CN117392154A - 一种相衬显微细胞图像分割方法及系统 - Google Patents
一种相衬显微细胞图像分割方法及系统 Download PDFInfo
- Publication number
- CN117392154A CN117392154A CN202311667341.XA CN202311667341A CN117392154A CN 117392154 A CN117392154 A CN 117392154A CN 202311667341 A CN202311667341 A CN 202311667341A CN 117392154 A CN117392154 A CN 117392154A
- Authority
- CN
- China
- Prior art keywords
- image
- pass coefficient
- segmentation
- low
- cell
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003709 image segmentation Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 97
- 230000009466 transformation Effects 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 230000006740 morphological transformation Effects 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 2
- 230000001464 adherent effect Effects 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 84
- 238000010586 diagram Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000000386 microscopy Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000021164 cell adhesion Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002073 fluorescence micrograph Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000002135 phase contrast microscopy Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004115 adherent culture Methods 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004452 microanalysis Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003098 myoblast Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种相衬显微细胞图像分割方法及系统,涉及图像分割领域,方法包括如下步骤:对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像;对低通系数图像作改进形态学变换以获得增强低通系数图像;对高通系数图像作自适应阈值处理以获得消噪高通系数图像;将增强低通系数图像和消噪高通系数图像结合并作双树复小波逆变换以获得重构图像,重构图像增强后作经验梯度阈值分割得到预分割图像;根据双树复小波分解的低通系数对预分割图像进行改进标记分水岭变换以获得细胞分割结果。本发明可有效增强细胞边缘特征,避免固定阈值造成细胞图像重要信息丢失的发生,提高细胞分割的精确率,实现粘连细胞的准确分割。
Description
技术领域
本发明涉及图像分割技术领域,尤其涉及一种相衬显微细胞图像分割方法及系统。
背景技术
图像分割是许多研究中的一个中心问题,如在生物医学基础应用研究领域,往往需要实现对单个显微细胞图像进行准确分割,以足够的精度找到细胞、细胞核和组织学边界,细胞分割是显微细胞图像分析诸如检测、计数和细胞生物学参数指标定量分析的基石。准确的细胞分割不仅提供了临床医生和研究人员对不同疾病中细胞分布变化的定性解释,而且也提高了对不同疾病如何定量影响细胞数量、直径、方向和其他纹理特征的理解。然而,由于相衬显微细胞图像自身未染色的特点、不规则的细胞形状以及复杂背景等,导致在相衬对比图像中的细胞分割并非易事。
阈值法是根据图像强度进行分割的最常用方法,常用作分割的预处理步骤,包括基于直方图形状的阈值方法、基于聚类的阈值方法、基于熵的阈值方法、基于属性相似度的阈值方法、空间阈值方法和局部自适应阈值方法等变体(Sezgin M, Sankur B. Surveyover image thresholding techniques and quantitative performance evaluation[J]. Journal of Electronic imaging, 2004, 13(1): 146-168),此外还有不同于阈值的Potts模型(C. Russell, D. Metaxas, C. Restif and P. Torr, "Using the PnPotts model with learning methods to segment live cell images," 2007 IEEE11th International Conference on Computer Vision, Rio de Janeiro, Brazil,2007, pp. 1-8)、图割(Rother C, Kolmogorov V, Blake A. " GrabCut" interactiveforeground extraction using iterated graph cuts[J]. ACM transactions ongraphics (TOG), 2004, 23(3): 309-314)等方法,仍然被广泛应用在许多方面上,但是这些方法需要针对不同的目标特点进行调整和优化,限制了其在解决不同类型问题的细胞图像上的应用。
为了获取准确的细胞分割结果,研究人员对各种分割方法进行改进以提高分割性能。例如,Jaccard等人(Jaccard N, Griffin L D, Keser A, et al. Automated methodfor the rapid and precise estimation of adherent cell culture characteristicsfrom phase contrast microscopy images[J]. Biotechnology and bioengineering,2014, 111(3): 504-517)通过结合局部对比度阈值和光晕伪影的事后校正,准确检测相衬对比显微图像中的细胞物体,并且验证了在各种细胞系、显微成像模型和成像条件下的高分割性能。Chalfoun等人(Chalfoun J, Majurski M, Peskin A, et al. Empiricalgradient threshold technique for automated segmentation across imagemodalities and cell lines [J]. Journal of microscopy, 2015, 260(1): 86-99)提出一种利用Sobel算子获取图像的梯度图后求取直方图,经过归一化、求均值等一系列操作后得到最后的分割阈值,对图像分割后采用形态学操作细化分割结果,可以较准确地分割出细胞轮廓,但是无法对粘连细胞进行准确分割。Chan等人(Chan T F, Vese L A. Activecontours without edges [J]. IEEE Transactions on image processing, 2001, 10(2): 266-277)提出一种无需边缘的主动轮廓方法,可以不需要利用图像梯度信息进行分割曲线的演化,在细胞图像上的分割结果显示,效果较差且该方法耗时较长。为了简单快速的计算相衬显微图像中细胞的汇合度,Juneau等人(Juneau P M, Garnier A, DuchesneC. Selection and tuning of a fast and simple phase-contrast microscopy imagesegmentation algorithm for measuring myoblast growth kinetics in an automatedmanner[J]. Microscopy and microanalysis, 2013, 19(4): 855-866)提出一个基于特定大小的范围滤波器、一个最小范围阈值和一个最小物体大小阈值的分割方法,通过调整些参数使得分割结果最优,该方法需要人工多次调整参数以优化分割的准确性,处理步骤较为繁琐且无法处理粘连细胞的问题,降低了分割准确率。
综上所述,不同类别的分割方法并不能直接适用于细胞分割任务,对于不同细胞图像存在各自独特的问题,需要针对性的采取合适的解决方案,以满足实际研究需求。
发明内容
本发明的目的在于解决现有的图像分割技术不适于细胞分割的问题。
本发明解决其技术问题所采用的技术方案是:提供一种相衬显微细胞图像分割方法,包括如下步骤:
接收输入的相衬显微细胞图像作为原始图像;
对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像;
对低通系数图像作改进形态学变换以获得增强低通系数图像;
对高通系数图像作自适应阈值处理以获得消噪高通系数图像;
将增强低通系数图像和消噪高通系数图像结合并作双树复小波逆变换以获得重构图像;
对重构图像作经验梯度阈值分割得到预分割图像;
根据双树复小波分解的低通系数图像对预分割图像进行改进标记分水岭变换以获得细胞分割结果;
将细胞分割结果叠加在原始图像上,作为可视化的分割结果输出。
优选的,所述对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像,具体为:所述双树复小波变换的第一滤波器采用双正交滤波器,第二滤波器采用长度为N的正交希尔伯特Q-shift分析滤波器处理;原始图像经所述双树复小波变换输出四个级别的双树复小波变换图像,每个级别的小波系数图像均包含多个低通系数图像和多个高通系数图像。
优选的,所述对低通系数图像作改进形态学变换以获得增强低通系数图像,具体为:
对低通系数图像作顶帽变换以提取图像中的明亮区域,获得明亮图像;
对低通系数图像作底帽变换以提取图像中的暗淡区域,获得暗淡图像;
原始图像加上明亮图像并减去暗淡图像,获得增强对比度的图像,表示如下:
,
其中,表示增强对比度的图像,L表示低通系数图像。
优选的,所述明亮图像和所述暗淡图像/>表示为
;
;
其中,为形态学开运算,/>为形态学闭运算;B为盘形结构元素,每个级别采用不同大小的盘形结构元素B。
优选的,所述对高通系数图像作自适应阈值处理以获得消噪高通系数图像,表示为
其中,为消噪高通系数图像,H为高通系数图像,sign为符号函数,max为取最大值函数,C为根据高通系数图像灰度值分布设定的去噪阈值。
优选的,所述消噪高通系数图像在输出前还进行高斯滤波,高斯核为0.5,滤波器为大小3×3的方形滤波器,滤波方式为空间域滤波。
优选的,所述将增强低通系数图像和消噪高通系数图像结合并作双树复小波逆变换以获得重构图像,所述重构图像在输出前还进行对比度调整,进一步增强重构图像。
优选的,所述对重构图像作经验梯度阈值分割得到预分割图像,具体为:
首先,选择Dice系数最大的Sobel算子计算重构图像的梯度,获得梯度图像;
其次,计算梯度图像的直方图,将其分为1000个分区,并对直方图的累计总和归一化,计算归一化直方图中最大的前3个值的平均值;
再次,根据平均值计算直方图的下限和上限,求取上下限之间的直方图面积X;
最后,根据面积X求得梯度百分位Y,根据梯度百分位Y求取梯度阈值,利用梯度阈值进行梯度分割并进行形态学后处理,得到预分割图像。
优选的,所述根据双树复小波分解的低通系数图像对预分割图像进行改进标记分水岭变换以获得细胞分割结果,包括以下步骤:
对预分割图像进行标记,得到区域标记个数N1;
根据第三级别的低通系数图像统计种子点个数,记为N2;
当 N2>>N1时,记种子点个数为0,不进行分水岭变换,将预分割图像作为分割图像;否则以种子点个数N2对预分割图像进行分水岭变换,获得分割图像;
采用圆形均值滤波器对分割结果进行光滑处理,得到细胞分割结果。
本发明还提供一种相衬显微细胞图像分割系统,包括:
输入模块,接收输入的相衬显微细胞图像作为原始图像;
双树复小波变换模块,对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像;
改进形态学变换模块,对低通系数图像作改进形态学变换以获得增强低通系数图像;
自适应阈值处理模块,对高通系数图像作自适应阈值处理以获得消噪高通系数图像;
双树复小波逆变换模块,将增强低通系数图像和消噪高通系数图像结合并作双树复小波逆变换以获得重构图像;
分割模块,对重构图像作经验梯度阈值分割得到预分割图像;
改进标记分水岭变换模块,根据双树复小波分解的低通系数对预分割图像进行改进标记分水岭变换以获得细胞分割结果;
可视化输出模块,将细胞分割结果叠加在原始图像上,作为可视化的分割结果输出。
本发明具有如下有益效果:
(1)采用双树复小波变换将输入细胞图像分解,对分解得到的4个尺度中的低频成分作形态学增强,同时对高频成分作自适应阈值去噪,可以有效的增强细胞边缘特征和去除噪声,从而减少了弱边缘和噪声对分割精确率造成的影响;
(2)通过经验梯度阈值算法对经过双树复小波重构后的图像进行预分割,根据梯度直方图的分布和相关推导函数计算最佳阈值,避免了固定阈值造成细胞图像重要信息丢失的发生,有效保留了细胞边缘和细胞内部信息;
(3)对双树复小波分解得到的第三个尺度的低通系数作K均值聚类,经过K均值聚类后作为标记控制分水岭变换的标记点,根据种子点的数量来决定是否进行分水岭变换,提高了细胞分割的精确率,实现了对粘连细胞的准确分割。
以下结合附图及实施例对本发明作进一步详细说明,但本发明不局限于实施例。
附图说明
图1为本发明实施例的方法步骤图;
图2为本发明实施例的详细流程图;
图3为本发明实施例的过程图像示意图;
图4为本发明实施例的双树复小波变换的滤波器示意图;
图5为本发明实施例对低通系数图像作改进形态学变换的示意图;
图6为本发明实施例S106的步骤图;
图7为本发明实施例S107的步骤图;
图8为本发明实施例的系统结构图;
图9为本发明实施例与其它分割方法的分割结果对比图。
具体实施方式
参见图1所示,为本发明实施例的方法步骤图及详细流程图,包括如下步骤:
S101,接收输入的相衬显微细胞图像作为原始图像;
S102,对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像;
S103,对低通系数图像作改进形态学变换以获得增强低通系数图像;
S104,对高通系数图像作自适应阈值处理以获得消噪高通系数图像;
S105,将增强低通系数图像和消噪高通系数图像结合并作双树复小波逆变换以获得重构图像;
S106,对重构图像作经验梯度阈值分割得到预分割图像;
S107,根据双树复小波分解的低通系数对预分割图像进行改进标记分水岭变换以获得细胞分割结果;
S108,将细胞分割结果叠加在原始图像上,作为可视化的分割结果输出。
参见图2和图3所示,为本发明实施例的详细流程图和过程图像示意图,本实施例的方法可分为四个部分:
输入图像,读取相衬显微细胞图像作为原始图像;
细胞图像增强,包括双树复小波变换、改进形态学处理、自适应阈值处理、双树复小波逆变换和对比度增强,用于对输入细胞图像作增强操作,将细胞对比度增强和边缘特征增强;
细胞图像分割,包括经验梯度阈值分割和改进标记控制分水岭变换;
分割结果可视化,将输出细胞分割结果叠加在原细胞图像作为可视化的分割结果。
具体的,所述S106作经验梯度阈值分割后还进行区域限定的形态学分析。
具体的,所述S107选择第三级别的低通系数图像进行K均值聚类来确定种子点,进行改进标记分水岭变换以获得细胞分割结果。
具体的,参见图4所示,为本发明实施例的双树复小波变换的滤波器示意图。双树复小波变换(DTCWT)建立在小波理论的基础上。小波变换是常用的图像处理工具,Hüpfel等人(Hüpfel M, Kobitski A Y, Zhang W, et al. Wavelet-based background and noisesubtraction for fluorescence microscopy images[J]. Biomedical Optics Express,2021, 12(2): 969-980)基于小波变换提出了一种处理荧光显微图像噪声和背景污染的方法,通过高通滤波器和低通滤波器对输入荧光图像作下采样以分离出噪声和细胞部分,接着将噪声部分置0,通过上采样后作高斯滤波处理,最后作背景减除和噪声减除得到最后目标图像。文献(Selesnick I W, Baraniuk R G, Kingsbury N C. The dual-tree complexwavelet transform[J]. IEEE signal processing magazine, 2005, 22(6): 123-151)首先阐述了双树复小波变换的概念,在论文中演示了数学分析和推导过程,并详尽地对双树复小波变换的滤波器构造和滤波效果分析进行了充分的阐述。其中复小波定义为
其中,和/>分别为复小波的实部和虚部。
其中为输入图像信号,/>和/>两个不同的树分别表示小波系数的实部和虚部,/>和/>分别表示共轭低通和高通正交滤波器对,和/>分别表示共轭低通和高通积分滤波器对,↓2表示隔点采样。双树复小波变换的思路为:在一层分解中,若要求树A和树B的滤波器之间的延迟刚好是一个采样周期,就可以保证树B第一层中的隔点采样后所得的数据恰好是采样到树A中因隔点采样所丢失的数据,如此就能够降低数据的损失,也就不会有平移敏感性。为了确保滤波器之间的线性相位,Selesnick等人(Selesnick I W, Baraniuk R G, Kingsbury N C. The dual-treecomplex wavelet transform[J]. IEEE signal processing magazine, 2005, 22(6):123-151)采用双正交小波变换,要求两树中其中一树的滤波器长为奇数长,而另一树的滤波器长为偶数长。因此,要是两棵树呈现出好的对称性,只要求在每树的不同层析间采用交替的奇偶滤波器。双树结构的滤波器组使得双树复小波变换具有近似的平移不变性,并且二维的双树复小波变换能够提供6个方向的细节信息,具有多方向选择性,并且其具有较小的数据冗余以及完成重构的能力。双树复小波继承了离散小波的视频局部化分析与多分辨率分析等优良性能,另外具有多方向选择性和平移不变性。
本发明实施例的树A采用双正交滤波器antonini(9,7)(9个scaling(低通)滤波器和7个wavelet滤波器);树B采用正交希尔伯特Q-shift分析滤波器处理,长度选择6。最后结果得到每个级别的scaling(低通)系数和4x1的复值wavelet(小波)系数细胞组(1x6),其中每个级别包含6个小波子带,每个小波子带实部系数来自于树A,虚部系数来自于树B。每个小波子带的复数分布为HL、HH、LH、LH、HH、HL,其中H为高通,L为低通,即4个低通系数,8个高通系数。
参见图5所示,本发明实施例的低通系数处理示意图,S103具体为:对低通系数作顶帽变换以提取图像中的明亮区域,获得明亮图像,对低通系数作底帽变换以提取图像中的暗淡区域,获得暗淡图像/>,原始图像加上明亮图像并减去暗淡图像,获得增强对比度的图像,表示如下:
,
其中,表示增强对比度的图像,L表示低通系数图像。
具体的,所述顶帽变换和所述底帽变换表示为
;
;
其中,为形态学开运算,/>为形态学闭运算;B为盘形结构元素,每个级别采用不同大小的盘形结构元素B。
鉴于每个级别分解得到的小波系数图像大小是随着2的倍数减少,则需要使用不同大小的结构元素进行处理,一共包含对应4个级别的结构元素,即定义半径分别为B{3,3,2,1}的盘形结构元素细胞组。从1到4的级别n分别选取B{n}的结构元素,使用顶帽变换以提取图像中的明亮部分,使用底帽变换以提取图像中的暗淡部分,最后原图加上顶帽变换并减去底帽变换得到低通系数的增强结果。
具体的,S104所述对高通系数图像作自适应阈值处理以获得消噪高通系数图像,表示为
其中,为输出结果图像,H为高通系数,sign为符号函数,max为取最大值函数,C为根据高通系数图像灰度值分布设定的去噪阈值。本实施例中,/>,其中,噪声标准差
,/>为输入高通系数图像中的灰度值,表示高通系数图像灰度值的绝对值,Median为高通系数图像灰度值的中位数,含噪高通系数图像方差/>根据高通系数图像本身求出。
将经过形态学处理后的低通系数图像和自适应阈值去噪后的高通系数图像结合起来进行双树复小波逆变换获得重构后的细胞图像,并对重构后细胞图像中灰度值最低的1%和灰度值最高的1%像素作饱和处理,使细胞增强的视觉效果更加突出,即得到增强图像F。
具体的,参见图6所示,S106包括以下步骤:
S1061,使用Sobel算子计算增强图像F的梯度图像G;
S1062,计算梯度图像G的直方图H,分为1000个分区,对直方图H的累计总和归一化,即令sum(H)= 1;
S1063,求取直方图降序排列后的前3个值的取整均值,以确定一个近似的模式位置;
S1064,由近似模式位置计算下限和上限,并计算它们之间直方图的面积X;
S1065,计算梯度百分位值Y,其中梯度百分位值由已知经验公式Y=aX+b求取,a为1.1538,b为91.6836;
S1066,求梯度阈值并作阈值分割,即对去除0值后的梯度图像G进行升序排列后得到G2,将Y与G2的长度相乘后取整得到位置索引index,取G2(index+1)的值作为梯度阈值T,根据梯度阈值T作阈值分割,获得分割图像mask;
S1067,在分割图像mask中填充小于用户输入的最小孔径的孔;
S1068,应用圆盘半径为1像素的形态学腐蚀来清除图像G3边缘的噪声;
S1069,过滤图像G3中小于用户指定的最小细胞尺寸的小伪影。
具体的,S107的改进分水岭变换算法是通过双树复小波变换分解获得的第三级别的低通系数进行K均值聚类来确定标记控制点,并根据标记控制点的数量来决定是否要进行分水岭变换。经过双树复小波变换后的低通图像能够获取细胞的位置信息,经过试验对比,选择双树复小波变换后的第三个级别的低通系数,即能够清楚定位每个细胞。为了准确定位细胞的位置,采用基于K均值聚类的分类方法。首先分为细胞和背景两个簇,计算每个点到细胞中心和背景中心之间的欧式距离,随后将该点分类给距离最近的一个簇,并重新计算两个簇的中心,当中心位置的变化小于设定阈值时,停止分类。其中重复聚类次数设置为3,最大迭代次数为100,阈值设定为0.0001。对聚类结果进行反转、膨胀、距离变换、取负形态学操作,就获得了种子点。当细胞个数过于密集时,得到种子点的个数会明显不符合实际情况,因此在应用分水岭变换前,需要增加一个限定条件,参见图7所示,S107包括以下步骤:
S1071,对预分割图像进行标记,得到区域标记个数N1;
S1072,根据第三级别的低通系数图像统计种子点个数N2;
S1073,当 N2>>N1时,记种子点个数为0,不进行分水岭变换,将预分割图像作为分割图像;否则以种子点个数N2对预分割图像进行分水岭变换,获得分割图像;
S1074,采用圆形均值滤波器对分割结果进行光滑处理,得到细胞分割结果。
参见图8所示,为本发明实施例的系统结构图,包括:
输入模块801,接收输入的相衬显微细胞图像作为原始图像;
双树复小波变换模块802,对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像;
改进形态学变换模块803,对低通系数图像作改进形态学变换以获得增强低通系数图像;
自适应阈值处理模块804,对高通系数图像作自适应阈值处理以获得消噪高通系数图像;
双树复小波逆变换模块805,将增强低通系数图像和消噪高通系数图像结合并作双树复小波逆变换以获得重构图像;
分割模块806,对重构图像作经验梯度阈值分割得到预分割图像;
改进标记分水岭变换模块807,根据双树复小波分解的低通系数对预分割图像进行改进标记分水岭变换以获得细胞分割结果;
可视化输出模块808,将细胞分割结果叠加在原始图像上,作为可视化的分割结果输出。
对本发明实施例进行对比测试实验,采用不同算法对四张细胞图像进行图像分割,实验结果对比图参见图9所示,其中,第一行图像为输入细胞图像,第二行图像为细胞分割真值图,第三行图像为Jaccard算法分割结果,第四行图像为EGT算法分割结果,第五行图像为CV算法分割结果,第六行图像为本发明实施例的分割结果。由图分析可知,细胞图像存在细胞形状大小不规则、细胞边界不清晰和细胞粘的问题。Jaccard方法整合在一个工具箱中,算法计算速度快可以快速得到一个准确的结果,但是从图中的结果来看,图像边界部分的分割结果没有消除,对噪声和杂质敏感,细胞弱边缘部分只是能稍微分割其结果,可以部分分割出细胞;EGT方法和CV方法能够分割出大部分细胞,CV分割的细胞区域比EGT方法的更加饱满,然而,它们的边缘部分尖锐突出,另外一个共性的缺点是不能对粘连细胞进行判断并分割;相比之下,本文提出的方法提高了对噪声的鲁棒性,对细胞弱边缘和对比度差的部分也能够通过细胞增强进行改进,并且巧妙的利用了小波变换分解的第三尺度的低频部分作为种子点来解决细胞粘连的问题,所得到的结果更加接近于标准掩膜的分割结果。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种相衬显微细胞图像分割方法,其特征在于,包括如下步骤:
接收输入的相衬显微细胞图像作为原始图像;
对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像;
对低通系数图像作改进形态学变换以获得增强低通系数图像;
对高通系数图像作自适应阈值处理以获得消噪高通系数图像;
将增强低通系数图像和消噪高通系数图像结合并作双树复小波逆变换以获得重构图像;
对重构图像作经验梯度阈值分割得到预分割图像;
根据双树复小波分解的低通系数图像对预分割图像进行改进标记分水岭变换以获得细胞分割结果;
将细胞分割结果叠加在原始图像上,作为可视化的分割结果输出。
2.根据权利要求1所述的相衬显微细胞图像分割方法,其特征在于,所述对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像,具体为:所述双树复小波变换的第一滤波器采用双正交滤波器,第二滤波器采用长度为N的正交希尔伯特Q-shift分析滤波器处理;原始图像经所述双树复小波变换输出四个级别的双树复小波变换图像,每个级别的小波系数图像均包含多个低通系数图像和多个高通系数图像。
3.根据权利要求1所述的相衬显微细胞图像分割方法,其特征在于,所述对低通系数图像作改进形态学变换以获得增强低通系数图像,具体为:
对低通系数图像作顶帽变换以提取图像中的明亮区域,获得明亮图像;
对低通系数图像作底帽变换以提取图像中的暗淡区域,获得暗淡图像;
原始图像加上明亮图像并减去暗淡图像,获得增强对比度的图像,表示如下:
;
其中,表示增强对比度的图像,L表示低通系数图像。
4.根据权利要求3所述的相衬显微细胞图像分割方法,其特征在于,所述明亮图像和所述暗淡图像/>表示为
;
;
其中,为形态学开运算,/>为形态学闭运算;B为盘形结构元素,每个级别采用不同大小的盘形结构元素B。
5.根据权利要求1所述的相衬显微细胞图像分割方法,其特征在于,所述对高通系数图像作自适应阈值处理以获得消噪高通系数图像,表示为
;
其中,为消噪高通系数图像,H为高通系数图像,sign为符号函数,max为取最大值函数,C为根据高通系数图像灰度值分布设定的去噪阈值。
6.根据权利要求5所述的相衬显微细胞图像分割方法,其特征在于,所述消噪高通系数图像在输出前还进行高斯滤波,高斯核为0.5,滤波器为大小3×3的方形滤波器,滤波方式为空间域滤波。
7.根据权利要求1所述的相衬显微细胞图像分割方法,其特征在于,所述将增强低通系数图像和消噪高通系数图像结合并作双树复小波逆变换以获得重构图像,所述重构图像在输出前还进行对比度调整,进一步增强重构图像。
8.根据权利要求1所述的相衬显微细胞图像分割方法,其特征在于,所述对重构图像作经验梯度阈值分割得到预分割图像,具体为:
首先,选择Dice系数最大的Sobel算子计算重构图像的梯度,获得梯度图像;
其次,计算梯度图像的直方图,将其分为1000个分区,并对直方图的累计总和归一化,计算归一化直方图中最大的前3个值的平均值;
再次,根据平均值计算直方图的下限和上限,求取上下限之间的直方图面积X;
最后,根据面积X求得梯度百分位Y,根据梯度百分位Y求取梯度阈值,利用梯度阈值进行梯度分割并进行形态学后处理,得到预分割图像。
9.根据权利要求1所述的相衬显微细胞图像分割方法,其特征在于,所述根据双树复小波分解的低通系数图像对预分割图像进行改进标记分水岭变换以获得细胞分割结果,包括以下步骤:
对预分割图像进行标记,得到区域标记个数N1;
根据第三级别的低通系数图像统计种子点个数,记为N2;
当 N2>>N1时,记种子点个数为0,不进行分水岭变换,将预分割图像作为分割图像;否则以种子点个数N2对预分割图像进行分水岭变换,获得分割图像;
采用圆形均值滤波器对分割结果进行光滑处理,得到细胞分割结果。
10.一种相衬显微细胞图像分割系统,其特征在于,包括:
输入模块,接收输入的相衬显微细胞图像作为原始图像;
双树复小波变换模块,对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像;
改进形态学变换模块,对低通系数图像作改进形态学变换以获得增强低通系数图像;
自适应阈值处理模块,对高通系数图像作自适应阈值处理以获得消噪高通系数图像;
双树复小波逆变换模块,将增强低通系数图像和消噪高通系数图像结合并作双树复小波逆变换以获得重构图像;
分割模块,对重构图像作经验梯度阈值分割得到预分割图像;
改进标记分水岭变换模块,根据双树复小波分解的低通系数对预分割图像进行改进标记分水岭变换以获得细胞分割结果;
可视化输出模块,将细胞分割结果叠加在原始图像上,作为可视化的分割结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667341.XA CN117392154B (zh) | 2023-12-07 | 2023-12-07 | 一种相衬显微细胞图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667341.XA CN117392154B (zh) | 2023-12-07 | 2023-12-07 | 一种相衬显微细胞图像分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392154A true CN117392154A (zh) | 2024-01-12 |
CN117392154B CN117392154B (zh) | 2024-04-12 |
Family
ID=89463369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311667341.XA Active CN117392154B (zh) | 2023-12-07 | 2023-12-07 | 一种相衬显微细胞图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392154B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510309A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 |
CN105243641A (zh) * | 2015-08-18 | 2016-01-13 | 西安电子科技大学 | 一种基于双树复小波变换的低光照图像增强方法 |
WO2016091016A1 (zh) * | 2014-12-12 | 2016-06-16 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN107220948A (zh) * | 2017-05-23 | 2017-09-29 | 长春工业大学 | 一种视网膜图像增强的方法 |
CN111882561A (zh) * | 2020-06-18 | 2020-11-03 | 桂林电子科技大学 | 一种癌细胞识别诊断系统 |
US20200394796A1 (en) * | 2018-01-18 | 2020-12-17 | Nantomics, Llc | Real-time whole slide pathology image cell counting |
CN115393375A (zh) * | 2022-08-17 | 2022-11-25 | 华侨大学 | 荧光显微成像中明场细胞图像分割方法和装置 |
-
2023
- 2023-12-07 CN CN202311667341.XA patent/CN117392154B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510309A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 |
WO2016091016A1 (zh) * | 2014-12-12 | 2016-06-16 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN105243641A (zh) * | 2015-08-18 | 2016-01-13 | 西安电子科技大学 | 一种基于双树复小波变换的低光照图像增强方法 |
CN107220948A (zh) * | 2017-05-23 | 2017-09-29 | 长春工业大学 | 一种视网膜图像增强的方法 |
US20200394796A1 (en) * | 2018-01-18 | 2020-12-17 | Nantomics, Llc | Real-time whole slide pathology image cell counting |
CN111882561A (zh) * | 2020-06-18 | 2020-11-03 | 桂林电子科技大学 | 一种癌细胞识别诊断系统 |
CN115393375A (zh) * | 2022-08-17 | 2022-11-25 | 华侨大学 | 荧光显微成像中明场细胞图像分割方法和装置 |
Non-Patent Citations (7)
Title |
---|
吴定允 等: "改进分水岭算法在医学图像分割中的应用", 电视技术, no. 05 * |
孟霆: "基于多尺度几何分析的细胞图像处理相关技术研究", 中国博士学位论文全文数据库 信息科技辑, no. 04 * |
李东明: "医学显微细胞图像分割研究", 中国博士学位论文全文数据库 医药卫生科技辑, no. 01 * |
王娅;: "血液红细胞图像自适应标记分水岭分割算法", 中国图象图形学报, no. 12 * |
王宜东 等: "基于细胞核引导的明场显微图像细胞分割方法", 激光与光电子学进展研究论文, vol. 60, no. 14 * |
王小鹏 等: "基于分层多尺度形态学梯度修正的分水岭分割(英文)", JOURNAL OF MEASUREMENT SCIENCE AND INSTRUMENTATION, no. 01 * |
龚卫国;刘晓营;李伟红;李建福;: "双密度双树复小波变换的局域自适应图像去噪", 光学精密工程, no. 05, 15 May 2009 (2009-05-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117392154B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Automatic cell nuclei segmentation and classification of breast cancer histopathology images | |
Habibzadeh et al. | Comparative study of shape, intensity and texture features and support vector machine for white blood cell classification | |
CN108510499B (zh) | 一种基于模糊集和Otsu的图像阈值分割方法及装置 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
Bhateja et al. | A novel framework for edge detection of microcalcifications using a non-linear enhancement operator and morphological filter | |
Ben Abdallah et al. | Noise-estimation-based anisotropic diffusion approach for retinal blood vessel segmentation | |
Mahmoud et al. | Segmentation of skin cancer images based on gradient vector flow (GVF) snake | |
Wang et al. | Nucleus segmentation of cervical cytology images based on depth information | |
Min et al. | MRI images enhancement and tumor segmentation for brain | |
Vishnumurthy et al. | Automatic segmentation of brain MRI images and tumor detection using morphological techniques | |
Singh et al. | A review of image fusion: Methods, applications and performance metrics | |
Singh et al. | Computerized detection of breast cancer in digital mammograms | |
CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
Ballarò et al. | An automated image analysis methodology for classifying megakaryocytes in chronic myeloproliferative disorders | |
CN116188786B (zh) | 一种肝胆管及胆道结石的图像分割系统 | |
Sengar et al. | Analysis of 2D-gel images for detection of protein spots using a novel non-separable wavelet based method | |
CN117392154B (zh) | 一种相衬显微细胞图像分割方法及系统 | |
CN116524269A (zh) | 一种视觉识别检测系统 | |
CN115147613A (zh) | 一种基于多向融合的红外小目标检测方法 | |
Scharfenberger et al. | Image saliency detection via multi-scale statistical non-redundancy modeling | |
Qi et al. | An efficient FCM-based method for image refinement segmentation | |
Hawas et al. | Neutrosophic set in medical image clustering | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
Gim et al. | A novel framework for white blood cell segmentation based on stepwise rules and morphological features | |
Wei et al. | An algorithm for segmentation of lung ROI by mean-shift clustering combined with multi-scale HESSIAN matrix dot filtering |
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 |