CN110363719B - 一种细胞分层图像处理方法及系统 - Google Patents
一种细胞分层图像处理方法及系统 Download PDFInfo
- Publication number
- CN110363719B CN110363719B CN201910584542.0A CN201910584542A CN110363719B CN 110363719 B CN110363719 B CN 110363719B CN 201910584542 A CN201910584542 A CN 201910584542A CN 110363719 B CN110363719 B CN 110363719B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- boundary
- cell
- color
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000011049 filling Methods 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000003708 edge detection Methods 0.000 claims abstract description 16
- 238000005192 partition Methods 0.000 claims abstract description 6
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 238000003706 image smoothing Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims 2
- 238000013316 zoning Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 53
- 230000008569 process Effects 0.000 description 11
- 238000000926 separation method Methods 0.000 description 8
- 210000000265 leukocyte Anatomy 0.000 description 7
- 239000003086 colorant Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000002360 preparation method Methods 0.000 description 6
- 210000003743 erythrocyte Anatomy 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 210000002798 bone marrow cell Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004256 retinal image Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 210000004940 nucleus Anatomy 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000001464 adherent effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 238000002659 cell therapy Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002865 immune cell Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000130 stem cell Anatomy 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种细胞分层图像处理方法及系统,该方法包括:从采集的细胞分层图像中提取感兴趣区域并去噪;对去噪后图像的局部信息增强以增大整个图像对比度;通过均值漂移算法对增强图像进行图像平滑处理和图像分割处理;通过泛洪填充算法对分割的图像进行填充,获得粗分界区;对填充后的图像进行灰度化处理并进行边缘检测,获得分割边界;将分割边界所在区域填充完整并进行闭运算,获得完整的边界;提取边界轮廓并在所述轮廓内绘制边界线,获得细胞分层图像。解决现有技术中细胞群分层适用性不高等缺陷,提高细胞群分层精确度和实时性。
Description
技术领域
本发明涉及医学图像处理技术领域,具体是一种细胞分层图像处理方法及系统。
背景技术
当前随着人口老龄化严重和严重疾病的困扰,全世界范围内都在进行积极的推行细胞疗法,免疫细胞与干细胞等细胞产品对人类大健康有着举足轻重的现实意义。目前为止,细胞制备技术得到了一定的发展,不再需要过多的人工干预或干涉,整个制备过程都实现了自动化和智能化生产。在细胞制备过程中,主要包括功能模块,分别是细胞分离、细胞培养。以上这些功能模块都是智能化操作,其中,基于图像处理的细胞分层方法属于细胞分离模块,其主要目的是分离出白细胞,以分离标准判定分离的阶段及决定是否终止细胞分离操作,从而采取一系列的终止分离操作。
现有基于图像处理的图像分层方法,大都是采用分割的方法。公开号为CN201710942273的发明专利文献公开了一种视网膜图像分层的方法、装置、设备及可读存储介质,该发明采用图像处理的方法对视网膜图像进行分层,通过平直化处理、初始过分割及预设合并规则获取视网膜分层结果,但是其主要解决视网膜图像分层,并不适用于人体其他的细胞图像分层。
公开号为CN201410772520的发明专利文献公开了一种基于Meanshift聚类和形态学操作的AML细胞分割方法,该发明的算法从空间距离和颜色距离两方面对骨髓细胞核进行聚类,并结合形态学操作和改进的分水岭变换计数,解决了粘连骨髓细胞、骨髓细胞核的精确分割问题;首先,其主要解决细胞个体之间的分割问题,并不是解决细胞群分层问题,细胞群例如是指白细胞和白细胞在一起的群,在高速旋转下,由于红细胞的密度比白细胞的密度大,所以会形成明显的分群现象;其次,该发明有通过颜色解决分割问题,颜色分割的缺陷主要体现在分割的图像受光照影响大,不同时刻图片的颜色信息会不同,因此基于颜色进行分割分层是不切实际的,其无法适用于多种环境。
因此,鉴于此,本申请的技术方案在前人类似工作的基础上,针对如何提高细胞制备的精确性和准确度问题上,提出了一种采用高速相机获取图像,基于均值漂移和边缘轮廓的细胞图像分层方法。
发明内容
本发明提供一种细胞分层图像处理方法及系统,用于克服现有技术中细胞群分层适用性不高等缺陷,实现提高细胞群分层精确度和实时性。
为实现上述目的,本发明提供一种细胞分层图像处理方法,包括以下步骤:
从采集的细胞分层图像中提取感兴趣区域并去噪;
对去噪后图像的局部信息增强以增大整个图像对比度;
通过均值漂移算法对增强图像进行图像平滑处理和图像分割处理;
通过泛洪填充算法对分割后的图像进行填充,获得粗分界区;
对填充后的图像进行灰度化处理并进行边缘检测,获得分割边界;
将分割边界所在区域填充完整并进行闭运算,获得完整的边界;
提取边界轮廓并在所述轮廓内绘制边界线,获得细胞分层图像。
为实现上述目的,本发明还提供一种细胞分层图像处理系统,包括存储器和处理器,所述存储器存储有细胞分层图像处理程序,所述处理器在运行所述细胞分层图像处理程序时执行所述方法的步骤。
本发明提供的细胞分层图像处理方法及系统,细胞分层图像受采集设备和动态环境的影响,采集的原始图像中需要识别感兴趣区域并对感兴趣区域存在的噪点进行去除,然后增强图像局部信息以增加整个图像对比度,以采用均值漂移算法对增强图像进行平滑处理和分割处理,并采用泛洪算法对分割后的图像进行填充,获得分割出明显的边界线,即粗分界区,灰度化之后经边缘检测,结合canny边缘检测技术获得分割边界;将分割边界所在区域填充完整并进行闭运算获得完整的边界;提取边界轮廓并在所述轮廓内绘制边界线,解决了细胞群图像分层问题,该算法稳定性强,不受光照影响,对分层具有很好的鲁棒性。此外,在此整个算法过程中,全程采用GPU进行加速,保证了其分割的实时性。本方案规避了基于颜色信息提取并分割的思路,避免了图像受光照影响带来的阈值不可调的问题;避免直接提取细胞层(红细胞层和白细胞层)进而直接提取边缘的过程中,因为单纯的边缘检测导致噪点大量增加或对边缘带来干扰,采用基于边缘轮廓的方式进行这种过渡边缘的提取,保证了提取边界线的准确性。
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为本发明实施例提供的细胞分层图像处理方法中原始细胞分层图像;
图2为本发明实施例提供的细胞分层图像处理方法的整体流程图;
图3为针对图1提取感兴趣区域后的图;
图4为图3进行双边滤波后的图;
图5为图4进行增强后的图;
图6为图5进行均值漂移后的图;
图7为图6进行泛洪填充后的图;
图8为图7进行灰度化后的图;
图9为图8进行边缘检测后的图;
图10为图9进行闭运算后的图;
图11为图10进行提取轮廓后的图;
图12为图11进行绘制边界线后的图。
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
如附图1、图2所示,本发明提供一种细胞分层图像处理方法,包括以下步骤:
步骤S1,从采集的细胞分层图像中提取感兴趣区域并去噪;
采集的原始的细胞分层图像参见图1,采集图像在步骤S1之前,具体采集环境:通过高速相机采集一定时间内盛放在罐体内的细胞液在高速旋转状态下的图像(细胞分层图像),图1中,a为血浆层,b为白细胞层,c为分离液层,d为红细胞层,e为罐壁底部,且其分层的顺序按照细胞密度的大小排列;由于相机在罐体内,拍摄过程中难免会拍到罐壁等以至于在成像图像上形成非细胞液成像区域,这部分不涉及细胞分层,不必进行图像处理,为提高图像处理效率,在处理前需要去除。
参见图1,图像两边是不涉及细胞分层的无效区域,且当相机固定,细胞制备罐固定,其图像大小是一定的,因此只提取有效区域。一方面可以提高分层的准确度,另一方面可以节省时间,使整个过程实时性更强。如图1中,感兴趣区域以右边某一指定交界处为零点(经验值),左边图像最后一条黑竖线为终点。
由于整个血液在高速分层过程中,采集到的图像不属于静态图像而是动态图像,所以存在噪点。因此,采用滤波进行去噪,以平滑图像,便于后续处理。
步骤S1包括:
步骤S11,提取细胞分层图像中各分层覆盖的区域作为感兴趣区域;
参见图1,提取感兴趣区域时,至少包括或覆盖上述血浆层a,白细胞层b,分离液层c和红细胞层d,将图像中两侧的罐壁底部部分作为无效区域去掉。
所述提取感兴趣区域的具体方法为:根据已知参考图像(采集的原始图像),得到感兴趣区域的左上角坐标(a,0)、长l、宽h,其中,左上角坐标为图1中左边开始的一条黑竖线的顶点坐标,其纵坐标为0,横坐标为其图像左上角定点(原点)到此黑竖线的距离值a;长l为顶点横坐标a到图像右边经验值的横坐标(a+l)的差值,宽h为原始图像的宽度,参见图3。至此使用了表示矩阵区域的Rect提取矩阵区域。
步骤S12,参见图4,以感兴趣区域图像作为提取矩阵通过双边滤波算法进行去噪。
所述双边滤波的具体实现方式如下,见以下公式:
上式中,g(i,j)为提取矩阵区域原图,(i,j)表示提取矩阵区域坐标;f(x,y)为滤波后的图,(x,y)为滤波后的图中像素点坐标;S(x,y)表示以点(x,y)为参考的(2N+1)×(2N+1)大小的领域,N为滤波器核半径;W(i,j)为经过两个高斯函数计算出的值,即:
W(i,j)=ws(i,j)×wr(i,j)
ws(i,j)为空间临近高斯函数,wr(i,j)为像素值相似度高斯函数,即:
步骤S2,对去噪后图像的局部信息增强以增大整个图像对比度;
从图1中可看出,整个图像由于在密闭的环境中得到的,所以图像不是很亮,因此通过图像增强算法增强局部信息,增大对比度,以便于下一步的均值漂移滤波;所述图像增强的具体方法为:使用中心为5的8邻域拉普拉斯算子与图4获得的图像进行卷积运算,其中,拉普拉斯算子如下:
卷积运算后的图像参见图5,相对于图4大大增加了对比度;
步骤S3,参见图6,通过均值漂移算法对增强图像进行图像平滑处理和图像分割处理;
对增强后的图像进行均值漂移操作,中和色彩分布相近的颜色,平滑色彩细节。步骤S3包括:
步骤S31,以增强图像为原图进行降采样构建图像金字塔;
对增强图像(参见图5中的图像)进行降采样。若最大金字塔层数为2,则金字塔底部的分辨率为(C,R),第一次降采样后形成第一层图像,其图像分辨率为(C/2,R/2),第二次降采样后形成第二层图像,其图像分辨率为(C/4,R/4)。
步骤S32,从图像金字塔顶层图像(第二层图像)开始,每层依次执行均值漂移迭代计算;步骤S32包括:
步骤S321,从图像(第二层图像)左上角第一个像素点坐标开始,以该点为中心点,其位置为(x0,y0)及颜色值为(b0,g0,r0),生成预定大小的二维方形窗口,并计算窗口中满足颜色相近条件的所有点的颜色平均位置,作为质心(x1,y1),且其颜色值为(b1,g1,r1);颜色相近条件采用下式距离计算:
Distance=(b0-bi)×(b0-bi)+(g0-gi)×(g0-gi)+(r0-ri)×(r0-ri)≤thresh
在上式中,(bi,gi,ri)为该方形窗口中每个像素的BGR值,thresh为阈值,阈值为色彩空间半径大小的平方;
步骤S322,将窗口中心平移到(i)获取的质心位置(x1,y1),计算以该质心为中心生成预定大小的新的二维方形窗口中满足颜色相近条件的所有点的质心平均位置及颜色平均值,以更新(x0,y0)和(b0,g0,r0);
步骤S323,重复迭代执行前一更新步骤S322,直到新位置的质心位置和颜色平均值与上一次的中心点的位置差值和颜色差值满足迭代精度的条件,则将迭代结束获取的质心的BGR值赋给对应的中心点并作为该点的新像素值。完成第二层图像的均值漂移迭代计算,即第二层图像的色彩平滑处理和图像分割;
步骤S33,将上层(第二层图像)均值漂移迭代计算的结果作为下一层(第一层图像)金字塔计算的初值和mask;步骤S33包括:
步骤S331,Mask包括0或1,0表示边缘信息,1表示非边缘信息,在mask值为1的位置进行均值漂移迭代计算;
步骤S332,将金字塔顶层升2采样,得到下一层金字塔图像;
步骤S333,判断该下一层金字塔图像的所有像素点是否满足差异条件(这里的差异条件指的是:判断像素点的mask是否为0或1,若为0,则不进行均值漂移操作;若为1,则进行均值漂移操作),若该像素点的mask为1,则执行步骤S32的均值漂移迭代计算。
步骤S34,根据步骤S33中得到的初值和mask,得到下一层金字塔图像,将mask为1的所有像素进行均值漂移迭代,把迭代结果获得的质心位置平均值存储到mask为1的位置的对应像素中;
步骤S35,重复步骤S33和步骤S34,直到达到金字塔塔底,遍历完成所有金字塔层的均值漂移色彩滤波,最终输出和原图(增强图像)一样分辨率大小的结果图。在实现过程中,漂移物理空间半径大小为50,漂移色彩空间半径大小为50,金字塔的最大层数为2。
步骤S4,参见图7,通过泛洪填充算法对分割后的图像进行填充,获得粗分界区;
对均值漂移后的图像采用随机颜色数进行不同区域(均值漂移中图像切割处理形成的区域)的填充,至此得到了一个大致的分界,用不同的颜色对步骤3中通过BGR值对图像分割的区域进行填充,例如,步骤3中包括第一分割区域(BGR值)、第二分割区域、第三分割区域、第四分割区域、第五分割区域;BGR值对应为(b11,g11,r11)、(b21,g21,r21)、(b31,g31,r31)、(b41,g41,r41)、(b51,g51,r51);则修改BGR值,使得各分割区域显示的颜色形成明显的区别,参见图7。
步骤S4包括:
步骤S41,设定一掩模,大小为(H+2,W+2),掩模的初始值为0,其中H为图像的高度,W为图像的宽度;
步骤S42,遍历图像,若掩模的值为0,则执行泛洪填充,填充值由随机数确定,并将填充后的图像位置的掩模的值置为1,得到分区域后的彩色图;从一个点开始附近像素点,填充成新的颜色,直到封闭区域内的所有像素点都被填充新颜色为止。泛洪填充实现最常见有四邻域像素填充法,八邻域像素填充法,基于扫描线的像素填充方法等。
步骤S43,将泛洪填充后的彩色图进行归一化,将其值归一化到0-255之间。参见图7。
步骤S5,对填充后的图像进行灰度化处理并进行边缘检测,获得分割边界;
对泛洪填充后的彩色分割图进行灰度化,参见图8,将像素转为0-255之间,对灰度图进行边缘检测,例如采用canny边缘检测技术对灰度图进行边缘检测形成分割边界,这时的分割边界存在间断和分裂,没有完全形成连续完成的边界线,在层与层之间边界模糊(灰度值相差不大)的位置形成,参见图9,提取分割边界。步骤S5包括:
步骤S51,对填充后的图像进行灰度化处理;
步骤S52,采用双阈值对灰度化图像进行边缘检测,所述双阈值包括:第一阈值和第二阈值,所述第一阈值小于第二阈值;在实现过程中,第一阈值取低阈值为100,第二阈值取高阈值为200;
步骤S53,在边缘像素点梯度值大于第二阈值时,则标记为强边缘点;
步骤S54,在边缘梯度值小于第二阈值且大于第一阈值时,则标记为弱边缘点;
步骤S55,在边缘梯度值小于第一阈值时,则标记为被抑制点;
步骤S56,所述强边缘点和弱边缘点形成分割边界。
通过边缘检测处理后的图像,通过梯度化方法对填充后的图像中的分割边界进一步处理,形成更为清晰的边缘,具体将灰度值较低的边界点去掉,不进行显示,将灰度值较大的边界点通过强边缘点显示,将灰度值处于中间的边界点通过弱边缘点显示。
步骤S6,参见图10,将分割边界所在区域填充完整并进行闭运算,获得完整的边界;将分割边界分布的区域(包括面域和线域)填充完整,并在区域内部进行计算,使得该区域明显区别于其他区域,然后提取该区域的边缘得到一条完整的边界;步骤S6包括:
步骤S61,通过大小预设的结构元素对输入图像膨胀,以消除输入图像中的孔洞;
步骤S62,通过所述结构元对膨胀后的图像进行腐蚀操作,以填补填充区域轮廓线中的断裂,形成完整的边界轮廓。
所述闭运算的具体方法如下所示:
上式中,B对集合A进行闭操作就是用B对A膨胀,之后用B对膨胀后的结果进行腐蚀操作。在实现过程中,A为输入图像,B为结构元,该结构元B为矩形结构元素,大小为(5,5)。闭运算的目的是消除小的孔洞,填补轮廓线中的断裂。
步骤S7,参见图11,提取边界轮廓并在所述轮廓内绘制边界线,获得细胞分层图像。提取轮廓并删除无关轮廓,绘制边界线;步骤S7包括:
步骤S71,提取所有完整的边界轮廓;
步骤S72,获取每个轮廓的最小外接矩形;参见图11;
步骤S73,删除高度小于或等于阈值的轮廓,保留高度大于阈值的轮廓形成有效边缘轮廓;该阈值由经验值给定;
步骤S74,所述根据最小外接矩形提取每个有效边缘轮廓的中心线,获得图像分层的边界线。参见图12。
所述绘制边界线的具体方法如下:在提取了有用边缘轮廓之后,提取边缘轮廓的中心线,若轮廓的右下角坐标为br(),左上角坐标为tl(),则其边界线的起始点为[(br().x–tl().x)/2+tl().x,0],终止点为((br().x–tl().x)/2+tl().x,H),br().x为右下角坐标的横坐标,tl().x为左上角坐标的横坐标。因此,获得了图像分层的边界线。
本发明采用基于均值漂移和边缘轮廓的方法进行细胞图像分层,整个算法流程不涉及颜色识别,避免了不同时刻光照对图像的影响。整个算法流程包括提取感兴趣区域、双边滤波、图像增强、均值漂移、泛洪填充、灰度化、边缘检测、闭运算、提取轮廓并剔除无关轮廓以及绘制边界。整个算法流程不直接提取红细胞层及白细胞层,间接巧妙的提取边缘轮廓,并提取边缘轮廓的中线作为边界线,避免了分层图像中过渡边界造成的边界不一的情况,保证了分割的准确率。
实施例二
基于上述实施例一,本发明还提供一种细胞分层图像处理系统,包括存储器和处理器,所述存储器存储有细胞分层图像处理程序,所述处理器在运行所述细胞分层图像处理程序时执行任意实施例的细胞分层图像处理方法的步骤。
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 (7)
1.一种细胞分层图像处理方法,其特征在于,包括以下步骤:
从采集的细胞分层图像中提取感兴趣区域并去噪;
对去噪后图像的局部信息增强以增大整个图像对比度;
通过均值漂移算法对增强图像进行图像平滑处理和图像分割处理;
通过泛洪填充算法对分割的图像进行填充,获得粗分界区;
对填充后的图像进行灰度化处理并进行边缘检测,获得分割边界;
将分割边界所在区域填充完整并进行闭运算,获得完整的边界;
提取边界轮廓并在所述轮廓内绘制边界线,获得细胞分层图像;
所述通过均值漂移算法对增强图像进行色彩平滑处理获得不同色彩区域的步骤包括:
以增强图像为原图进行降采样构建图像金字塔;
从图像金字塔顶层图像开始,执行均值漂移迭代计算;
将上层均值漂移迭代计算的结果作为下一层金字塔计算的初值和mask;
根据上一层得到的初值和mask,得到下一层金字塔图像,将mask为1的所有像素进行均值漂移迭代,把迭代结果获得的质心位置平均值存储到mask为1的位置的对应像素中;
重复前述相邻两个步骤,直到达到金字塔塔底,遍历完成所有金字塔层的均值漂移色彩滤波,最终输出和原图一样分辨率大小的结果图;
所述从图像金字塔顶层图像开始,执行均值漂移迭代计算的步骤包括:
从金字塔顶层图像左上角第一个坐标像素点开始,以该点为中心点,其位置为(x0,y0)及颜色值为(b0,g0,r0),生成预定大小的二维方形窗口,并计算窗口中满足颜色相近条件的所有点的平均位置,作为质心(x1,y1),且颜色值为(b1,g1,r1);颜色相近条件采用下式距离计算:
Distance=(b0-bi)×(b0-bi)+(g0-gi)×(g0-gi)+(r0-ri)×(r0-ri)≤thresh
在上式中,(bi,gi,ri)为该方形窗口中每个像素的BGR值,thresh为阈值;
将窗口中心平移到(i)获取的质心位置(x1,y1),计算以该质心为中心生成预定大小的新的二维方形窗口中满足颜色相近条件的所有点的质心平均位置及颜色平均值,以更新(x0,y0)和(b0,g0,r0);
重复迭代执行前一更新步骤,直到新位置的质心位置和颜色平均值与上一次的中心点的位置差值和颜色差值满足迭代精度的条件,则将迭代结束获取的质心值的BGR值赋给对应的中心点作为该点的新像素值;
所述提取边界轮廓并在所述轮廓内绘制边界线,获得细胞分层图像的步骤包括:
提取所有完整的边界轮廓;
获取每个轮廓的最小外接矩形;
删除高度小于或等于阈值的轮廓,保留高度大于阈值的轮廓形成有效边缘轮廓;
根据最小外接矩形提取每个有效边缘轮廓的中心线,获得图像分层的边界线。
2.如权利要求1所述的细胞分层图像处理方法,其特征在于,所述从采集的细胞分层图像中提取感兴趣区域并去噪的步骤包括:
提取细胞分层图像中各分层覆盖的区域作为感兴趣区域;
以感兴趣区域图像作为提取矩阵通过双边滤波算法进行去噪。
3.如权利要求1所述的细胞分层图像处理方法,其特征在于,所述将上层均值漂移迭代计算的结果作为下一层金字塔计算的初值和mask的步骤包括:
Mask值包括0或1,0表示边缘信息,1表示非边缘信息,在mask值为1的位置进行均值漂移迭代计算;
将金字塔顶层图像升采样,得到下一层金字塔图像;
判断该图像的所有像素点是否满足差异条件,若该像素点的mask为1,则执行所述从图像金字塔顶层图像开始,执行均值漂移迭代计算的步骤。
4.如权利要求1所述的细胞分层图像处理方法,其特征在于,所述通过泛洪填充算法对图像中不同色彩区域进行填充,获得粗分界区的步骤包括:
设定一掩模,大小为(H1,W1),初始值为0,其中H为图像的高度,W为图像的宽度;其中H1>H,W1>W;
遍历图像,若掩模的值为0,则执行泛洪填充,填充值由随机数确定,并将填充后的图像位置的掩模置为1,得到分区域后的彩色图;
将泛洪填充后的彩色图进行归一化,将其值归一化到0-255之间。
5.如权利要求1所述的细胞分层图像处理方法,其特征在于,所述对填充后的图像进行灰度化处理并进行边缘检测,获得分割边界的步骤包括:
对填充后的图像进行灰度化处理;
采用双阈值对灰度化图像进行边缘检测,所述双阈值包括:第一阈值和第二阈值,所述第一阈值小于第二阈值;
在边缘像素点梯度值大于第二阈值时,则标记为强边缘点;
在边缘梯度值小于第二阈值且大于第一阈值时,则标记为弱边缘点;
在边缘梯度值小于第一阈值时,则标记为被抑制点;
所述强边缘点和弱边缘点形成分割边界。
6.如权利要求1所述的细胞分层图像处理方法,其特征在于,所述将分割边界所在区域填充完整并进行闭运算,获得完整的边界的步骤包括:
通过大小预设的结构元素对输入图像膨胀,以消除输入图像中的孔洞;
通过所述结构元素对膨胀后的图像进行腐蚀操作,以填补填充区域轮廓线中的断裂,形成完整的边界轮廓。
7.一种细胞分层图像处理系统,包括存储器和处理器,所述存储器存储有细胞分层图像处理程序,所述处理器在运行所述细胞分层图像处理程序时执行权利要求1~6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910584542.0A CN110363719B (zh) | 2019-07-01 | 2019-07-01 | 一种细胞分层图像处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910584542.0A CN110363719B (zh) | 2019-07-01 | 2019-07-01 | 一种细胞分层图像处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363719A CN110363719A (zh) | 2019-10-22 |
CN110363719B true CN110363719B (zh) | 2021-07-27 |
Family
ID=68217811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910584542.0A Active CN110363719B (zh) | 2019-07-01 | 2019-07-01 | 一种细胞分层图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363719B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110763688B (zh) * | 2019-11-01 | 2022-09-27 | 沈阳航空航天大学 | 一种盲孔多余物检测系统及方法 |
CN111210452B (zh) * | 2019-12-30 | 2023-04-07 | 西南交通大学 | 一种基于图割和均值偏移的证件照人像分割方法 |
CN111311586B (zh) * | 2020-02-26 | 2023-12-12 | 无锡久仁健康云科技有限公司 | 基于非线性健康分析系统数据多指标动态整合算法和系统 |
CN113567310A (zh) * | 2021-07-30 | 2021-10-29 | 重庆大学 | 一种包覆颗粒的检测方法及其装置 |
CN113723505B (zh) * | 2021-08-30 | 2024-04-23 | 上海大学 | 一种基于细胞骨架图像定量分析的细胞图像分类方法及其分类器 |
CN114862765B (zh) * | 2022-04-13 | 2024-04-16 | 湖南科技大学 | 一种细胞分层图像处理方法 |
CN115100077B (zh) * | 2022-07-25 | 2022-11-04 | 深圳市安科讯实业有限公司 | 一种图像增强方法与装置 |
CN116694829B (zh) * | 2023-08-04 | 2023-11-03 | 北京邦宁智科生物技术有限公司 | 基于多尺度视觉感知的细胞离心控制方法和细胞分离设备 |
CN116894841B (zh) * | 2023-09-08 | 2023-11-28 | 山东天鼎舟工业科技有限公司 | 一种变速箱合金壳体质量视觉检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101501472A (zh) * | 2006-08-17 | 2009-08-05 | 科安比司特公司 | 具有鲁棒性自动处理控制的血液处理设备 |
CN103442209A (zh) * | 2013-08-20 | 2013-12-11 | 北京工业大学 | 一种输电线路的视频监控方法 |
CN104881955A (zh) * | 2015-06-16 | 2015-09-02 | 华中科技大学 | 一种驾驶员疲劳驾驶检测方法及系统 |
CN106056612A (zh) * | 2016-06-03 | 2016-10-26 | 盈开生物科技(上海)有限公司 | 血液分层识别方法 |
CN107742301A (zh) * | 2017-10-25 | 2018-02-27 | 哈尔滨理工大学 | 基于图像分类的复杂背景下输电线路图像处理方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7042488B2 (en) * | 2001-09-27 | 2006-05-09 | Fujinon Corporation | Electronic endoscope for highlighting blood vessel |
JP5901012B2 (ja) * | 2012-02-13 | 2016-04-06 | 国立大学法人 東京医科歯科大学 | 血液情報の測定方法及び装置 |
CN103473739B (zh) * | 2013-08-15 | 2016-06-22 | 华中科技大学 | 一种基于支持向量机的白细胞图像精确分割方法与系统 |
US9597441B2 (en) * | 2013-09-16 | 2017-03-21 | Johnson & Johnson Innovation LLC | Microfluidic organ assist device incorporating boundary layer disrupters |
CN106056118B (zh) * | 2016-06-12 | 2018-08-24 | 合肥工业大学 | 一种用于细胞的识别计数方法 |
-
2019
- 2019-07-01 CN CN201910584542.0A patent/CN110363719B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101501472A (zh) * | 2006-08-17 | 2009-08-05 | 科安比司特公司 | 具有鲁棒性自动处理控制的血液处理设备 |
CN103442209A (zh) * | 2013-08-20 | 2013-12-11 | 北京工业大学 | 一种输电线路的视频监控方法 |
CN104881955A (zh) * | 2015-06-16 | 2015-09-02 | 华中科技大学 | 一种驾驶员疲劳驾驶检测方法及系统 |
CN106056612A (zh) * | 2016-06-03 | 2016-10-26 | 盈开生物科技(上海)有限公司 | 血液分层识别方法 |
CN107742301A (zh) * | 2017-10-25 | 2018-02-27 | 哈尔滨理工大学 | 基于图像分类的复杂背景下输电线路图像处理方法 |
Non-Patent Citations (1)
Title |
---|
OpenCV之meanshift分割详解;小白的进阶;《CSDN》;20170730;第1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110363719A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363719B (zh) | 一种细胞分层图像处理方法及系统 | |
CN107578418B (zh) | 一种融合色彩和深度信息的室内场景轮廓检测方法 | |
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
CN110176012B (zh) | 图像中的目标分割方法、池化方法、装置及存储介质 | |
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN105957063B (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN112686935B (zh) | 基于特征融合的机载测深雷达与多光谱卫星影像配准方法 | |
CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
JP6539303B2 (ja) | 3d医用画像中の対象物を分割するための3d対象物の変換 | |
CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
CN110544300B (zh) | 一种基于二维手绘图像特征自动生成三维模型的方法 | |
CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
WO2015092904A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN102663762B (zh) | 医学图像中对称器官的分割方法 | |
CN109345536B (zh) | 一种图像超像素分割方法及其装置 | |
CN111223110A (zh) | 一种显微图像增强方法、装置及计算机设备 | |
CN116279592A (zh) | 一种用于无人物流车的可行驶区域划分方法 | |
CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
CN106991660A (zh) | 基于改进型八叉树分解的三维超声图像数据抽样方法 | |
CN113592740A (zh) | 一种基于人工智能的气密性检测中图像噪声去除方法 | |
WO2024002110A1 (en) | Methods and systems for determining image control point | |
CN112435211A (zh) | 一种内窥镜图像序列中轮廓稠密特征点描述和匹配的方法 | |
CN112633070A (zh) | 高分辨率遥感影像建筑物提取方法及系统 |
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 |