CN110110709A - 一种基于图像处理的红白细胞分类计数方法、系统和设备 - Google Patents

Abstract

本发明公开一种基于图像处理的红白细胞分类计数方法、系统及设备，该方法包括：将采集的样本图像灰度化处理后二值化处理，获得黑白二值图；对黑白二值图进行预处理，以复原内部具有孔洞的细胞、去除碎片细胞和去除边界细胞；采用分割算法分割预处理后图像中粘连成团的细胞群；提取细胞轮廓并统计，获得整体细胞个数；根据图像中单个细胞所占区域面积大小将整体细胞分成红细胞和白细胞；分别统计获得红细胞个数和白细胞个数。用于解决现有技术中检测设备成本高及人为误差等问题。实现降低设备成本、提高检测效率和准确度。

Description

一种基于图像处理的红白细胞分类计数方法、系统和设备

技术领域

本发明涉及医学检测技术领域，具体是一种基于图像处理的红白细胞分类计数方法、系统和设备。

背景技术

随着医学检验制备的提升，对医学检验制备的精度要求越来越高，更涉及一种细胞制备的精度。其中，细胞制备过程中，对自动红白细胞计数及分类的精度要求也越来越高。目前为止，传统的细胞计数方式主要是基于电阻抗法和光散射法。电阻抗法根据不同细胞产生的脉冲振幅强度确定细胞的种类和个数，该仪器成本高，维修成本最高，且试剂种类少，且试剂消耗量大。光散射法根据散光角度的不同，提供每个细胞形态、核结构信息鉴别各类细胞，该仪器需对细胞进行染色，染色的细胞就不能输送回人体或其他生物体，且设备成本高，维护成本高。

所以，现在相继出现了一些基于自动化图像处理的计数方法。申请号为20121004780.7的专利文件提出了一种基于计算机视觉的牛奶体细胞计数方法，该方法主要是针对染色了的细胞，采用数码显微镜采集细胞图像，对其进行预处理，然后根据不同细胞染色后的颜色进行计数及分类。申请号为20101028248.4的专利文献提出了一种基于图像识别的细胞计数方法，该方法主要采用区域生长的方法，然后采用近似圆形确定细胞个数。在细胞计数中主要检测亮斑区域和边缘检测，进而判断细胞圆度，确定是否为细胞。而区域生长法的缺点是初始时需要人工交互确定种子像素，可能会带来人为误差。

发明内容

本发明提供一种基于图像处理的红白细胞分类计数方法和系统，用于克服现有技术中检测设备成本高及因需要人工操作而导致的人为误差等缺陷，以降低设备成本、提高检测效率和准确度。

为实现上述目的，本发明提供一种基于图像处理的红白细胞分类计数方法，包括：

将采集的样本图像灰度化处理后二值化处理，获得黑白二值图；

对黑白二值图进行预处理，以复原内部具有孔洞的细胞、去除碎片细胞和去除边界细胞；

采用分割算法分割预处理后图像中粘连成团的细胞群；

提取细胞轮廓并统计，获得整体细胞个数；

根据图像中单个细胞所占区域面积大小将整体细胞分成红细胞和白细胞；分别统计获得红细胞个数和白细胞个数。

为实现上述目的，本发明还提供一种基于图像处理的红白细胞分类计数系统，包括处理器和存储器，所述存储器存储有基于图像处理的红白细胞分类计数程序，在所述处理器运行所述基于图像处理的红白细胞分类计数程序时，执行权利上述基于图像处理的红白细胞分类计数方法的步骤。

为实现上述目的，本发明还提供一种基于图像处理的红白细胞分类设备，包括显微镜相机、显示模块及所述的基于图像处理的红白细胞分类计数系统；

显微镜相机，对血液样本进行放大并拍摄，形成拍摄图像；

红白细胞分类计数系统，采集拍摄的图像，并对图像进行处理和计算，获得红细胞和白细胞各自统计数量；

显示模块，用于显示红细胞和白细胞各自的数量。

本发明提供的基于图像处理的红白细胞分类计数方法、系统和设备，在不采用染色剂的情况下，直接采用相机显微镜对细胞图像实时采集，将采集图像送回处理器，对细胞原色图像进行灰度化和二值化处理，获得二值图像；通过预处理，将二值化图像中内部具有孔洞的细胞进行复原，以及去除碎片细胞和去除边界细胞；通过分水岭分割算法对粘连细胞进行分割，根据轮廓形状和面积对红细胞和白细胞进行分类和计数；相对于现有技术，不需要采用染色剂对样本染色，一方面在不损害细胞的前提下，保证了细胞原有的活性和纯度，对医学检验是一个很重要的指标；另一方面整个图像处理过程无需人工介入，避免人工操作导致的人为误差，并提高了检测效果，通过上述处理步骤保证了检测的准确度；此外相对于染色细胞检测设备，大大降低了成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明实施例一提供的基于图像处理的红白细胞分类计数方法的流程图；

图2为实施例一中去除碎片细胞前的图像；

图3为实施例一中去除碎片细胞后的图像；

图4为实施例一中孔洞填充步骤的参考示意图一；

图5为实施例一中孔洞填充步骤的参考示意图二；

图6为实施例一中孔洞填充步骤的参考示意图三；

图7为实施例一中去除边界细胞前的图像；

图8为实施例一中去除边界细胞后的图像。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，还可以是物理连接或无线通信连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

实施例一

如图1所示，本发明提供一种基于图像处理的红白细胞分类计数方法，包括：

步骤S1，将血液样本放入显微镜下放大，再通过相机装置进行拍摄，将拍摄到的图像给到处理器；

处理器执行下面的操作：

步骤2，将采集的样本图像灰度化处理后自适应二值化处理，获得为0和1的黑白二值图；

这里包含两个步骤，第一个步骤是将彩色图像进行灰度化处理，是将图像上的点的灰度置为0到255之间；第二个步骤是将灰度化图像进行二值化处理，将整个图像呈现出明显的黑白效果，是将图像上的点的灰度值置为0或1，像素值为0表示黑色，像素值为1的点表示白色，二值化图像中点的集合性质只与像素值的位置有关，不再涉及像素的多级值，使得处理过程变得简单，数据的处理和压缩量变小。

为获得理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域，所有灰度大于或等于阈值的像素被判定为属于细胞，其灰度值置为255,用白色表示；否则这些像素点被排出在细胞区域以外，灰度值置为0，表示黑色背景；本实施例中采用自适应法对灰度图像进行二值化处理。该自适应二值化处理算法的思想即遍历图像，计算一个移动的平均值。如果像素明显的低于这个平均值，则置为黑色，否则置为白色。

步骤S3，对黑白二值图进行预处理，以复原内部具有孔洞的细胞、去除碎片细胞和去除边界细胞；

将黑白二值图进行孔洞填充，目的主要是对细胞内的细小空洞进行填补。对孔洞填充后的图像进行边界细胞去除，目的是去除边界无用的不参与计算的细胞；去除碎片细胞，目的是将杂质和死细胞去除；以提高细胞计数的准确性。

步骤S4，采用分水岭分割算法分割预处理后图像中粘连成团的细胞群；提取细胞轮廓并统计，获得整体细胞个数。

在血液中，往往存在多个细胞粘连在一起，如果不进行区分，作为一个细胞进行计数，实际上是将多个细胞作为一个进行计数，漏掉了其余聚团细胞，该步骤是为了防止漏检；分水岭分割算法对微弱边缘具有良好的响应，为消除分水岭算法产生的过渡分割，通常采用先验知识去除无关边缘信息和修改梯度函数使得集水盆只响应想要探测的目标。

步骤S5，根据图像中单个细胞所占区域面积大小将整体细胞分成红细胞和白细胞；分别统计获得红细胞个数和白细胞个数。

在提取粘连后的轮廓后，因为每个细胞都是类圆的性质，且红细胞和白细胞的体积像素差比较大，所以，提取每个轮廓的最小外接圆来模拟细胞的形状。这样，即可得到细胞的总体个数。进而根据细胞的体积大小进一步确定是否为白细胞，总数减去白细胞则为红细胞。因此，实现了细胞的分类和计数。

本发明采用基于图像处理的方式进行红白细胞的计数及分类，整个算法流程涉及了预处理、分析和处理阶段，具体包括灰度化、二值化、孔洞填充、去除边界细胞、去除碎片细胞、距离变化、对轮廓进行提取、粘连细胞分割、最小外接圆近似和根据面积大小对红白细胞分类和计数等。这个算法流程在保证检测准确率的同时，也保证了细胞循环的可利用性。

优选地，步骤S3中，所述对黑白二值图进行预处理的步骤包括：

步骤S31，将黑白二值图中细胞内的孔洞通过迭代法的条件膨胀进行填充，以获得完整的细胞，便于后续计数；

步骤S32，对孔洞填充后的图像中边缘残缺不全的细胞进行去除，以去除边界无用的不参与计算的细胞；

步骤S33，采用区域生长法去除图像中的碎片细胞。

通过上述步骤以降低待测二值化图像噪声，提高检测准确度。

优选地，步骤S31中，将黑白二值图中细胞内的孔洞通过迭代法的条件膨胀进行填充的步骤包括：

通过以下公式进行孔洞填充：

其中，k＝1,2,3,…；B为对称结构元，是一个四连通元素，该元素包括四个彼此连通的像素点，这里的连通指的是像素值相同，该四个像素点与同一像素点相邻并分别位于该像素块的上、下、左、右四个方向，参见图4中的B；A为原图像，表示一个集合，参见图4中的A，其元素是8连通(与同一像素块相邻并分别位于该像素点的上、下、左、右、左上、右上、左下、右下方向的8个彼此连通的像素点，这里的连通指的是像素值相同，该8个像素块矩形阵列于同一像素块的周围)的边界，每个8连通边界包含一个孔洞；表示B对X_k-1实行膨胀，膨胀后的结果与A的补集A^c取交集用白色像素值1填充所有的孔洞，实现了迭代法的孔洞填充，A的补集定义为所有像素点的值与A中所有像素点的值相反，即用像素值0替代A中像素值1，用像素值1替代A中的像素值0，具体参见图4中的A^c；这里如果将X_k-1看成一个像素点，那么可以看成将X_k-1膨胀为包含X_k-1及其上、下、左、右方向共五个连通区域(参见图4中的B，中间的黑点占据的像素点可看做X_k-1)，该五个像素点的值都与膨胀前X_k-1代表的像素点的值相同，然后再将与A^c取交集，具体的X₀、X₁、X₂、X₆、X₈分别参见图5、图6。

在实现过程中，输入的X_k-1是二值化后了的图像，B为对称结构元，膨胀后的结果与A的补集进行交集操作，将结果限制在感兴趣区域(即孔洞)内，即实现了条件膨胀。当X_k＝X_k-1时，在迭代的第k步结束，即完成所有细胞内部的孔洞填充。至此，白色细胞区域内的黑洞用白色像素1进行了填充。

优选地，步骤S32中，对孔洞填充后的图像中边缘残缺不全的细胞进行去除的步骤包括：

对给定的一幅图片，对上下左右四条边界上的像素进行遍历，若图像的行为nr,列为nc，则此上边界为第0行，下边界为第nr-1行，左边界为第0列，右边界为第nc-1列；

设定一个计数器和一个最小边界阈值；在以上边界满足要求的像素个数大于或等于阈值时，将此区域就作为一个待处理区域，其中满足要求的像素个数由经验值给定；

选取待处理区域其中一个坐标点作为种子点进行漫水填充，用像素值0填充种子点相连的区域，保证了细胞的完整性。至此，边界残缺不全的细胞(边界细胞)进行了删除，并用像素0进行了填充，保留了非边界细胞进行计数。边界细胞去除前后的图像参见图7、图8。

优选地，参见图2、图3，步骤S33中，采用区域生长法对图像中碎片细胞去除的步骤包括：

创建图像标签，0代表未检查，1代表正在检查，2代表检查不合格，3代表检查合格或不需要检查；

将图像中的黑色像素值设置为种子点，并存储在堆栈中；堆栈中存储待生长的种子点；

每次以8邻域(指一个像素点周围的8个相邻的像素点)向外扩展对比，若8邻域像素值全部为0时，将其邻域坐标作为生长的种子点存入堆栈中，并更新像素标签为1；

在堆栈中的像素个数没有超过限制阈值(由经验值给定)时，将所述白色像素点(作为生长的种子点)的像素值赋值0以去除所述白色像素点，并将去除区域的个数加1；与此同时，更新像素点标签，结束该点处的检查。

至此，去除了碎片细胞和死细胞，其像素值由0进行了填充，只保留了有效的细胞。

该方法将图像中的黑色像素点(像素值为0)设置为种子点，无需人工确定种子点像素，避免因此带来的人工误差。

优选地，步骤S4中，采用分水岭分割算法分割预处理后图像中粘连成团的细胞群的步骤包括：

距离变换，将二值图像转化为灰度图像，采用灰度图像的每个像素级表示该像素点与距其最近的背景间的距离；

生成标记，生成与感兴趣物体(细胞)联系的标记，即内部标记；对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注，分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像极值点，因此，为得到图像的边缘信息，通常把梯度图像作为输入图像；如果一个区域内灰度值相差很小，并且相对背景间距离相近，则认为与一个细胞关联；

为降低分水岭算法产生的过度分割，通常要对梯度函数进行修改，一个简单的方法是对梯度图像进行阈值处理，以消除灰度的微小变化产生的过度分割；用阈值限制梯度图像以达到消除灰度值的微小变化产生的过度分割，获得适量的区域，再对这些区域的边缘点的灰度级进行从低到高排序，然后从低到高实现淹没的过程。其中梯度图像用Sobel算子计算获得。

根据标记，提取轮廓，采用分水岭算法对其进行分割。

对梯度图像进行阈值处理时，选取合适的阈值对最终分割的图像有很大影响，因此阈值的选取是图像分割效果好坏的一个关键。缺点:实际图像中可能含有微弱的边缘，灰度变化的数值差别不是特别明显，选取阈值过大可能会消去这些微弱边缘。进而有针对性的进行分割，避免过度分割导致准确率降低。

至此，粘连的细胞进行了有效分离。

优选地，步骤S4中，提取细胞轮廓并统计的步骤包括：

提取细胞轮廓，按照每个轮廓的最小外接圆模拟细胞的形状进行统计。

在提取粘连后的轮廓后，因为每个细胞都是类圆的性质，所以，提取每个轮廓的最小外接圆来模拟细胞的形状。这样，即可得到细胞的总体个数。

优选地，步骤S5中，根据图像中单个细胞所占区域面积大小将整体细胞分成红细胞和白细胞的步骤包括：

模拟细胞所占区域面积相对较大的为白细胞；

模拟细胞所占区域面积相对较小的为红细胞。

由于红细胞和白细胞的体积像素差比较大，进而根据细胞的体积大小进一步确定是否为白细胞，模拟细胞所占区域面积相对较大的为白细胞，模拟细胞所占区域面积相对较小的为红细胞，总数减去白细胞则为红细胞。因此，实现了细胞的分类和计数。分类简单迅速，检测效率较高。

实施例二

与上述实施例一对应地，本发明实施例提供一种基于图像处理的红白细胞分类计数系统，包括处理器和存储器，所述存储器存储有基于图像处理的红白细胞分类计数程序，在所述处理器运行所述基于图像处理的红白细胞分类计数程序时，执行权利上述基于图像处理的红白细胞分类计数方法的步骤。

实施例三

与上述实施例二对应地，本发明实施例提供一种基于图像处理的红白细胞分类计数设备，包括显微镜相机、显示模块及任意实施例的基于图像处理的红白细胞分类计数系统；

显微镜相机，对血液样本进行放大并拍摄，形成拍摄图像；

红白细胞分类计数系统，采集拍摄的图像，并对图像进行处理和计算，获得红细胞和白细胞各自统计数量；

显示模块，用于显示红细胞和白细胞各自的数量。

本发明提出了一种基于图像处理的红白细胞分类计数设备，不采用染色剂，直接采用相机显微镜进行细胞采集，对其进行预处理，对粘连细胞进行分割，根据形状和面积对其进行计数和分类，并通过显示模块显示。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种基于图像处理的红白细胞分类计数方法，其特征在于，包括：

将采集的样本图像灰度化处理后二值化处理，获得黑白二值图；

对黑白二值图进行预处理，以复原内部具有孔洞的细胞、去除碎片细胞和去除边界细胞；

采用分割算法分割预处理后图像中粘连成团的细胞群；

提取细胞轮廓并统计，获得整体细胞个数；

根据图像中单个细胞所占区域面积大小将整体细胞分成红细胞和白细胞；分别统计获得红细胞个数和白细胞个数。

2.如权利要求1所述的基于图像处理的红白细胞分类计数方法，其特征在于，所述对黑白二值图进行预处理的步骤包括：

将黑白二值图中细胞内的孔洞通过迭代法的条件膨胀进行填充，以获得完整的细胞；

对孔洞填充后的图像中边缘残缺不全的细胞进行去除，以去除边界无用的不参与计算的细胞；

采用区域生长法去除图像中的碎片细胞。

3.如权利要求2所述的基于图像处理的红白细胞分类计数方法，其特征在于，将黑白二值图中细胞内的孔洞通过迭代法的条件膨胀进行填充的步骤包括：

通过以下公式进行孔洞填充：

X_k＝(X_k-1⊕B)I A^c

其中，k＝1,2,3,…；B为对称结构元；A为原图像，表示一个集合，其元素是8连通的边界；X_k-1⊕B表示以B对X_k-1实行膨胀，膨胀后的结果与A的补集A^c取交集；

当X_k＝X_k-1时，中止迭代，完成所有细胞内部孔洞的填充。

4.如权利要求2所述的基于图像处理的红白细胞分类计数方法，其特征在于，对孔洞填充后的图像中边缘残缺不全的细胞进行去除的步骤包括：

对孔洞填充过的图片边界上的像素进行遍历；

在边界满足要求的像素个数大于或等于阈值时，将此区域就作为一个待处理区域，其中该阈值由经验值给定；

选取待处理区域其中一个坐标点作为种子点进行漫水填充。

5.如权利要求2所述的基于图像处理的红白细胞分类计数方法，其特征在于，采用区域生长法对图像中碎片细胞进行去除的步骤包括：

创建图像标签，0代表未检查，1代表正在检查，2代表检查不合格，3代表检查合格或不需要检查；

将图像中开始扫描的黑色像素值设置为种子点，并存储在堆栈中；

以8领域向外扩展对比，若8领域像素值全部为0时，将其领域坐标作为生长的种子点存入堆栈中，并更新像素标签为1；

在堆栈中的像素个数没有超过限制阈值时，将所述白色像素点的像素值赋值0以去除所述白色像素点，并将去除区域的个数加1；与此同时，更新像素点标签，结束该点处的检查。

6.如权利要求1所述的基于图像处理的红白细胞分类计数方法，其特征在于，采用分水岭分割算法分割预处理后图像中粘连成团的细胞群，包括：

将二值图像转化为灰度图像，采用灰度图像的每个像素级表示该像素点与距其最近的背景间的距离；

根据像素点的像素级生成与细胞联系的标记；

根据标记提取轮廓，采用分水岭算法对轮廓进行分割。

7.如权利要求1所述的基于图像处理的红白细胞分类计数方法，其特征在于，提取细胞轮廓并统计的步骤包括：

提取细胞轮廓，按照每个轮廓的最小外接圆模拟细胞的形状进行统计。

8.如权利要求7所述的基于图像处理的红白细胞分类计数方法，其特征在于，根据图像中单个细胞所占区域面积大小将整体细胞分成红细胞和白细胞的步骤包括：

模拟细胞所占区域面积相对较大的为白细胞；

模拟细胞所占区域面积相对较小的为红细胞。

9.一种基于图像处理的红白细胞分类计数系统，其特征在于，包括处理器和存储器，所述存储器存储有基于图像处理的红白细胞分类计数程序，在所述处理器运行所述基于图像处理的红白细胞分类计数程序时，执行权利要求1～8任一项所述基于图像处理的红白细胞分类计数方法的步骤。

10.一种基于图像处理的红白细胞分类计数设备，其特征在于，包括显微镜相机、显示模块及权利要求9所述的基于图像处理的红白细胞分类计数系统；

显微镜相机，对血液样本进行放大并拍摄，形成拍摄图像；

红白细胞分类计数系统，采集拍摄的图像，并对图像进行处理和计算，获得红细胞和白细胞各自统计数量；

显示模块，用于显示红细胞和白细胞各自的数量。