生物细胞图像分割技术的进展
医学图像的分割技术及其新进展
医学图像的分割技术及其新进展3楚存坤,李月卿,王昌元(泰山医学院,山东泰安 271000)关键词:医学图像分割;图像分割评价中图分类号:R319 文献标识码:A 文章编号:100427115(2007)0420315203 近几年,计算机断层成像(Computed T omo2 graphy,CT),核磁共振成像(Magnetic Res onance I m2 age,MR I),超声成像(ultras ound i m age,USI)等医学成像技术已经广泛应用在医疗的诊断、术前计划、术后监测等各个环节中,其目的是全面而精确地获得病人的各种数据,为诊断、治疗计划、手术和术后评估提供正确的数字信息。
只有把感兴趣的目标从图像的复杂景物中提取出来,才有可能进一步对它们进行定量分析或者识别。
目前,医学图像分割主要以各种细胞、组织与器官的图像来作为处理的对象或内容。
图像分割是根据某种均匀性或一致性原则将图像分成若干个有意义的部分,使得每一部分都符合某种一致性的要求[1]。
1 医学图像分割技术的发展111 传统图像处理领域中的医学图像分割技术11111 基于阈值的方法阈值分割法是将灰度图像变为二值图像以达到分割目的的方法,它是一种PR(并行区域)法。
阈值法的过程是决定一个灰度值,用以区分不同的类,这个灰度值就叫做“阈值”。
把灰度值大于阈值的所有像素归为一类,小于阈值的所有像素归为另一类。
阈值法是一种简单但是非常有效的方法,特别是不同物体或结构之间有很大的强度对比时,能够得到很好的效果。
此分割法通常是交互式的。
因为阈值法能够实现实时操作,所以它更能够建立在用户视觉估计的基础上。
阈值法一般可以作为一系列图像处理过程的第一步。
其主要局限是,最简单形式的阈值法只能产生二值图像来区分两个不同的类。
另外,它只考虑像素本身的值[2],一般都不考虑图像的空间特性,这样就对噪声很敏感。
针对它的不足,有许多经典阈值法的更新算法被提了出来[3,4]。
图像分割方法概述
(1) 灰度阈值分割法
是一种最常用的并行区域技术， 它是图像分割中应用数量最多的一类。 阈值分割方法实 [6] 际上是输入图像f到输出图像g的如下变换 ： g i, j = 1 ������(������, ������) ≥ ������ 0 ������(������, ������) < ������
（2）区域分裂合并 区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标提取。分裂 合并差不多是区域生长的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前 景区域合并，实现目标提取。分裂合并的假设是对于一幅图像，前景区域由一些相互连通的 像素组成的， 因此， 如果把一幅图像分裂到像素级， 那么就可以判定该像素是否为前景像素。 当所有像素点或者子区域完成判断以后， 把前景区域或者像素合并就可得到前景目标。 在这 类方法中， 最常用的方法是四叉树分解法。 设R代表整个正方形图像区域， P代表逻辑谓词。 基本分裂合并算法步骤如下： ① 对任一个区域，如果H(Ri)=FALSE就将其分裂成不重叠的四等份； ② 对相邻的两个区域Ri和Rj，它们也可以大小不同（即不在同一层），如果条件H(Ri∪ Rj)=TRUE满足，就将它们合并起来。 ③ 如果进一步的分裂或合并都不可能，则结束。 分裂合并法的关键是分裂合并准则的设计。这种方法对复杂图像的分割效果较好，但算 法较复杂，计算量大，分裂还可能破坏区域的边界。 基于形变模型的方法 基于形变模型的方法是目前应用较多的分割方法。 从物理学角度， 可将形变模型看成是 一个在施加外力和内部约束条件下自然反应的弹性物体。 在血液图像分割中， 主要应用活动 轮廓模型，又称 Snake 模型，是轮廓曲线在外能和内能的作用下向物体边缘靠近，外力推动 轮廓运动，而内力保持轮廓的光滑性。[7]
细胞图像分割与分析技术在生物医学中的应用
细胞图像分割与分析技术在生物医学中的应用细胞图像分割与分析技术是利用计算机视觉和图像处理技术对生物医学图像中的细胞进行自动或半自动的分割和定量分析的一种方法。
这一技术在生物医学领域具有广阔的应用前景，可以为疾病的诊断、药物研发以及基础生物学研究提供精准、高效的非侵入性方法。
一、细胞图像分割技术的意义和方法细胞图像分割是指将生物医学图像中的细胞区域从图像背景中准确地分离出来。
传统的细胞图像分割方法主要基于基于阈值和边缘检测等简单的图像处理技术，但在复杂的细胞图像情况下的分割效果往往不佳。
随着深度学习的快速发展，基于卷积神经网络 (Convolutional Neural Networks, CNN) 的细胞图像分割方法取得了重大突破。
通过训练具有大量标记的细胞图像数据，CNN可以自动学习到细胞的特征，并实现准确的细胞分割。
二、细胞图像分割在疾病诊断中的应用细胞图像分割与分析技术在疾病诊断中具有重要的应用价值。
举例来说，癌症的早期诊断对于提高治愈率至关重要。
利用细胞图像分割技术，医生可以准确地检测和分析患者体内的肿瘤细胞情况，判断其是否属于恶性肿瘤，并确定病变的发展程度和大小。
此外，细胞图像分割与分析技术还可以应用于血液病的诊断，通过对血液中细胞的形态学特征进行分析，可以帮助医生判断是否存在异常细胞，并提前发现潜在的疾病风险。
三、细胞图像分割在药物研发中的应用细胞图像分割与分析技术对于药物研发过程也具有重要的帮助作用。
在药物筛选和毒理学评价中，通过对细胞的图像分割和定量分析，可以快速、准确地评估药物的毒性和药效。
这种非侵入性的方法不仅能够节省时间和资源，还能够提供更为客观的结果，为药物研发过程提供科学依据。
此外，细胞图像分割与分析技术还可以帮助研究人员观察药物对细胞表达、增殖和凋亡等生理过程的影响，为药物的研发提供重要参考。
四、细胞图像分析在基础生物学研究中的应用细胞图像分割与分析技术的发展也为基础生物学研究提供了新的坚实基础。
显微图像处理中的细胞核分割技术综述
显微图像处理中的细胞核分割技术综述概述显微图像处理是生物医学领域的重要研究方向之一，它广泛应用于细胞生物学、病理学和药理学等领域。
其中，细胞核分割技术是显微图像处理中的关键任务之一。
细胞核（cell nucleus）是细胞的重要结构，包含了遗传信息并参与许多生物学过程。
细胞核分割的准确性和效率对于细胞形态学分析、细胞计数、疾病诊断和药物发现等方面具有重要意义。
本文将综述当前显微图像处理中的细胞核分割技术，包括传统方法和现代方法，并讨论其特点和应用。
1. 传统方法传统方法主要依赖于图像处理基础知识和特征提取算法，包括阈值分割、边缘检测、区域生长和形态学操作等。
阈值分割是最简单且常用的方法之一，通过选择合适的像素灰度值作为阈值，将图像转化为二值图像，然后应用形态学操作来去除噪声并分离细胞核。
然而，阈值分割方法的准确性受到图像的光照条件和噪声的干扰，对于复杂的细胞核形态和纹理难以满足要求。
2. 现代方法近年来，随着深度学习的迅速发展，现代方法在细胞核分割任务中取得了显著的进展。
深度学习是一种基于人工神经网络的机器学习方法，具有较强的特征学习和分类能力。
常用的深度学习模型包括卷积神经网络（Convolutional Neural Networks, CNN）和U-Net。
CNN模型通过卷积和池化操作提取图像的特征，然后通过全连接层进行分类。
U-Net模型是一种全卷积网络，其结构类似于编码器-解码器，通过跳跃连接（skip connection）将高级特征与低级特征相关联，能够保留更多的空间信息。
这些现代方法在细胞核分割任务中取得了较好的效果，并且具有良好的泛化性能。
3. 特点和应用细胞核分割技术具有以下特点和应用：（1）自动化：细胞核分割技术可以实现自动化，减少人工操作和时间成本，提高分析效率。
（2）准确性：现代方法基于深度学习模型，能够学习复杂的细胞核形态和纹理特征，提高分割的准确性。
（3）实时性：一些优化方法和硬件加速技术使得细胞核分割可以在实时应用中实现，如细胞动态观察和活细胞药物筛选等。
生物医学图像处理技术的研究与应用
生物医学图像处理技术的研究与应用近年来，生物医学图像处理技术在医学领域中的应用越来越广泛。
这些技术已经成为了完美的工具，为医生提供了一个更直观，更可靠，更有效的手段，以便于进行疾病的诊断和治疗。
生物医学图像处理技术与实际临床应用之间的交流和适应问题越来越受到人们的关注。
这篇文章主要介绍了生物医学图像处理技术的研究和应用，并探讨了这些技术的未来发展潜力。
一、生物医学图像处理技术的研究生物医学图像处理技术包括了如下几个方面：图像采集、图像重建、图像分割、特征提取与处理等。
1. 图像采集图像采集是生物医学图像处理技术的开端。
目前，常规的图像采集设备主要包括计算机断层扫描（CT）、磁共振成像（MRI）、超声成像（US）、放射性核素成像（SPECT）和正电子发射断层扫描（PET）。
这些设备可以采集人体的各种器官和组织的结构和功能信息，如CT可以采集人体骨骼、肌肉和内脏器官等组织结构信息，MRI可以采集人体脑部、脊髓和大血管等组织结构和功能信息。
2. 图像重建图像重建是将采集的生物医学图像数据转化为可视化图片的过程。
常见的图像重建算法包括透视投影算法、反投影算法、傅里叶变换算法、小波变换算法等。
图像重建技术不仅能使医生更加直观地分析生物医学图像，而且还能帮助医生更准确地判断病情和规划治疗方案。
3. 图像分割图像分割是指对采集的生物医学图像进行处理，把相同或者不同部位的像素区分开来的过程。
在生物医学图像处理技术中，准确的图像分割非常重要，可以为后续特征提取和诊断提供关键性的信息。
目前，常见的生物医学图像分割技术包括了基于阈值的分割、基于区域增长算法的分割、基于边缘检测的分割、基于形态学的分割等。
4. 特征提取与处理特征提取与处理是对生物医学图像分析的重要环节，主要是通过分析图像的特征信息，提取出生物医学图像的特有的特征，如纹理、形状和灰度特征，以便于更快、更准确地识别和分析生物医学图像。
在特征提取与处理的过程中，选取适当的特征参数和合适的处理方法不仅能大大提高生物医学图像的分析效率，而且还能得到更准确的诊断结论。
细胞图像处理与分析方法
细胞图像处理与分析方法是生物学研究中的一个重要领域。
随着科技的不断进步，生物学研究已经从过去的看得见、摸得着逐渐转为看不见、摸不着。
而细胞图像处理与分析技术则成为了揭开该领域神秘面纱的重要突破口。
现代的发展，源于计算机图像处理技术在这个领域的应用。
通过计算机对细胞图像进行处理和分析，可以将大量信息获取、处理和比对。
这些信息可以被应用于生物学研究，例如细胞的形态特征、功能和分子成分等特征。
这些特征在医学、药物研究、免疫研究等领域的应用也十分广泛。
在近年来，细胞图像处理技术取得了突飞猛进的发展，其中的原因有很多。
例如相机技术的进步，使图像的质量越来越好。
此外，也有大量的自动化、无人参与技术的诞生。
对于生物学研究而言，细胞图像处理技术的进展则是一剂强心针，因为这类技术的进展可能意味着研究带有大规模、复杂的细胞图像信息领域取得更大的成功。
这些工具可以大大缩短研究时间、减少人力消耗，既可提高研究的效率和质量，也可促进多学科交流合作、推动生物学、医学等领域的快速发展。
在细胞图像处理与分析领域中，往往需要各种算法、分析工具等，以确保精确性和效率。
这些方法不仅需要基本的数学知识，还需要深入理解这些科学领域的特定问题并考虑如何解决这些问题。
因此，需要计算机科学家、电气工程师、生物学家等多学科领域的联合合作，共同解决细胞图像处理与分析的问题。
在细胞图像处理与分析领域中，一些关键技术包括图像分割、细胞跟踪、特征提取、分类、聚类和建模等。
下面，我们将介绍一些经典的。
图像分割在细胞图像处理研究中是一个非常重要的步骤。
这是将图像分离为单独的细胞以进行观察和分析的过程。
通常有两种分割技术：前景背景分离和基于形态学的分割。
前景背景分离是将图像分为物体区域和背景区域，并将其分离出来。
基于形态学的分割则是利用形态学变换原理来抓取目标物体的主要形态特征并分离出来。
细胞跟踪是一个关键的研究领域，其主要目的是追踪膜分离、细胞内部结构分离等细胞运动。
生物医学工程中的图像处理技术方法总结
生物医学工程中的图像处理技术方法总结生物医学工程是一门综合学科，通过应用工程技术和生物医学的原理，致力于发展用于诊断、监测和治疗的医疗设备和技术。
其中，图像处理技术在生物医学工程中扮演着重要的角色。
本文将对生物医学工程中常用的图像处理技术方法进行总结。
1. 图像预处理图像预处理是指在进行后续处理之前，对原始图像进行降噪、增强和几何校正等操作。
其中，降噪是常用的预处理步骤，包括中值滤波、高斯滤波和小波去噪等方法。
增强可以通过直方图均衡化、对比度增强和锐化等技术来改善图像的质量。
几何校正主要涉及到图像的旋转、缩放和校正等操作，用于纠正图像中的畸变。
2. 图像分割图像分割是将图像划分为具有相似特征的区域的过程。
在生物医学工程中，图像分割常用于提取感兴趣的区域，如病灶、组织器官等。
传统的图像分割方法包括阈值分割、边缘检测和区域生长等。
近年来，基于机器学习和深度学习的图像分割方法也得到了广泛应用，如基于像素级分类的卷积神经网络（CNN）和全卷积网络（FCN）等。
3. 特征提取特征提取是从图像中提取与目标有关的信息的过程。
在生物医学工程中，特征提取可用于识别病理特征、分析组织结构等。
传统的特征提取方法包括形态学处理、纹理特征提取和形状描述等。
近年来，基于深度学习的特征提取方法也取得了重大突破，如卷积神经网络的卷积层提取图像特征，并通过全连接层进行分类或回归。
4. 图像配准图像配准是将多幅图像根据一个参考图像进行对齐的过程。
在生物医学工程中，图像配准可用于融合多模态图像、纠正运动伪影等。
常用的图像配准方法包括基于特征的配准、基于相似度度量的配准和基于变换模型的配准等。
其中，基于特征的配准方法利用特征点或特征描述子进行匹配和对齐；基于相似度度量的配准方法通过最小化图像间的差异度量来实现对齐；基于变换模型的配准方法通过拟合变换模型实现对齐。
5. 目标检测与识别目标检测与识别是在图像中寻找和识别特定目标的过程。
在生物医学工程中，目标检测与识别广泛应用于医学影像分析、肿瘤检测、细胞分析等领域。
生物学研究中的细胞图像分析技术
生物学研究中的细胞图像分析技术随着科技的不断发展，生物学研究领域中出现了越来越多的图像分析技术。
细胞图像分析技术便是其中之一，它研究的对象是生物细胞，可以通过图像分析技术对细胞结构、形态、功能等进行定量分析，从而深入研究生物现象。
一. 细胞图像处理技术细胞图像处理技术是细胞图像分析技术的重要组成部分，其主要功能是对细胞图像进行清晰化、分割、分析等操作。
图像处理的第一步是对细胞图像进行灰度化或颜色标定，将图像数字化并导入到计算机系统中。
然后通过滤波、边缘检测、形态学处理等方法对图像进行清晰化和分割。
最后，对分割后的细胞图像进行特征提取和分析，研究其形态、大小、密度等参数，了解细胞的生长发育和变异规律。
二. 细胞图像分析技术在细胞病理学中的应用细胞图像分析技术可以应用于细胞病理学中的细胞样本分析、肿瘤标记物检测、细胞核分析等。
在细胞样本分析中，可以通过图像处理技术对样本中的不同类型细胞进行分离识别，了解其分布、数量等信息。
在肿瘤标记物检测中，可以根据细胞核与细胞周边区域的对比度等特征，进行精准的细胞核图像分割和特征提取，从而达到肿瘤标记物检测的目的。
在细胞核分析中，对细胞核的形态、大小、颜色、纹理等特征进行分析可以有效地帮助判断疾病及其程度。
因此，细胞图像分析技术在细胞病理学中的应用为疾病的早期诊断和治疗提供了可靠的技术手段。
三. 细胞图像分析技术在细胞生物学中的应用细胞图像分析技术还可以应用于细胞生物学中，特别是在微观细胞研究方面。
通过图像分析技术，可以对细胞内蛋白质、RNA、DNA等物质进行精细的定量研究，进一步了解其分布、运动、交互等特征。
在细胞动力学方面，可以通过对细胞形态和运动轨迹的分析，研究细胞的生长发育和代谢过程。
在细胞分子生物学方面，可以通过对细胞核、染色体、内质网等亚细胞结构的形态学和功能特征的研究，揭示生命活动的本质规律。
总之，细胞图像分析技术在生物学研究中发挥了重要的作用，为研究生物现象提供了新的思路和手段。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
生物医学工程学杂志J B i om ed Eng 2002;19(3)∶487～492 生物细胞图像分割技术的进展3马义德1,2 戴若兰1,△ 李 廉2 吴承虎21(兰州大学干旱生态国家重点实验室,兰州 730000)2(兰州大学信息科学与工程学院,兰州 730000) 摘要 阐述了小波变换、遗传算法、模糊数学、神经网络、数学形态学等生物细胞图像分割算法以及边缘检测、区域分割等传统图像分割算法为主的生物细胞图像分割技术的发展现状,指明了生物细胞图像本身具有的复杂性、多样性、各自差异性等属性是实现生物细胞图像全自动分割的难点,只有彻底结合生物视觉特性数学模型算法的研究和应用,才能使生物细胞图像全自动分割成为可能。
关键词 生物细胞 图像分割 小波变换 模糊数学 神经网络The Sta te and D evelopm en t of Cell I mage Segm en ta tion TechnologyM a Y ide1,2 Da i Rolan1,△ L iL i an2 W u Chenghu21(T he S tate K ey L aboratory of A rid A g roecology,L anz hou U niversity,L anz hou 730000)2(T he S chool of Inf or m ation S cience&E ng ineering of L anz hou U niversity,L anz hou 730000) Abstract T h is paper describes the state and the developm en t of the app licati on of the modern and traditi onali m age segm en tati on techno logy in cell slice i m age segm en tati on.It includes edge detecti on、regi onal segm en tati on、w avelet tran sfo rm、fuzzy m athem atics、artificial neu ral netw o rk s、mo rpho logical i m age segm en tati on and so on.A t last,the paper summ aries that it is difficu lt to generally segm en tate any k ind of b i o logical cell slice i m age au tom ati2 cally becau se of the comp lex structu re of cell and cell slice i m age is no t even gray distribu ted.It shou ld be po in ted ou t that general au tom atic cell slice i m age segm en tati on w ill be ach ieved on ly if visual m athem atics model co rre2 sponding to m amm alian visi on system s is setup en tirely.Key word B i o logical cell I m age segm en tati on W avelet tran sfo rm Fuzzy m athem atics A rtificial neu ral netw o rk s1 引 言在生物细胞结构和形态变化的研究中,最重要、最困难的是生物细胞图像中细胞形态的识别和分割,急切需要对细胞内各细胞器结构变化、大分子分布变化进行量化分析与处理。
另外生物细胞之间信号传输机制、能量交换、信息处理原理的探讨和病理学各种疾病发展的诊断研究中,同样需要这种量化分析,其主要手段之一就是生物细胞图像的分割,这是生物研究逐步由定性描述走向定量研究的主要手段。
3国家自然科学基金资助项目(39770375);甘肃省自然科学基金资助项目(ZS0012A2520082Z)△联系人。
E2m ail:dai RL@ 一般图像分割就是从复杂图像场景中分离出感兴趣目标物的方法,是生物切片图像中细胞信息提取、分析与定量研究的关键,也是进行细胞三维形态结构重建研究的关键。
一个好的分割方法应该是:能进行细胞或其内部细胞器的容积计量分析;能进行形态分析(如能标记或确定形态随时间变化;能计算形态变化量);而且还具有分割算法直观,可视化程度高,利于判断和确定细胞组织结构变化等特点。
生物细胞图像自动分割问题的解决对疾病诊断、细胞信息定量分析、细胞内信息的传递、细胞变异研究、细胞显微、超显微结构的三维重构实现具有不可低估的影响,只是当前还不能完全实现全自动图像分割,所以,在生物医学图像处理中,细胞图像的分割算法研究仍然是国内外研究的热点课题。
2 生物细胞图像分割技术的现状生物细胞图像分割技术一般利用生物细胞图像特有的统计特性、图像中细胞及细胞器的轮廓、边缘和纹理等视觉特性进行分割,传统的分割方法有: 2.1 传统细胞图像分割方法2.1.1 基于灰度特征的阈值分割法 此类方法主要根据细胞图像灰度分布直方图,通过设置阈值把像素点按灰度级分为内部点集和外部点集,实现细胞图像分割。
常见的主要有以下几种:(1)全局单阈值法 此法把整个细胞图像的灰度密度函数看作为两个单峰密度函数(目标、背景)的总和,根据使总错误率降到最小来确定阈值。
(2)双阈值法 通过设置两个阈值,以防单阈值设置阈值过高,误把目标像素归为背景像素,或反之阀值设置过低,则误把背景像素归为目标像素。
(3)自适应阈值法 此法通过对细胞图像分块,对每一块选局部阈值进行分割,对既有背景又有目标的块直接设置阈值进行分割;对只有目标或只有背景的块,根据邻域各块定出的局部阈值,通过内插求出阈值,对此块进行分割。
一般基于灰度的阀值分割方法都比较简单、计算量小,算法上容易实现,对目标和背景对比度反差较大图像这种分割很有效,而且总能用封闭、连通的边界定义不交叠的区域。
但阈值确定主要依赖于灰度直方图,而很少考虑图像中像素的空间位置关系,因此当背景复杂,特别在同一背景上重叠出现若干个研究目标时,容易丧失部分边界信息,造成分割的不完整。
2.1.2 基于边界提取的分割技术 这种方法的基本思想是边界一般由细胞图像中像素灰度的反差或不连续产生,于是利用边界的梯度变化性质直接提取边界。
常见的主要有:(1)边界跟踪法 它从原始细胞图像的梯度幅值图像着手处理,用轮廓跟踪算法提取边界。
(2)K irch算法 利用对梯度图像适当的阈值进行二值化,使得目标和背景像素点低于阈值,而大多数边缘点高于阀值,同时为了提高性能,在该类算法中引入了分水岭算法以进行准确分割。
这一类方法的缺点是对噪声比较敏感,而且易受伪轮廓或边界空白的干扰,不能保证得到闭合连通的边界。
2.1.3 基于边缘检测和边缘连接的分割技术 这类算法认为图像中细胞边界由灰度的不连续性引起,边缘像素点为分割图像灰度的突变点,其思路是先通过邻域像素之间的运算求取边缘点,再把他们连接起来得到一条闭合的连通边界。
在这类边缘检测算法中常见的有:(1)梯度算子边缘检测算法 常见的有Roberts算子、Sobel算子、L ap lace差分算子、P re2 w itt算子、M arr算法(Guass2L ap lase算子)等。
这里Roberts算子有利于对具有陡峭边缘的低噪声图像的分割;L ap lace差分算子具有各向同性的特点,它与P rew itt算子、Sobel算子等有利于对具有较多噪声且灰度渐变图像的分割;而M arr算法对有较多噪声的图像具有平滑作用,且其边缘检测效果优于以上几种算子,但M arr算法在平滑的同时导致图像对比度下降;而Roberts算子、L ap lace差分算子在实施过程中大大增强了噪声,恶化了信噪比;其他几种算子涉及方向性,且各向异性;总之,对于灰度变化复杂和细节较丰富图像,以上算法均很难完全检测出边缘,而且一旦有噪声干扰时,上述算子直接处理效果更不理想。
(2)拟合算子(即参数模型匹配算法) 用边缘的参数模型对图像的局部灰度值进行拟合,再在拟合的参数模型上进行边缘检测。
此类算子在检测边缘的同时,还平滑了噪声,对有较大噪声和高纹理细胞图像处理效果较好,但由于参数模型记录着更多的边缘结构信息,计算开销很大,算法复杂,而且对边缘类型要求较高。
2.1.4 基于区域的分割方法 这种算法是近年来人工智能领域特别是计算机视觉研究中十分关注的图像分割算法,常见的有区域增长分割方法和区域分裂、聚合分割算法,该算法对有复杂物体定义的复杂场景的分割或者对自然景物的分割等类似先验知识不足的图像分割,效果均较理想,W u H S等[15]提出利用肺部癌细胞图像的均值、标准偏差构成的矢量作为细胞分割的特征,提出的区域增长分割算法分割肺部癌细胞纹理图像,取得较好结果。
基于区域生长的分割方法抗噪性能优于边缘分割和直方图分割,另外相比其它算法其计算开销较大,而且在计算过程中引入的预定误差e值选取不当时,还会引入误判,易受分析目标内部组织之间的重叠干扰影响。
因此,基于区域生长的分割方法一般适合于边缘光滑、无重叠的细胞图像的分割。
884 生物医学工程学杂志 第19卷2.2 研究中细胞图像分割新算法近些年来,数学各分支在理论和应用上的逐步深入,使得小波变换、分形理论、数学形态学、模糊数学、遗传学算法等在图像分割技术应用中取得很大进展,产生了不少新的分割算法。
主要有:2.2.1 基于小波变换的分割算法 对原始细胞图像进行多分辨率小波变换,一般用二进制小波变换在低频段采用长时间窗,在高频段采用短时间窗,将原始信号分解为一系列具有不同空间分辨率、不同频率特性和方向特性的子带信号,这些子带信号具有良好的时域、频域等局部特征,这些特征可用来表示原始信号的局部特征,用以克服傅里叶分析在处理非平稳复杂图像时所存在的局限性。
进而在不同的分辨率层次上对图像进行分割。
在低分辨率上分解的变化结果会反映原图中一些较明显和较大尺寸的结构特征,因而在低分辨率上对图像进行粗分割,由于计算量小,适于寻找目标的大致轮廓;而在高分辨率上分解的变化结果反映原图的较细致细节特征,因而在高分辨率上对图像上进行细分割,且粗分割的结果对精细分割具有一定的指导作用,故可大大减少计算量和提高目标的定位精度。