为最终定位子图；

e、对步骤d得到的最终定位子图，用膨胀作差的方法提取细胞核周围的像素值作为细胞质的代表，来替换定位子图中的细胞核像素，进行预处理；

f、选取预处理或非处理的定位子图，来初始化GrabCut算法，然后以膨胀迭代的方式得到白细胞的分割结果。

所述步骤a中，对于白细胞图片，通过canny边缘检测算子检测得到其边界密度；其中，边界密度滑动窗口w₁的窗口尺寸为40×40～80×80像素；

边界密度特征因子S_ED(w₁)的计算表示为：

其中，In(w₁)是定位窗口w₁的内围区域，|In(w₁)|和|w₁|分别表示In(w₁)和w₁的像素个数，θ_ED是缩放参数，L(In(w₁))表示In(w₁)的周长， 表示In(w₁)窗口中所有像素B(p)之和，其中，B为通过canny边缘检测算子得到的边界图，其在每个像素p上的值为0或1。

根据边界密度信息，选取两个具有不同窗口尺寸的边界密度滑动窗口w₁和w₂，w₁和w₂的窗口尺寸为40×40～80×80像素，且w₁≠w₂。

所述步骤b中，颜色对比度滑动窗口w₃的窗口尺寸为60×60～90×90像素；

采用窗口w₃和其外围区域Out(w₃)在Lab空间上颜色信息直方图的卡方距离。颜色对比度特征因子S_CC计算公式为：

其中，|In(w₁)|和|w₁|分别表示In(w₁)和w₁的像素个数，θ_CC是缩放参数；

h和g分别是窗口w₃和其外围区域Out(w₃)的颜色直方图，h(i)是窗口w₃的颜色直方图h在第i个组的频数，g(i)是外围区域Out(w₃)的颜色直方图g在第i个组的频数，S_CC就是两个区域颜色直方图的卡方距离X²(g,h)。

所述步骤c中，对边界密度特征因子和颜色对比度特征因子，均选取得分较高的前3％窗口作为定位窗口。

所述步骤d中，先将步骤c中得到的定位窗口进行去除离群点处理，然后再整合成一个覆盖所有窗口的最小定位窗口；

对分数较高的边界密度特征因子得到的定位窗口，根据窗口之间的欧氏距离的直方图，进行离群点去除处理：根据每个窗口之间的欧氏距离，去除距离较大的窗口；

对分数较高的颜色对比度特征因子得到的定位窗口，根据窗口之间的距离排序，进行离群点去除处理。

所述步骤d中，将所有定位窗口整合成最终的定位窗口的方法为：保留所有的颜色对比度特征因子定位窗口C_i，从所有的边界密度特征因子定位窗口E_i中移除一部分窗口E_k，则最终的定位窗口w^*覆盖所有定位窗口w^(j)。其过程可以表示为：

w^(j)∈C_i∪E_i\E_k,j＝1,2,3,...,；

其中，μ是阈值参数。

所述步骤e中，将细胞核像素替换为细胞核周围的细胞质代表像素，其中，细胞质是通过膨胀细胞核，并提取细胞核周围像素得到的；细胞质区域NS可以表示为：

NS＝NU_dil-NU；

其中NU、NU_dil和NS分别代表细胞核、细胞核膨胀之后的区域和细胞质区域。

所述步骤f中，选取第一次GrabCut分割结果区域面积较大的预处理或非处理的定位子图：

其中I_s代表用于初始化GrabCut算法的定位子图，I_{p_s}和I_{np_s}分别代表预处理和非处理的定位子图，和代表迭代一次GrabCut的分割结果，分别表示和的像素个数。

所述步骤f中，每迭代一次都对分割结果膨胀一次，再进行下一次迭代，直至迭代前后分割结果不变，则迭代停止。

与现有技术相比，本发明的有益效果在于：

由于白细胞自身复杂特性、红细胞和血小板的干扰以及染色不均与光照亮度等的影响，背景技术中提及的已有方法，总是不能完全考虑这些因素，也不能解决这些因素带来的不良影响。而本发明则考虑通过先定位的方法去除红细胞和血小板的干扰，同时使得染色不均和 光照亮度所带来的影响随之减弱，然后再嵌入GrabCut算法，成功地分割出白细胞。

综上所述，白细胞直接在原图上分割总是不可避免地受到红细胞等其他因素的影响，不能产生准确且有效的分割结果，而本发明的方法能够有效地避免了这些问题。

附图说明

图1a为白细胞图片；

图1b为白细胞边界密度图；

图1c为效果较好的边界密度特征因子分数较高定位窗口图；

图1d为效果较好的颜色对比度特征因子分数较高定位窗口图；

图2a为效果不好的边界密度特征因子分数较高定位窗口图；

图2b为窗口之间的欧氏距离的直方图；

图2c为边界密度特征因子定位窗口处理图；

图3a为效果不好的颜色对比度特征因子分数较高定位窗口图；

图3b为窗口之间的距离排序图；

图3c为颜色对比度特征因子定位窗口处理图；

图4a为所有定位窗口整合图；

图4b为最终定位子图；

图5为根据定位子图进行分割白细胞的流程图；

图6为本发明白细胞定位和迭代分割方法总体流程示意图。

其中的附图标记为：

(a)最终定位子图

(b)预处理定位图

(c)初始化GrabCut算法的初始图

(d)最终白细胞分割结果

具体实施方式

本发明基于白细胞先定位后分割，从而减少红细胞、血小板和其他背景对白细胞分割的影响。针对白细胞图片独有的特性，以密度特征和颜色特征来定位白细胞，又采用多尺度和多窗口的思想实现定位窗口的自适应调整。在分割过程中，对定位子图的预处理在一定程度上提高了GrabCut算法分割的精确度，同时以膨胀迭代的方式，分割出更加准确的结果。

本发明的基本思路为：

首先，根据白细胞图片的边界密度信息和颜色信息，计算边界密度特征因子和颜色对比度特征因子的得分，分别选取得分较高的一部分窗口；

其次，对由边界密度特征因子和颜色对比度特征因子得到的窗口进行去除离群点处理，并整合成覆盖所有窗口的最小定位窗口，窗口内部区域作为最终定位子图；

再次，用像素替换方法对最终定位子图进行预处理；

最后，引入GrabCut算法进行膨胀迭代，得到白细胞分割结果。

下面结合实施例对本发明进行进一步说明。

本发明提供一种白细胞定位和迭代分割方法，包括如下步骤：

a、计算白细胞图片的边界密度图，设定边界密度滑动窗口w₁，在整张白细胞边界密度图中从任意像素点开始，逐像素滑动，直至边界密度滑动窗口w₁遍历整张白细胞边界密度图；根据图片的边界密度信息，计算所有边界密度滑动窗口w₁的边界密度特征因子的得分值。

优选地，在整张白细胞边界密度图中从左上角开始，逐像素滑动，直至边界密度滑动窗口w₁遍历整张白细胞边界密度图。

如图1a所示，对于一张白细胞图片，通过canny边缘检测算子检测得到其边界密度图，如图1b所示；根据边界密度信息，计算所有边界密度滑动窗口w₁的边界密度因子得分值，其中，边界密度滑动窗口w₁的窗口尺寸为40×40～80×80像素。

边界密度特征因子S_ED(w₁)的计算表示为：

其中，In(w₁)是定位窗口w₁的内围区域，|In(w₁)|和|w₁|分别表示In(w₁)和w₁的像素个数，θ_ED是缩放参数；

L(In(w₁))表示In(w₁)的周长，表示In(w₁)窗口中所有像素B(p)之和，其中，B为通过canny边缘检测算子得到的边界图，其在每个像素p上的值为0或1。

图中的边界区域，即白色像素值为1；非边界区域，即黑色像素值为0。所以边界越密集的地方，也就是白细胞所在区域，S_ED(w₁)得分值越大。因此得分大的区域也就是定位白细胞的窗口。

优选地，根据边界密度信息，选取两个具有不同窗口尺寸的边界密度滑动窗口w₁和w₂，w₁和w₂的窗口尺寸为40×40～80×80像素，且w₁≠w₂。

b、设定颜色对比度滑动窗口w₃，在整张白细胞图中从任意像素点开始，逐像素滑动，直至颜色对比度滑动窗口w₃遍历整张白细胞图；根据颜色对比度信息，计算所有颜色对比度滑动窗口w₃的颜色对比度特征因子得分值。

优选地，在整张白细胞图中从左上角开始，逐像素滑动，直至颜色对比度滑动窗口w₃遍历整张白细胞图。

其中，颜色对比度滑动窗口w₃的窗口尺寸为60×60～90×90像素。

采用窗口w₃和其外围区域Out(w₃)在Lab空间上颜色信息直方图的卡方距离。颜色对比度特征因子S_CC计算公式为：

其中，|In(w₁)|和|w₁|分别表示In(w₁)和w₁的像素个数，θ_CC是缩放参数；

h和g分别是窗口w₃和其外围区域Out(w₃)的颜色直方图，h(i)是窗口w₃的颜色直方图h在第i个组的频数，g(i)是外围区域Out(w₃)的颜色直方图g在第i个组的频数，S_CC就是两个区域颜色直方图的卡方距离X²(g,h)。

c、根据步骤a和步骤b中边界密度特征因子和颜色对比度特征因子的得分值，对边界密度特征因子和颜色对比度特征因子，分别选取分值较高的一部分窗口作为定位窗口。

选取边界密度特征因子得分值较高的窗口作为定位窗口；如图1c和图2a所示。其中，图1c为效果较好的边界密度特征因子分数较高定位窗口图；图2a为效果不好的边界密度特征因子分数较高定位窗口图。

选取颜色对比度特征因子得分值较高的窗口作为定位窗口；如图1d和图3a所示。其中，图1d为效果较好的颜色对比度特征因子分数较高定位窗口图；图3a为效果不好的颜色对比度特征因子分数较高定位窗口图。

优选地，针对边界密度特征因子和颜色对比度特征因子，均选取得分较高的前3％窗口作为定位窗口。

d、将步骤c中得到的所有定位窗口叠加在一起，整合成一个覆盖 所有窗口的最小定位窗口，截取白细胞图片中定位窗口的区域作为最终定位子图。

优选地，考虑到步骤c中存在个别白细胞定位效果不好的情况，先将步骤c中得到的定位窗口进行去除离群点处理，然后再整合成一个覆盖所有窗口的最小定位窗口。

对效果不好的分数较高的边界密度特征因子得到的定位窗口，如图2a所示，根据窗口之间的欧氏距离的直方图，如图2b所示，进行离群点去除处理，其中图中的虚线即为阈值，从而得到处理之后的窗口，如图2c所示。

所述离群点去除处理为根据每个窗口之间的欧氏距离，去除距离较大的窗口。

类似地，对效果不好的分数较高的颜色对比度特征因子得到的定位窗口，如图3a所示，根据窗口之间的距离排序，如图3b所示，得到处理之后的窗口，如图3c所示。

整合如图2c和图3c所示处理之后的所有定位窗口，如图4a，得到一个覆盖所有窗口的最小的最终定位窗口，在白细胞图片中截取其区域即为如图4b所示的最终定位子图。整合过程为：

保留所有的颜色对比度特征因子定位窗口C_i，从所有的边界密度特征因子定位窗口E_i中移除一部分窗口E_k，则最终的定位窗口w^*覆盖所有定位窗口w^(j)。其过程可以表示为：

w^(j)∈C_i∪E_i\E_k,j＝1,2,3,...,

其中μ是阈值参数。

e、对步骤d得到的最终定位子图，用膨胀作差的方法提取细胞核周围的像素值作为细胞质的代表，来替换其中的细胞核像素，进行定位子图的预处理。

根据步骤d中得到的最终定位子图，进行替换像素的预处理，得到如图5中(b)所示的预处理定位子图。即将细胞核像素替换为细胞核周围的细胞质代表像素，其中，细胞质是通过膨胀细胞核，并提取细胞核周围像素得到的。这样能进一步提高GrabCut算法的准确性，其中细胞质代表区域NS可以表示为：

NS＝NU_dil-NU

其中NU，NU_dil和NS分别代表细胞核、细胞核膨胀之后的区域和细胞质区域；

f、选取预处理或非处理的定位子图，来初始化GrabCut算法，然后以膨胀迭代的方式得到白细胞的分割结果。

选取首次GrabCut算法分割区域面积较大的所对应的预处理或非处理的定位子图，如图5中(c)所示:

其中I_s代表用于初始化GrabCut算法的定位子图，I_{p_s}和I_{np_s}分别代表预处理和非处理定位子图，和代表迭代一次GrabCut的分割结果，分别表示和的像素个数。

将所选定位子图作为GrabCut算法的初始图进行分割。为了分割结果的精确性，每一次GrabCut运行之后，将分割结果膨胀一次，然后在输入GrabCut的下一次迭代分割中，直至迭代前后分割结果不变，则迭代停止，如图5中(d)所示。

如图6所示，为本发明的白细胞定位和迭代分割方法总体流程示 意图。作为一个实施例，对于一张白细胞图片，设定边界密度滑动窗口w₁的窗口尺寸为50×50像素，边界密度滑动窗口w₂的窗口尺寸为70×70像素，颜色对比度滑动窗口w₃的窗口尺寸为90×90像素；然后计算所有边界密度特征因子和颜色对比度特征因子的得分值，均选取得分较高的前3％窗口作为定位窗口，即得到图6中的50×50大小的ED定位窗口ED^①、90×90大小的CC定位窗口CC^②和70×70大小的ED定位窗口ED^③；然后将得到的所有定位窗口叠加在一起，整合成一个覆盖所有窗口的最小定位窗口，如图6中④所示；所有定位窗口叠加在一起，如图6中⑤所示，多窗口融合成最终定位窗口。对最终定位子图，用膨胀作差的方法提取细胞核周围的像素值作为细胞质的代表，来替换其中的细胞核像素，进行定位子图的预处理；选取预处理或非处理的定位子图，来初始化GrabCut算法，然后以膨胀迭代的方式得到白细胞的分割结果，每一次GrabCut运行之后，将分割结果膨胀一次，然后在输入GrabCut的下一次迭代分割中，直至迭代前后分割结果不变，则迭代停止。

Claims (10)

1.一种白细胞定位和迭代分割方法，其特征在于：该方法包括如下步骤：

a、计算白细胞图片的边界密度图，设定边界密度滑动窗口w₁，在整张白细胞边界密度图中从任意像素点开始，逐像素滑动，直至边界密度滑动窗口w₁遍历整张白细胞边界密度图；根据图片的边界密度信息，计算所有边界密度滑动窗口w₁的边界密度特征因子的得分值；

b、设定颜色对比度滑动窗口w₃，在整张白细胞图中从任意像素点开始，逐像素滑动，直至颜色对比度滑动窗口w₃遍历整张白细胞图；根据颜色对比度信息，计算所有颜色对比度滑动窗口w₃的颜色对比度特征因子的得分值；

c、根据步骤a和步骤b中边界密度特征因子和颜色对比度特征因子的得分值，对边界密度特征因子和颜色对比度特征因子，分别选取分值较高的一部分窗口作为定位窗口；

d、将步骤c中得到的所有定位窗口叠加在一起，整合成一个覆盖所有窗口的最小定位窗口，截取白细胞图片中定位窗口的区域作为最终定位子图；

e、对步骤d得到的最终定位子图，用膨胀作差的方法提取细胞核周围的像素值作为细胞质的代表，来替换定位子图中的细胞核像素，进行预处理；

f、选取预处理或非处理的定位子图，来初始化GrabCut算法，然后以膨胀迭代的方式得到白细胞的分割结果。

2.根据权利要求1所述的白细胞定位和迭代分割方法，其特征在于：所述步骤a中，对于白细胞图片，通过canny边缘检测算子检测得到其边界密度；其中，边界密度滑动窗口w₁的窗口尺寸为40×40～80×80像素；

边界密度特征因子S_ED(w₁)的计算表示为：

$S_{ED}\left(w_1\right)=\frac{{\mathrm{\Σ}}_{p\∈In\left(w_1\right)}B\left(p\right)}{L\left(In\right(w_1\left)\right)};$

$\frac{\left|In\left(w_1\right)\right|}{\left|w_1\right|}=\frac{1}{{\mathrm{\θ}}_{ED}^2};$

其中，In(w₁)是定位窗口w₁的内围区域，|In(w₁)|和|w₁|分别表示In(w₁)和w₁的像素个数，θ_ED是缩放参数，L(In(w₁))表示In(w₁)的周长，表示In(w₁)窗口中所有像素B(p)之和，其中，B为通过canny边缘检测算子得到的边界图，其在每个像素p上的值为0或1。

3.根据权利要求1所述的白细胞定位和迭代分割方法，其特征在于：根据边界密度信息，选取两个具有不同窗口尺寸的边界密度滑动窗口w₁和w₂，w₁和w₂的窗口尺寸为40×40～80×80像素，且w₁≠w₂。

4.根据权利要求1所述的白细胞定位和迭代分割方法，其特征在于：所述步骤b中，颜色对比度滑动窗口w₃的窗口尺寸为60×60～90×90像素；

采用窗口w₃和其外围区域Out(w₃)在Lab空间上颜色信息直方图的卡方距离。颜色对比度特征因子S_CC计算公式为：

$S_{CC}={\mathrm{\χ}}^2(g,h)=\frac{1}{2}\underset{i}{\mathrm{\Σ}}\frac{{\left(g\right(i)-h(i\left)\right)}^2}{g\left(i\right)+h\left(i\right)};$

$\frac{\left|Out\left(w_3\right)\right|}{\left|w_3\right|}={\mathrm{\θ}}_{CC}^2-1;$

其中，|In(w₁)|和|w₁|分别表示In(w₁)和w₁的像素个数，θ_CC是缩放参数；

h和g分别是窗口w₃和其外围区域Out(w₃)的颜色直方图，h(i)是窗口w₃的颜色直方图h在第i个组的频数，g(i)是外围区域Out(w₃)的颜色直方图g在第i个组的频数，S_CC就是两个区域颜色直方图的卡方距离X²(g,h)。

5.根据权利要求1所述的白细胞定位和迭代分割方法，其特征在于：所述步骤c中，对边界密度特征因子和颜色对比度特征因子，均选取得分较高的前3％窗口作为定位窗口。

6.根据权利要求1所述的白细胞定位和迭代分割方法，其特征在于：所述步骤d中，先将步骤c中得到的定位窗口进行去除离群点处理，然后再整合成一个覆盖所有窗口的最小定位窗口；

对分数较高的边界密度特征因子得到的定位窗口，根据窗口之间的欧氏距离的直方图，进行离群点去除处理：根据每个窗口之间的欧氏距离，去除距离较大的窗口；

对分数较高的颜色对比度特征因子得到的定位窗口，根据窗口之间的距离排序，进行离群点去除处理。

7.根据权利要求1所述的白细胞定位和迭代分割方法，其特征在于：所述步骤d中，将所有定位窗口整合成最终的定位窗口的方法为：保留所有的颜色对比度特征因子定位窗口C_i，从所有的边界密度特征因子定位窗口E_i中移除一部分窗口E_k，则最终的定位窗口w^*覆盖所有定位窗口w^(j)。其过程可以表示为：

$I=\underset{i}{\∪}{C}_i;$

$\{E_k\&Element;E_i,(i=1,2,3,\mathrm{...},):\frac{\left|E_k\&cap;I\right|}{\left|I\right|}<\mathrm{\&mu;}\};$

w^(j)∈C_i∪E_i\E_k,j＝1,2,3,...,；

其中，μ是阈值参数。

8.根据权利要求1所述的白细胞定位和迭代分割方法，其特征在于：所述步骤e中，将细胞核像素替换为细胞核周围的细胞质代表像素，其中，细胞质是通过膨胀细胞核，并提取细胞核周围像素得到的；细胞质区域NS可以表示为：

NS＝NU_dil-NU；

其中NU、NU_dil和NS分别代表细胞核、细胞核膨胀之后的区域和细胞质区域。

9.根据权利要求1所述的白细胞定位和迭代分割方法，其特征在于：所述步骤f中，选取第一次GrabCut分割结果区域面积较大的预处理或非处理的定位子图：

$I_s=\left\{\begin{array}{cc}{I}_{np\_s},& if\left|I_{np\_s}^{\left(1\right)}\right|\&GreaterEqual;\left|I_{p\_s}^{\left(1\right)}\right|\\ I_{p\_s},& if\left|I_{np\_s}^{\left(1\right)}\right|<\left|I_{p\_s}^{\left(1\right)}\right|\end{array}\right.;$

其中I_s代表用于初始化GrabCut算法的定位子图，I_{p_s}和I_{np_s}分别代表预处理和非处理的定位子图，和代表迭代一次GrabCut的分割结果，分别表示和的像素个数。

10.根据权利要求1所述的白细胞定位和迭代分割方法，其特征在于：所述步骤f中，每迭代一次都对分割结果膨胀一次，再进行下一次迭代，直至迭代前后分割结果不变，则迭代停止。