CN107871156A - 基于信息素预测的蚁群多细胞跟踪系统 - Google Patents
基于信息素预测的蚁群多细胞跟踪系统 Download PDFInfo
- Publication number
- CN107871156A CN107871156A CN201711061619.3A CN201711061619A CN107871156A CN 107871156 A CN107871156 A CN 107871156A CN 201711061619 A CN201711061619 A CN 201711061619A CN 107871156 A CN107871156 A CN 107871156A
- Authority
- CN
- China
- Prior art keywords
- pheromones
- mrow
- cell
- ant
- field
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Organic Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明公开了一种基于信息素预测的蚁群多细胞跟踪系统,包括四个模块:信息素场预测模块、蚂蚁决策模块、信息素场的高斯拟合模块和状态估计模块的分析,实现多细胞的跟踪;原始图片输入后,基于前一帧细胞信息素场高斯拟合的结果,利用高斯混合模型进行信息素场预测;在基于信息素梯度的蚂蚁工作模式下利用基于钟形曲线的信息素扩散模型构建信息素场;然后通过K‑均值聚类的方法,在去除由杂波导致的虚假目标后进行细胞位置估计,最后利用细胞距离特征关联获取细胞运动轨迹,实现多细胞的跟踪。
Description
技术领域
本发明属于细胞跟踪领域,更具体的涉及一种基于信息素预测的蚁群多细胞跟踪系统。
背景技术
细胞是生命活动的基本单位,对于任何有机生命的胚胎发育、进化和生命维持,细胞的 增殖、分化与迁移都是必不可少的环节。因此,对细胞行为分析的研究在很多领域都是非常 有价值的,包括干细胞研究、组织工程学、药物开发、基因学和蛋白质组学等。医学图像处 理是计算机视觉研究的一个重要分支和研究方向。利用计算机进行图像处理减少了人为的干 扰,能够减少医学工作者的工作负担,提高分析的准确性。因此,从细胞图像序列中提取目 标特征信息及目标运动轨迹,是医学分析中一项重要基本工作,引起越来越多研究者的兴趣。
细胞显微图像由于设备误差、光照不均的影响使得采集到的图像具有背景不均、边界模 糊、内部分布不均匀的特点,图像质量的下降加大了跟踪的难度,而显微镜头的抖动会引起 观测视野比较大的改变。细胞的尺寸处于微米量级,单个细胞尺寸与整幅图像相比太小,不 同细胞之间的形态差别不大,导致细胞的特征信息难于提取,因此要精确估计细胞的运动参数 非常困难。这些不确定性因素的存在给细胞跟踪研究带来了极大的挑战,而细胞图像序列中 经常出现的碰撞、分裂等情形引起细胞之间的复杂交互使得细胞的精确跟踪也更加困难,主要 包括以下几个方面:
1、细胞粘连甚至重叠时多个细胞信息交叉难于区分。当一个细胞与另外的细胞粘连甚至 重叠时,过程中可能并没有丢失目标,但是当目标分开后由于细胞特征相似跟踪可能转换, 这时发生细胞标签切换。所以粘连甚至重叠会导致细胞标签的切换率大大增高,给目标跟踪 的可靠性带来极大困难。
2、细胞迁移运动的速度和方向突然改变时,由于部分目标信息丢失,误认为细胞已消失, 导致跟踪的不稳定甚至丢失细胞。
近年来学者们提出的自动跟踪的方法依赖于细胞图像检测和分割的质量,对于复杂情况 下细胞跟踪的精度不高,很难准确描述其统计特性。而在视频图像中针对目标密集、遮挡等 复杂情况的成熟多目标跟踪技术,由于受显微图像序列中细胞彼此之间的形态差别不大及细 胞与背景灰度值相近等特殊性的影响,不能直接推广应用于细胞跟踪领域。目前尚缺乏有效 的针对细胞图像序列中粘连细胞跟踪的研究理论和方法。本发明旨在解决粘连、运动特性各 异等多细胞跟踪难题,利用信息素预测及扩散机制构建信息素场,最终实现粘连多细胞的跟 踪
发明内容
1、本发明的目的。
本发明为了解决现有技术中对于粘连运动特性各异的多细胞跟踪难题,提出了一种基于 信息素预测的蚁群多细胞跟踪系统。
2、本发明所采用的技术方案。
本发明公开了一种基于信息素预测的蚁群多细胞跟踪系统,包括如下模块:
信息素预测模块,输入原始图片,基于前一帧细胞信息素场高斯拟合的结果,利用高斯 混合模型进行信息素场预测,包括存在细胞、分裂细胞和新生细胞的信息素预测;
蚂蚁决策模块,利用基于信息素梯度信息的蚂蚁工作模式及基于钟形曲线的信息素扩散 模型构建信息素场,实现近距离细胞跟踪;
信息素场的高斯拟合模块,在信息素场构建完成后,利用EM算法进行高斯混合模型参 数估计,实现信息素场的拟合,用于下一帧细胞信息素预测
细胞状态提取模块,基于信息素场构建,利用K均值聚类的方法对信息素场进行分类, 去除由杂波导致的虚假目标后进行多细胞位置估计,利用细胞距离特征进行数据关联获取细 胞运动轨迹及相关的动力学参数;
其中所述的蚂蚁决策模块中构建信息素场中的基于信息素梯度信息的蚂蚁工作模式:
1)蚂蚁根据概率选择领域内像素进行移动,若蚁群中的蚂蚁a处于像素i所在位置,考虑 近距离细胞状态相互耦合,需要引导蚂蚁向细胞中心位置移动,则该蚂蚁选择其邻域内某一 像素j的概率为:
其中Ω(i)为像素i的近邻像素集,为信息素,▽τj(t)为像素j的信息素梯度值α,β,γ分 别为信息素和似然函数值及信息素梯度的控制参数;
其中所述的蚂蚁决策模块中构建信息素场中的基于钟形曲线的信息素扩散模型中:
ηj为启发式函数;为了引导蚂蚁快速向目标移动,当蚂蚁位于目标像素外时其中是坐标为(x,y)像素 点j的灰度值,T1与T2分别为坐标x和y的最大值;当蚂蚁位于目 标像素上时,为训练模板数据,q为向量个数;ν为核带宽,κ是 为调节系数;为巴氏距离定义为
更进一步具体实施方式中,信息素预测模块预测方式如下:
1)假定在第k-1帧有Mk-1个细胞,在第k帧细胞可能存活、分裂,消失或新出现;假如细胞之间是相互独立的且每个细胞信息素场符合高斯分布;第k-1帧信息素后验强度可表示 为高斯混合模型:其中为第k-1帧第ip个高斯分量的权 值,表示均值为e和协方差为g的高斯函数,是为第k-1帧第ip个高斯分量的均值,为第k-1帧第ip个高斯分量的协方差,ip为高斯分量标识;则第k帧预测信息素强度为Φk|k-1(τ)=Φs,k|k-1(τ)+Φβ,k|k-1+γk(τ),其中Φs,k|k-1(τ)预测存活细胞信息素强度,Φβ,k|k-1为 预测分裂细胞信息素强度,γk(τ)为预测新出现细胞信息素强度;
2)利用第k-1帧信息素场拟合的结果预测存活细胞信息素强度,表示为Fk-1是信 息素转移矩阵,Qk-1为过程噪声协方差,PS,k为细胞信息素状态从第k-1帧到第k帧的存活概 率,js为存活细胞标识;
3)为分裂细胞信息素强度,其中Mβ,k, 和为信息素状态χ确定的细胞分裂信息素强度的形状参数,jd为第k-1帧细 胞标识,ld为第jd个细胞所分裂出细胞的标识;
4)为新出现细胞信息素强度,Mγ,k,为信息 素状态χ表示的新生细胞信息素强度形状参数,jn为新生细胞标识。
更进一步具体实施方式中,所述蚂蚁决策模块,其具体方式如下:
1)输入细胞图像,利用阈值处理将图像分为目标和背景,在目标像素上随机放置蚂蚁, 获取初始蚁群,然后蚂蚁根据概率选择领域内像素进行移动,即基于信息素梯度信息的蚂蚁 工作模式进行移动;
2)基于钟形曲线的信息素扩散模型引导蚂蚁快速移动;
3)当所有蚂蚁按上述概率完成选择后,更新像素j的信息素量 τj(t)=(1-ρ)τj(t-1)+uj(t-1)+gj(t-1),其中ρ表示信息素衰减系数,如果蚂蚁移动到像素j,否则gj(t)为更新信息素扩散值其中|Ω(j′)|表示像素j′邻域集的数量,参 数λ是调节系数,和是像素j和j'的信息素变量,Λ是方差;
4)所有蚂蚁完成迭代后信息素进行全局更新τj(t)=(1-ψ)τj(t)+ψΔτj,其中ψ表示信息 素衰减系数,Δτj为一常量;
5)继续上述步骤1-4,直至所需的迭代次数。
更进一步具体实施方式中,所述信息素场的高斯拟合模块,其具体方式如下:
将信息素场进行拟合为高斯混合模型,对模型参数,即权值平均值向量协方差进行估计,步骤如下:
1)初始化混合权值εl,平均值向量μl,协方差Υl;
2)计算其中l是分类标识,是输入数据标识;
3)对权值、均值和协方差进行更新,公式如下:
其中Π是样本数量。
更进一步具体实施方式中,所述细胞状态提取模块的具体方式如下:
1)信息素聚类:利用K均值聚类的方法提取细胞状态;首先检测出信息素场的Mp个峰 值,然后以峰值位置为聚类中心,再计算每个信息素位置距离各个聚类中心的距离,对其进 行分类,计算的函数为其中是聚 类中心,为待分类数据;
2)删除由杂波导致的虚假目标;
3)数据关联:利用近邻法进行数据关联获取细胞运动轨迹及相关的动力学参数。
3、本发明所具有的效果:
1)本发明所提出的基于信息素预测的蚁群系统,利用基于信息素梯度信息的蚂蚁工作模 式及基于钟形曲线的信息素扩散模型构建信息素场进行蚂蚁决策,能解决近邻多细胞跟踪问 题,同时针对运动速度和方向时变的多细胞跟踪取得了良好跟踪效果,适用范围较广;
2)本发明所设计的方法跟踪精度高,其性能与人工跟踪方法相当,但计算时间减少;与 传统蚁群算法,SMAL博士提出的粒子滤波器细胞跟踪方法及REZA教授提出的多贝努利滤 波器及高斯混合PHD滤波器相比,标签转换率LSR,漏检率LTR,错误跟踪率FTR及漏跟踪率FNR相比都显著下降。与最接近的传统蚁群算法比较标签转换率LSR降低约20%,漏 检率LTR降低约26%,错误跟踪率FTR降低约22%及漏跟踪率FNR降低约38%。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是未考虑数据关联情况下本发明结构图。
图2细胞跟踪的原始图像序列1。
图3细胞跟踪的原始图像序列2。
图4序列1的结果分析,((a)多次迭代后信息素场分布结果,(b)我们提出的方法二维2-D跟踪的结果,(c)3-D跟踪结果)。
图5序列1的跟踪结果,((a)x方向上所有细胞位置估计,(b)y方向上所有细胞的位置 估计)。
图6序列1的跟踪结果,((a)x方向上所有细胞瞬时速度估计,(b)y方向上所有细胞瞬 时速度估计。)。
图7序列2的结果分析,((a)多次迭代后信息素场的分布结果(b)我们提出的方法跟踪 的结果(c)3-D跟踪结果)。
图8序列2的跟踪结果,((a)x方向上所有细胞位置估计,(b)y方向上所有细胞的位置 估计)。
图9序列2的跟踪结果,((a)x方向上所有细胞瞬时速度估计,(b)y方向上所有细胞瞬 时速度估计)。
具体实施方式
如图1所示,原始图片输入后,基于前一帧细胞信息素场高斯拟合的结果,利用高斯混 合模型进行信息素场预测;在信息素爬升的蚂蚁工作模式下利用基于钟形曲线的信息素扩散 模型构建信息素场;然后通过K-均值聚类的方法并去除由杂波导致的虚假目标进行细胞位置 估计,最后利用细胞距离特征关联获取细胞运动轨迹,实现多细胞的跟踪。
基于信息素预测的蚁群多细胞跟踪系统包括如下模块:
1、信息素预测模块。
基于前一帧细胞信息素场高斯拟合的结果,利用高斯混合模型进行信息素场预测,包括 存在细胞、分裂细胞和新生细胞的信息素预测。
信息素预测模块,具体实现步骤如下:
1)假定在第k-1帧有Mk-1个细胞,在第k帧细胞可能存活、分裂,消失或新出现。假如细胞之间是相互独立的且每个细胞信息素场符合高斯分布。第k-1帧信息素后验强度可表示 为高斯混合模型:其中为第k-1帧第ip个高斯分量的权 值,表示均值为e和协方差为g的高斯函数,是为第k-1帧第ip个高斯分量的均值,为第k-1帧第ip个高斯分量的协方差,ip为高斯分量标识。则第k帧预测信息素强度为Φk|k-1(τ)=Φs,k|k-1(τ)+Φβ,k|k-1+γk(τ),其中Φs,k|k-1(τ)预测存活细胞信息素强度,Φβ,k|k-1为 预测分裂细胞信息素强度,γk(τ)为预测新出现细胞信息素强度。
2)利用第k-1帧信息素场拟合的结果预测存活细胞信息素强度,表示为Fk-1是信 息素转移矩阵,Qk-1为过程噪声协方差,PS,k为细胞信息素状态从第k-1帧到第k帧的存活概 率,js为存活细胞标识。
3)为分裂细胞信息素强度,其中Mβ,k, 和为信息素状态χ确定的细胞分裂信息素强度的形状参数,jd为第k-1帧细 胞标识,ld为第jd个细胞所分裂出细胞的标识。
4)为新出现细胞信息素强度,Mγ,k,为信息 素状态χ表示的新生细胞信息素强度形状参数,jn为新生细胞标识。
2、蚂蚁决策模块。
利用基于信息素梯度信息的蚂蚁工作模式及基于钟形曲线的信息素扩散模型构建信息素 场,实现近距离细胞跟踪;
蚂蚁决策模块,具体实现步骤如下:
1)输入细胞图像,利用阈值处理将图像分为目标和背景。在目标像素上随机放置蚂蚁, 获取初始蚁群,然后蚂蚁根据概率选择领域内像素进行移动。若蚁群中的蚂蚁a处于像素i所 在位置,考虑近距离细胞状态相互耦合,需要引导蚂蚁向细胞中心位置移动,设计基于信息 素梯度的蚂蚁工作模式;则该蚂蚁选择其邻域内某一像素j的概率为:其中Ω(i)为像素i的近邻像素集,为信息 素,▽τj(t)为像素j的信息素梯度值α,β,γ分别为信息素和似然函数值及信息素梯度的控制 参数;
2)ηj为启发式函数;为了引导蚂蚁快速向目标移动,当蚂蚁位于目标像素外时其中是 坐标为(x,y)像素点j的灰度值,T1与T2分别为坐标x和y的最大 值。当蚂蚁位于目标像素上时,为训练模板数据,q为向量个数。ν 为核带宽,κ是为调节系数。为巴氏距离Bhattacharyya定义为
3)当所有蚂蚁按上述概率完成选择后,更新像素j的信息素量 τj(t)=(1-ρ)τj(t-1)+uj(t-1)+gj(t-1),其中ρ表示信息素衰减系数,如果蚂蚁移动到像素j,否则gj(t)为更新信息素扩散值其中|Ω(j′)|表示像素j′邻域集的数量,参 数λ是调节系数,和是像素j和j'的信息素变量,Λ是方差;
4)所有蚂蚁完成迭代后信息素进行全局更新τj(t)=(1-ψ)τj(t)+ψΔτj,其中ψ表示信息 素衰减系数,Δτj为一常量;
5)继续上述步骤1-4,直至所需的迭代次数。
3、信息素场的高斯拟合模块。
在信息素场构建完成后,利用EM算法(Expectation Maximization Algorithm)即最大期 望算法进行高斯混合模型参数估计,实现信息素场的拟合,用于下一帧细胞信息素预测。
所述信息素场的高斯拟合模块,具体实现步骤如下:
将信息素场进行拟合为高斯混合模型,对模型参数,即权值平均值向量协方差进 行估计,步骤如下:
1)初始化混合权值εl,平均值向量μl,协方差Υl.
2)计算其中l是分类标识,是输入数据标识
3)对权值、均值和协方差进行更新,公式如下:
其中Π是样本数量。
4、细胞状态提取模块。
基于信息素场构建,利用K均值聚类的方法对信息素场进行分类,去除由杂波导致的虚 假目标后进行多细胞位置估计,利用细胞距离特征进行数据关联获取细胞运动轨迹及相关的 动力学参数。
细胞状态提取模块,具体实现步骤如下:
1)信息素聚类:利用K均值聚类的方法提取细胞状态。首先检测出信息素场的Mp个峰 值,然后以峰值位置为聚类中心,再计算每个信息素位置距离各个聚类中心的距离,对其进 行分类,计算的函数为其中是聚 类中心,为待分类数据。
2)删除由杂波导致的虚假目标;
3)数据关联:利用近邻法进行数据关联获取细胞运动轨迹及相关的动力学参数。
本发明经过信息素场预测模块、蚂蚁决策模块、信息素场高斯拟合模块及细胞状态提取 模块的多跟踪结果如下所示。
图4-6为序列1(例1)的跟踪结果。从图4可看出所有细胞都可以被可靠跟踪。细胞2和细胞3一直紧挨着。细胞4在第16帧进入视图第27帧离开。细胞5在第24帧进入视图 第35帧离开。细胞1,2,3和4从第38帧开始聚集在一起。细胞3在第44帧发生分裂。图5 给出了细胞在x和y方向上的位置估计,图6给出了细胞在x和y方向上的瞬时速度估计。
图7-9为序列2(例2)的跟踪结果。细胞1,3和5从第25帧到47帧聚集在一起。细胞 3和5在第36帧发生碰撞,第37帧分开。细胞6在第34帧离开视图。细胞7第28帧进入 视图,第30帧又离开。细胞8和细胞9第41帧出现,但是细胞9第43帧又消失了。图8给 出了细胞在x和y方向上的位置估计,图9给出了细胞在x和y方向上的瞬时速度估计。
本发明所设计的方法跟踪精度高,其性能与人工跟踪方法相当,但计算时间减少;与传统 蚁群算法,SMAL博士提出的粒子滤波器细胞跟踪方法及REZA教授提出的多贝努利滤波器 及高斯混合PHD滤波器相比,标签转换率LSR,漏检率LTR,错误跟踪率FTR及漏跟踪率 FNR相比都显著下降。
如表一所示。
表一不同算法跟踪性能比较
综上所述,本发明技术方案可解决在细胞图像近距离多细胞跟踪问题。对细胞近距离交 互、细胞进入或离开视图和细胞运动速度方向时变等情形,利用基于高斯混合模型的信息素 预测及新颖的信息素更新机制构建信息素场,解决近距离粘连多细胞跟踪难题。
Claims (5)
1.基于信息素预测的蚁群多细胞跟踪系统,包括如下模块:
信息素预测模块,输入原始图片,基于前一帧细胞信息素场高斯拟合的结果,利用高斯混合模型进行信息素场预测,包括存在细胞、分裂细胞和新生细胞的信息素预测;
蚂蚁决策模块,利用基于信息素梯度信息的蚂蚁工作模式及基于钟形曲线的信息素扩散模型构建信息素场,实现近距离细胞跟踪;
信息素场的高斯拟合模块,在信息素场构建完成后,利用EM算法进行高斯混合模型参数估计,实现信息素场的拟合,用于下一帧细胞信息素预测
细胞状态提取模块,基于信息素场构建,利用K均值聚类的方法对信息素场进行分类,去除由杂波导致的虚假目标后进行多细胞位置估计,利用细胞距离特征进行数据关联获取细胞运动轨迹及相关的动力学参数;
其特征在于:其中所述的蚂蚁决策模块中构建信息素场中的基于信息素梯度信息的蚂蚁工作模式:
1)蚂蚁根据概率选择领域内像素进行移动,若蚁群中的蚂蚁a处于像素i所在位置,考虑近距离细胞状态相互耦合,需要引导蚂蚁向细胞中心位置移动,则该蚂蚁选择其邻域内某一像素j的概率为:
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>a</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>&tau;</mi>
<mi>j</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<msubsup>
<mi>&eta;</mi>
<mi>j</mi>
<mi>&beta;</mi>
</msubsup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mo>&dtri;</mo>
<msub>
<mi>&tau;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>&gamma;</mi>
</msup>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msub>
<mi>&tau;</mi>
<mi>j</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<msubsup>
<mi>&eta;</mi>
<mi>j</mi>
<mi>&beta;</mi>
</msubsup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mo>&dtri;</mo>
<msub>
<mi>&tau;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>&gamma;</mi>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中Ω(i)为像素i的近邻像素集,为信息素,▽τj(t)为像素j的信息素梯度值α,β,γ分别为信息素和似然函数值及信息素梯度的控制参数;
ηj为启发式函数;为了引导蚂蚁快速向目标移动,当蚂蚁位于目标像素外时其中 是坐标为(x,y)像素点j的灰度值,T1与T2分别为坐标x和y的最大值;当蚂蚁位于目标像素上时, 为训练模板数据,q为向量个数;ν为核带宽,κ是为调节系数;为巴氏距离具体为
2.根据权利要求1所述的基于信息素预测的蚁群多细胞跟踪系统,其特征在于所述信息素预测模块,其具体预测方式如下:
1)假定在第k-1帧有Mk-1个细胞,在第k帧细胞可能存活、分裂,消失或新出现;假如细胞之间是相互独立的且每个细胞信息素场符合高斯分布;第k-1帧信息素后验强度可表示为高斯混合模型:其中为第k-1帧第ip个高斯分量的权值,表示均值为e和协方差为g的高斯函数,是为第k-1帧第ip个高斯分量的均值,为第k-1帧第ip个高斯分量的协方差,ip为高斯分量标识;则第k帧预测信息素强度为Φk|k-1(τ)=Φs,k|k-1(τ)+Φβ,k|k-1+γk(τ),其中Φs,k|k-1(τ)预测存活细胞信息素强度,Φβ,k|k-1为预测分裂细胞信息素强度,γk(τ)为预测新出现细胞信息素强度;
2)利用第k-1帧信息素场拟合的结果预测存活细胞信息素强度,表示为Fk-1是信息素转移矩阵,Qk-1为过程噪声协方差,PS,k为细胞信息素状态从第k-1帧到第k帧的存活概率,js为存活细胞标识;
3)为分裂细胞信息素强度,其中Mβ,k, 和为信息素状态χ确定的细胞分裂信息素强度的形状参数,jd为第k-1帧细胞标识,ld为第jd个细胞所分裂出细胞的标识;
4)为新出现细胞信息素强度,Mγ,k,为信息素状态χ表示的新生细胞信息素强度形状参数,jn为新生细胞标识。
3.根据权利要求1所述的基于信息素预测的蚁群多细胞跟踪系统,其特征在于所述蚂蚁决策模块,其具体方式如下:
1)输入细胞图像,利用阈值处理将图像分为目标和背景,在目标像素上随机放置蚂蚁,获取初始蚁群,然后蚂蚁根据概率选择领域内像素进行移动,即基于信息素梯度信息的蚂蚁工作模式进行移动;
2)基于钟形曲线的信息素扩散模型引导蚂蚁快速移动;
3)当所有蚂蚁按上述概率完成选择后,更新像素j的信息素量τj(t)=(1-ρ)τj(t-1)+uj(t-1)+gj(t-1),其中ρ表示信息素衰减系数,如果蚂蚁移动到像素j,否则gj(t)为更新信息素扩散值其中|Ω(j′)|表示像素j′邻域集的数量,参数λ是调节系数,和是像素j和j'的信息素变量,Λ是方差;
4)所有蚂蚁完成迭代后信息素进行全局更新τj(t)=(1-ψ)τj(t)+ψΔτj,其中ψ表示信息素衰减系数,Δτj为一常量;
5)继续上述步骤1-4,直至所需的迭代次数。
4.根据权利要求1所述的基于信息素预测的蚁群多细胞跟踪系统,其特征在于所述信息素场的高斯拟合模块,其具体方式如下:
将信息素场进行拟合为高斯混合模型,对模型参数,即权值平均值向量协方差进行估计,步骤如下:
1)初始化混合权值εl,平均值向量μl,协方差Υl;
2)计算其中l是分类标识,是输入数据标识;
3)对权值、均值和协方差进行更新,公式如下:
其中Π是样本数量。
5.根据权利要求1所述的基于信息素预测的蚁群多细胞跟踪系统,其特征在于所述细胞状态提取模块的具体方式如下:
1)信息素聚类:利用K均值聚类的方法提取细胞状态;首先检测出信息素场的Mp个峰值,然后以峰值位置为聚类中心,再计算每个信息素位置距离各个聚类中心的距离,对其进行分类,计算的函数为其中是聚类中心,为待分类数据;
2)删除由杂波导致的虚假目标;
3)数据关联:利用近邻法进行数据关联获取细胞运动轨迹及相关的动力学参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711061619.3A CN107871156B (zh) | 2017-11-02 | 2017-11-02 | 基于信息素预测的蚁群多细胞跟踪系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711061619.3A CN107871156B (zh) | 2017-11-02 | 2017-11-02 | 基于信息素预测的蚁群多细胞跟踪系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107871156A true CN107871156A (zh) | 2018-04-03 |
CN107871156B CN107871156B (zh) | 2020-08-11 |
Family
ID=61752630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711061619.3A Active CN107871156B (zh) | 2017-11-02 | 2017-11-02 | 基于信息素预测的蚁群多细胞跟踪系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107871156B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146881A (zh) * | 2018-10-09 | 2019-01-04 | 常熟理工学院 | 一种基于势估计辅助的蚁群聚集细胞跟踪系统 |
CN110598830A (zh) * | 2019-04-03 | 2019-12-20 | 常熟理工学院 | 基于标签蚁群的联合多细胞跟踪方法 |
CN111932583A (zh) * | 2020-06-05 | 2020-11-13 | 西安羚控电子科技有限公司 | 一种基于复杂背景下的时空信息一体化智能跟踪方法 |
CN112200836A (zh) * | 2020-09-28 | 2021-01-08 | 常熟理工学院 | 基于蚂蚁自调整觅食行为的多细胞跟踪方法及系统 |
CN112965507A (zh) * | 2021-02-03 | 2021-06-15 | 南京航空航天大学 | 一种基于智能优化的集群无人机协同工作系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184556A (zh) * | 2011-04-29 | 2011-09-14 | 中山大学 | 一种基于蚁群算法的图像边缘检测方法 |
CN103268617A (zh) * | 2013-05-22 | 2013-08-28 | 常熟理工学院 | 一种基于蚁群系统的多细胞多参数的联合估计与精确跟踪系统 |
CN103955946A (zh) * | 2013-08-16 | 2014-07-30 | 常熟理工学院 | 一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用 |
CN105279768A (zh) * | 2015-02-03 | 2016-01-27 | 常熟理工学院 | 基于多模式蚁群系统的变密度细胞跟踪方法 |
CN105574858A (zh) * | 2015-12-14 | 2016-05-11 | 沈阳工业大学 | 基于二阶段蚁群算法提取卷缩轮的方法 |
-
2017
- 2017-11-02 CN CN201711061619.3A patent/CN107871156B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184556A (zh) * | 2011-04-29 | 2011-09-14 | 中山大学 | 一种基于蚁群算法的图像边缘检测方法 |
CN103268617A (zh) * | 2013-05-22 | 2013-08-28 | 常熟理工学院 | 一种基于蚁群系统的多细胞多参数的联合估计与精确跟踪系统 |
CN103955946A (zh) * | 2013-08-16 | 2014-07-30 | 常熟理工学院 | 一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用 |
CN105279768A (zh) * | 2015-02-03 | 2016-01-27 | 常熟理工学院 | 基于多模式蚁群系统的变密度细胞跟踪方法 |
CN105574858A (zh) * | 2015-12-14 | 2016-05-11 | 沈阳工业大学 | 基于二阶段蚁群算法提取卷缩轮的方法 |
Non-Patent Citations (3)
Title |
---|
KARTIKA CANDRA KIRANA ET AL: "DIGITAL IMAGE EDGE DETECTION USING DIRECTIONAL ANT COLONY OPTIMIZATION BASED ON GRADIENT MAGNITUDE AND DIRECTION", 《INTERNATIONAL JOURNAL OF LATEST RESEARCH IN SCIENCE AND TECHNOLOGY》 * |
MINGLI LU ET AL: "Automated tracking approach with ant colonies for different cell population density distribution", 《SOFT COMPUTING》 * |
陈莉芝: "基于优化的蚁群算法在碰撞检测中的应用研究", 《电脑知识与技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146881A (zh) * | 2018-10-09 | 2019-01-04 | 常熟理工学院 | 一种基于势估计辅助的蚁群聚集细胞跟踪系统 |
CN109146881B (zh) * | 2018-10-09 | 2021-05-11 | 常熟理工学院 | 一种基于势估计辅助的蚁群聚集细胞跟踪系统 |
CN110598830A (zh) * | 2019-04-03 | 2019-12-20 | 常熟理工学院 | 基于标签蚁群的联合多细胞跟踪方法 |
CN111932583A (zh) * | 2020-06-05 | 2020-11-13 | 西安羚控电子科技有限公司 | 一种基于复杂背景下的时空信息一体化智能跟踪方法 |
CN112200836A (zh) * | 2020-09-28 | 2021-01-08 | 常熟理工学院 | 基于蚂蚁自调整觅食行为的多细胞跟踪方法及系统 |
CN112200836B (zh) * | 2020-09-28 | 2021-10-19 | 常熟理工学院 | 基于蚂蚁自调整觅食行为的多细胞跟踪方法及系统 |
CN112965507A (zh) * | 2021-02-03 | 2021-06-15 | 南京航空航天大学 | 一种基于智能优化的集群无人机协同工作系统及方法 |
CN112965507B (zh) * | 2021-02-03 | 2022-10-04 | 南京航空航天大学 | 一种基于智能优化的集群无人机协同工作系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107871156B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871156A (zh) | 基于信息素预测的蚁群多细胞跟踪系统 | |
CN111626128B (zh) | 一种基于改进YOLOv3的果园环境下行人检测方法 | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN101853511B (zh) | 一种抗遮挡目标轨迹预测跟踪方法 | |
CN106157319A (zh) | 基于卷积神经网络的区域和像素级融合的显著性检测方法 | |
CN102737386B (zh) | 一种运动目标抗融合遮挡跟踪方法 | |
CN105809714A (zh) | 一种基于轨迹置信度的多目标跟踪方法 | |
CN104063880B (zh) | 一种基于pso的多细胞位置轮廓同步精确跟踪系统 | |
CN101777187B (zh) | 基于Meanshift算法的视频显微图像细胞自动跟踪方法 | |
CN102646279A (zh) | 一种基于运动预测与多子块模板匹配相结合的抗遮挡跟踪方法 | |
CN101719278B (zh) | 基于khm算法的视频显微图像细胞自动跟踪方法 | |
CN104156984A (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
CN103778647A (zh) | 一种基于层次超图优化的多目标跟踪方法 | |
CN105913028A (zh) | 一种基于face++平台的人脸跟踪方法及其装置 | |
CN105100727A (zh) | 一种固定位监控图像中指定物品实时跟踪方法 | |
Tian et al. | Experiment and analysis on microscopic characteristics of pedestrian movement in building bottleneck | |
CN110598830A (zh) | 基于标签蚁群的联合多细胞跟踪方法 | |
CN105678810A (zh) | 基于全局和局部层次最优的细胞跟踪方法 | |
CN108320301B (zh) | 一种基于跟踪学习检测的目标跟踪优化方法 | |
CN103955946B (zh) | 一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用 | |
CN103218598A (zh) | 一种基于随机几何模型的遥感地物目标自动检测方法 | |
CN102034246B (zh) | 基于拓扑约束和匈牙利算法的高密度细胞追踪方法 | |
CN103150562B (zh) | 一种基于图像背景提取前提的蚁群多细胞跟踪系统 | |
CN108961309B (zh) | 多贝努利随机有限蚁群多细胞跟踪方法 | |
CN103150566A (zh) | 一种基于随机几何模型的遥感地物目标自动检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221214 Address after: 215600 No.35, Lehong Road, Zhangjiagang modern agriculture demonstration park, Suzhou City, Jiangsu Province Patentee after: JIANGSU SAIKANG MEDICAL EQUIPMENT CO.,LTD. Address before: 215500 Changshou City South Three Ring Road No. 99, Suzhou, Jiangsu Patentee before: CHANGSHU INSTITUTE OF TECHNOLOGY |