一种分割重叠粘连细胞图像的改进算法

个阶段，序贯处理胞浆和核区重叠，逐渐剥离重叠细胞。每个阶段均通过自适应距离变换分离重叠细胞，用单个利
细胞形态特征控制腐蚀程度使得种子区域最大化，后通过流域变换重建得到细胞问边界。算法能够克服细胞多然
Ａｕｕｔ２０ｇｓ０６
一
种分割重叠粘连细胞图像的改进算法
潘晨闫相国郑崇勋
（西安交通大学生物医学信３程教育部重点实验室，ｇ－西安了专门分割重叠粘连细胞的图像，出一种基于局部流域变换的迭代剥离算法。具体分割过程分为两为提
ＰｅＹＡＮＸｉｎ－ｏＺＡＮＣｈｎａｇＧｕＨＥＮＧｈｎ－ｎＣｏｇＸｕ
（ｅａｏａｒｉｅｉｌｎｒ￣ｉｎｉｅｉｄｃｉＫｙＬｂｒｔｙｏｏｄａｌｏｍｏＥｇｎｒｇｏｕａｏｏｆＢｍｃｆｎｅｎｆＥｔｎＭｉｉｒ，Ｘ ’ｎＪｏｏｇＵｉｒｔ，Ｘ ’ ｎｔｓｙｉａｉｔｎｎｅｉａｖｓｙｉｒ饥，７０４）１０９
维普资讯
２卷４期５
２００６年８月
中国生物医学工程学报ＣｉｓＪｕｎｌｆＢｍｄａｎｉｅｎｈｎｅｏｒａｉｅｉｌｇｅｒｇｅｏｏｃＥｎｉ
Ｖｏ．５１２
Ｎｏ．４
ＡｂｔａｔＩｏｅｔｓｐｒｔｔｅｍａｅｏｌｓｅｅｃｌ，ａｌｍｐｏｅａｇｒｔｍｂｓｄｏｌｃｌａｅｓｅｓｒｃ：ｎＭｒｏｅａａｅｈｉｇｓｆｃｕｔｒｄｅｌｓｌｉｒｖｄｌｏｈｉａｅ－ｎｏａｗｔｒｈｄｔｎｆｒｗｓｐｅｅｔｄｉｈｓｗｒｒｓｍａｒｓｎｅｎｔｉｏｋ．Ｉｉｃｎｔｕｔｄｗｔｗｏｓｍｉｒｓａｅ．Ｔｅｆｔｏｅｓｐｒｔｄｔｅｃｌｈｔａｏｔｓｏｓｒｃｅｉｈｔｉｌｔｇｓａｈｒｎｅａａｅｈｅｌｔａｉｓｓｗｒｖｒｐｉｇｎｃｔｐａｍ，ｔｅｓｃｎｎｓｐｒｔｄｈｒｓｅｌｔａｗｒｏｅｌｐｉｇｉｎｃｅｓＴｅｅｅｏｅｌｐｎｉｙｏｌｓａｈｅｏｄｏｅｅａａｅｔｅｅｔｌｈｔｅｅｖｒｐｎｎｕｌｕ．ｈｃｓａ
核、胞浆颗粒性等干扰，适合自动化处理。骨髓和外周血涂片的分割试验表明分割精度约是传统流域算法的２，倍
而运算时间并没有增加很多。关键词：像处理；域变换；重叠细胞图流
ＡｎＩｐｏｅｅｍｅｔｔｏｇｒｔｍｏｕｔｒｄＣｅｌｍｒｖｄＳｇｎａｉｎＡｌｏｉｈｆｒＣｌｓｅｅｌｓ
ｓｑｅｔｌｐｃｓｉｇｒｄｃｄｔｅｄｆｃｌｆｓｐｒｔｎ．Ｉａｈｓｇ，ａｄｐｉｅｄｓａｃｒｎｆｒａｉｎ，ｗｈｃｅｕｎｉｒｅｓｎｅｕｅｈｉｕｔｏｅａａｉａｏｉｆｙｏｎｅｃｔｅｎａａｔｉｔｎｅｔａｓｏａｖｍｔｏｉｈ
ｗｓｃｎｒｌｄｂｈｒｅａｏｒｈｌｇｃｌｆａｕｅｆｓｎｌｅｌａｓｄｔｉｉｅｃｕｔｒｄｃｌ．Ｓｈｅｄａｏｔｌｙｔｅｃｔｒｆｍｏｐｏｏｉａｅｔｒｓｏｉｇｅｃｌ，ｗｓｕｅｏｄｖｄｌｓｅｅｅｌｏｅｉｉｓｏｔｅｓｅｅｉｎｒｐｒｄｆｒｔｅｗａｅｅｒｓｍｗｒｌｓｘｍｕｒｇｏｓｐｅａｅｏｈｔｒｈｄｔｎｆｒｅｅａｍｏｔｍａｉｍ．Ｆｎｌｈｏｄｒｎｅｗｅｎｄｖｄｄｃｌｓｓａｏｉａｌｔｅｂｒｅｌｅｂｔｅｉｉｅｅｌｗａｙｉｓｂｉｙｗａｅｈｄｔｎｆｒ．Ｔｅｎｗｍｅｈｄｃｕｄｃｐｔｌ－ｕｌａｅｌａｄｇａｕａｉｙｏｈｙｏｌｓ．ｕｌｂｔｒｅｒｓｏｔｓａｍｈｅｔｏｏｌｏｅｗｈｍｕｔｎｃｅｒｃｌｎｒｎｌｒｔｆｔｅｃｔｐａｍｉｉｈｘｅＴｅｅｐｒｍｅｔｌｒｓｌｎｂｏｄａｄｂｎｒｗｓａｅｎｔａｅｈｅｍｅｔｔｎａｃｒｃｂａｎｄｂｈｉｎａｅｕｔｉｌｏｎｏｅｍａｒｍｅｒｄｍｏｓｒｔｄｔｅｓｇｎａｉｃｕｙｏｔｉｅｙｔｅｓｏｓｏａｉｒｖｄａｇｒｔｍｓｔｃｓｈｇｓｔｅｔｄｔｎｌｗｔｒｈｄｔａｓｒ，ａｄｔｍｅｃｓｄｄｎｔｉｃｅｓｃｍｐｏｅｌｏｈｗａｗｅａｉｈａｈｒｉｏａａｅｅｒｎｆｍｉｉａｉｓｏｎｉｏｔｉｏｎｒａｅｍｕｈ．

合集下载

基于改进的聚类算法的图像分割技术研究

基于改进的聚类算法的图像分割技术研究摘要：图像分割是图像处理中的重要任务之一，它对于图像的理解和分析具有重要意义。

本文研究了基于改进的聚类算法的图像分割技术。

首先介绍了图像分割的定义和意义，然后详细介绍了常见的聚类算法及其在图像分割中的应用。

基于此，我们提出了基于改进的聚类算法的图像分割方法，并在多个图像数据集上进行了实验验证。

结果表明，我们的方法在准确性和效率上都取得了显著提升，具有实际应用价值。

1. 引言图像分割是将图像划分为具有一定语义的区域或像素集合，是图像处理和计算机视觉中的关键任务。

图像分割可以用于目标检测、图像分析和理解等领域。

传统的图像分割方法主要基于阈值分割和边缘检测，这些方法在一些简单场景下效果较好，但在复杂场景下存在一定的局限性。

近年来，聚类算法被引入到图像分割中，并取得了一定的研究进展。

2. 聚类算法的介绍聚类是一种无监督学习方法，将数据集划分为若干个相似的子集，每个子集称为一个簇。

常见的聚类算法包括K均值算法、层次聚类算法和谱聚类算法等。

这些算法在文本和数据挖掘等领域已经得到广泛应用，并且逐渐在图像领域中引起了研究者的兴趣。

3. 聚类算法在图像分割中的应用聚类算法在图像分割中的应用可以分为基于像素和基于区域的方法。

基于像素的方法将每个像素视为一个数据点，然后使用聚类算法将像素划分到不同的簇中。

基于区域的方法首先将图像划分为相似的区域，然后使用聚类算法进一步合并或分割这些区域。

这些方法都在不同程度上提高了图像分割的准确性和效率。

4. 基于改进的聚类算法的图像分割方法为了提高图像分割的准确性和效率，我们提出了一种基于改进的聚类算法的图像分割方法。

首先，我们使用K均值算法初始化聚类中心，并与传统的K均值算法相比，我们通过引入自适应权重和距离约束来提高其准确性。

然后，我们采用一种改进的层次聚类算法，通过考虑区域的相似性和距离约束来减少误差传播。

最后，我们使用谱聚类算法来进一步优化分割结果，以提高图像的连续性和整体性。

一种粘连颗粒图像的快速分割方法

Fra bibliotek维普资讯
Ｎｏ４．
微
处
理
机
第４期
２００６年８月
Ａｕ．，０６ｇ２０
ＭＩＣＲ０ＰＲ０ＣＳＥＳ０ＲＳ
一
种粘连颗粒图像的快速分割方法
阴法明
（南京信息职业技术学院，南京２０４）１０６
ＡＦｓＭｅｈｄｆｒｅｍｅｔｇＴｕｈｎｊｃｓａｔｔｏｇｎｉｏｃｉＯｂｅｔｏＳｎｇ
ＹＩＦａ— ｍｉｇＮ — ｎ
（
ｎｏｅｅｏｏｍｎａｉｏａｉｅｈｏｏｙＮｎｉ１０６Ｃｉ）ｇＣｌｇＣｍｕｉｔｎｖｃｔｎＴｃｎｌ；ａｊｇ２０４，ｈｎｌｆｃｏｏｇｎａ
ＡｓａｔＡｆｓｍｔｏｅｍｅｔｖｒｐｅｂｅｔｉｐｅｅｔｉｐｐｒａｄｄｔｉｅ— ｂｔｃ：ｔｅｄｔｓｇｎｅｌｐｄｏｊｃｓｓｒｓｎｅｉｔｓａｅ．Ｃｎｉａｆｘｒａｈｏｏａｄｎｈｅｎｌ
能反向。
３分割点的提取
如图１所示，以顺时针方向沿着粘连颗粒的外
轮廓依次寻找三个点Ｐ、、令向量Ｐ＝Ｐ，０Ｐ，ＯＰ
＝
Ｏ２Ｐ。则Ｐ、、０Ｐ三点的夹角ＰＯＰ可由公式
２矢量点积和叉积
Ｋｅｒｓ：ｍａｅＳｇｎｔｔｏＩｆｅｉｎｙｗｏｄＩｇｅｍｅａｉｎ；ｎｘｏｌ
１引言

图像处理中的图像分割算法改进方法

图像处理中的图像分割算法改进方法图像分割是图像处理领域中的重要任务，它旨在将一幅图像划分为一组具有相似特征的区域。

对图像进行有效的分割可以提取出感兴趣的目标，并为后续的图像分析和理解提供基础。

然而，由于图像中存在复杂的噪声、背景干扰以及目标形状和大小的差异，图像分割任务一直面临着挑战。

为了进一步提高图像分割的性能，研究人员提出了许多改进方法。

本文将介绍几种常见的图像分割算法改进方法，并讨论它们的原理和优缺点。

一、区域生长算法区域生长算法是一种基于类似区域像素特征的图像分割方法。

该算法从一组种子点出发，逐步生长和合并具有相似特征的像素。

该方法的主要优点是对不同大小、形状和纹理的目标具有较好的适应性。

然而，传统的区域生长算法容易受到噪声和纹理差异的影响，导致分割结果不准确。

为了改进该方法，研究人员提出了以下几种改进方法：1.多特征融合：将像素的多个特征（如颜色、纹理、梯度等）融合起来进行区域生长。

通过融合不同特征，可以减轻单一特征带来的误差，提高分割的准确性。

2.自适应阈值选择：传统的区域生长算法中，阈值通常是手动设置的，无法适应不同图像的特点。

采用自适应的阈值选择方法，可以根据图像的特征动态地选择合适的阈值，从而提高分割的鲁棒性。

3.分层分割策略：将图像分割任务分为多个层次，通过逐层分割和合并来获取更精确的结果。

这种策略可以提高分割的效率和准确性，并适用于大规模图像的处理。

二、基于深度学习的图像分割算法随着深度学习的快速发展，基于深度学习的图像分割算法在近年来取得了巨大的成功。

深度学习模型能够学习到图像的高级特征表示，从而提高分割的准确性和鲁棒性。

以下是几种常见的基于深度学习的图像分割算法：1.卷积神经网络（CNN）：CNN是一种常用于图像分割的深度学习模型。

通过多层卷积和池化操作，CNN可以学习到图像的局部和全局特征，从而实现像素级别的分割。

然而，传统的CNN在处理细节和形状复杂的目标时存在一定的困难，因此研究人员提出了一些改进的网络结构。

基于改进距离标记的彩色细胞图像分割

对重叠细胞分割算法的研究成为了医学细胞图像分析与处理的重点和难点。
改进的ＯＳＴＵ来将其二值化。即首先分别根据Ｒ、Ｂ三个Ｇ、分量的直方图，出其各自的最大类间方差，求然后比较这三个
方差值，中最优的（即类间方差值最大的）取其也一个作为最终的阈值，并利用此阈值对彩色图像进行目标提取。实验结
果比单纯的分水岭算法有明显的改善。但倒角之模版对距离变换算法标记的距离与真实几何距离也有一定的误差（５模版对时，概为２左右）也正５× 大％，
单体细胞
最终分割结果
是因为这一点误差，响到了其后期分水岭算法的分割效果。影从本质上看，后期的分水岭分割算法需要的只是各个像素点
避免过分割：）１对于小面积区域（单体细胞区域）不进行分水
岭分割，对于可疑重叠区域才利用分水岭算法进行分割，这主
要基于面积因素；）略图像的灰度信息，２忽因为这是引起分水岭过分割的主要原因，利用像素点间的几何信息，即距离来替代像素点的灰度值，然后进行分水岭分割。
问题。其原理是：首先对目标区域进行倒角之模版对匹配，为
改进的距离标记分水岭分割分割出的单体细胞
１
原图中
目标区域的每个像素点标记一个距离值，其趋近于真实的让几何距离，完成此距离变换后，再根据此距离值进行分水岭算法分割。此算法在一定程度上避免了过分割问题，其分割效

分割问题中的粘连问题

分割问题中的粘连问题全文共四篇示例，供读者参考第一篇示例：分割问题是计算机视觉领域中的一个重要问题，其目的是将数字图像中的对象分割出来，让计算机能够识别和理解图像中的内容。

由于图像中的对象可能存在粘连的情况，这给分割问题带来了一定的挑战。

粘连问题是指图像中的两个或多个不同对象之间的界限不清晰，导致它们在图像中看起来像是粘在一起的情况。

这种情况常常发生在图像中的边缘处，因为边缘是不同对象之间的界限，而边缘可能因为遮挡、光照变化等因素而不明显，从而导致对象之间的粘连问题。

解决粘连问题的关键在于准确地识别出不同对象的边界，并找到合适的方法将它们分开。

一种常见的方法是利用分割算法中的边缘检测技术，通过检测图像中的边缘来确定对象之间的边界，然后根据边界进行分割。

另一种方法是利用区域生长算法，通过生长相似像素来分割出不同的区域，从而解决粘连问题。

除了算法技术外，还有一些预处理方法可以帮助解决粘连问题。

通过调整图像的对比度和亮度，可以使边缘更加清晰，从而减少对象之间的粘连情况。

可以利用形态学处理方法对图像进行形态学变换，进而改善图像的边缘特征，有助于分割出不同的对象。

在实际应用中，粘连问题是一个常见的挑战，特别是在医学图像分割、遥感图像分割等领域。

为了解决这个问题，研究人员不断提出新的算法和技术，不断改进现有的方法，以提高图像分割的准确性和鲁棒性。

粘连问题是分割问题中的一个重要问题，需要采用合适的算法和技术来解决。

通过不断研究和改进，我们相信可以更好地应对粘连问题，提高图像分割的效果，促进计算机视觉技术的发展。

【2000字】第二篇示例：在分割问题中，粘连问题是一个常见而又具有挑战性的难题。

在图像处理、文本识别、语音识别等领域，分割问题是一个重要的研究方向，而粘连问题则是在实际应用中经常遇到的困难。

本文将介绍粘连问题在分割领域中的应用和挑战，并探讨一些解决该问题的方法。

一、粘连问题的定义在图像分割中，粘连问题指的是当两个或多个不同的对象或区域在图像中紧密相连时，如何正确地将它们分割开来。

一种粘连血细胞图像分割新方法

2009，45（35）1引言随着计算机模式识别技术及人工智能研究的不断发展，计算机在医学图像处理中发挥了越来越重要的作用，它为准确、方便、定性、定量地识别不同类型的血细胞提供了新的手段，使得图像分析逐步成为细胞学定量分析研究的有力工具。

很多临床病症表现为白细胞数目增多、肿大或者白细胞中细胞核形状与数目发生变化，所以对白细胞数目和形状的研究有着重要意义。

但是由于染色条件、涂片制备、图像来源、采样光照条件的差异以及细胞间相互重叠、粘连情况的发生，使得对白细胞的计数和识别等后续分析变得困难。

为此，将粘连细胞分割成为单个细胞，就成为医学图像处理中必须解决的问题。

目前研究细胞粘连分割的方法较多，游迎荣，范影乐等[1]利用距离变换与分水岭方法相结合，把处理过的二值图像转化为依据一定规律变化的灰度图，再进行分水岭分割，分割速度快，但只适用于粘连不是很严重的情况。

马东，曹培杰等[2]采用数学形态学中的膨胀、腐蚀等对图像进行处理，先对图像进行腐蚀得到中心区域，再选择合适的结构元进行膨胀，从而得到分离结果，实现起来比较容易，但只考虑了灰度信息，未能利用空间分布信息、纹理信息等，存在误分割。

阳波，王卫星等[3]用细化算法提取细胞图像的骨架，并计算骨架各点的边界距离值，利用骨架边界距离函数波谷的特性将相互粘连的细胞分离，该算法提高了细胞分离的精度，并且具有速度快、抗干扰性强等特点，但对于距离函数的极小值点的精确求取比较复杂。

总的来说，每一种方法都有其优势和局限性。

通常，血细胞呈圆形出现，并且在粘连细胞的粘连处出现凹陷。

提出基于细胞的这种特征，利用相交圆的特性，查找细胞的凹陷点，也即分离点，对粘连细胞进行精确分离。

2求细胞圆心及半径2.1求距离图和图像边缘对于一幅原始的血细胞图像，通常包含白细胞、红细胞和背景这三部分，选用HIS模型中的S分量和RGB中的G分量以及区域生长方法得到白细胞，并对白细胞用面积判断是否为粘连，选取粘连白细胞进行处理。

细胞分割方法综述

胞本身的分布，在显微镜下可能有两个或多个细胞粘连在一起的现象，称之为细胞粘连（touch-ing）。粘连细胞的分割方法现在大多数以数学形态学理论为基础的，诸如腐蚀膨胀法，基于二值图像流域分割法和灰度图像的流域分割法等。基于二值图像的粘连细胞分割大都是按以下步骤进行的：首先是在细胞的目标区域内不断进行腐蚀，直至分离出独立的细胞对象核；在细胞的对象和基础上进行腐蚀前细胞的重建运算，并在此过程中找出粘连细胞的分界线。细胞粘连在分割过程中常常造成分割线的不连续，即得到的边界线不是封闭曲线，部分边缘有断裂。一般采用边缘连接的办法连接断裂部分。边缘连接算法实际上是根据特定边缘的特点而制定的一系列跟踪规则，规则不同可以得出不同的跟踪算法。
（二）细胞重叠在实际应用中，由于采集的细胞图像标本制作不太均匀，在细胞图像中经常会出现细胞聚堆、重叠的现象，在显微镜下呈现多个细胞聚堆在一起，形成一个较大的区域，这就是细胞重叠（overlap）。细胞重叠由于阈值分割法无法将其分离，往往会将重叠细胞剔除或是简单的将其当作单细胞进行处理，这样对后续的细胞计数以及相关特征参数的定量分析带来影响。目前针对这一问题，大多采用数学形态学的方法来分离细胞。孙忠林、李盛阳为消除因细胞粘连造成的细胞图像分析困难，利用数学形态学中开运算和流域分割的方法，根据细胞的形态特征进行分割处理，将粘连的细胞群分离为单个的细胞，给出了细胞分离的设计思想及实现，并通过实验证明可行。傅蓉等提出了一种重叠细胞图像自动分离的新算法。根据重叠细胞的凹凸性，从细胞重叠区域的凹区域中寻找到凹点，根据凹点数与细胞个数的关系，判断是细胞串联还是细胞并联：如果是串联的情况，则直接将成对的凹点连成直线分离重叠区域；如果是并联的情况，则将凹点与重叠区域的中心连接成直线分离重叠区域。算法简单，效果理想，而且能基本保持原细胞的大小与形状。（三）孔洞现象对灰度细胞图像进行阈值分割后，由于光照及细胞本身灰度分布不均匀，在二值化后的图像中，细胞内部往往会产生孔洞，对此常用的解决办法是使用膨胀和闭运算，对较小的孔洞，形态学操作非常有

基于横噪声消除的医学粘连图像边缘分割算法

ＡｄｈｅｓｉｏｎＩｍａｇｅＥｄｇｅＳｅｇｍｅｎｔａｔｉｏｎＡｌｇｏｒｉｔｈｍ
ＬｉｕＧｕｏｈｏｎｇ
（ＢａｉｃｈｅｎｇＭｅｄｉｃａｌＣｏｌｌｅｇｅＩｍａｇｉｎｇＣｅｎｔｅｒ，Ｂａｉｃｈｅｎｇ１３７０００，Ｃｈｉｎａ）
ｒａｔｎｓｖｅｒｓｅｓｔｉｒｐｅｎｏｉｓｅｒｅａｓｏｎｓ，ｂｙｔｈｅｕｓｅｏｆｃｏｍｂｉｎｅｄｗｉｈｔｗｏｌｄｔｅｘｔｕｒｅｍｏｄｅｌａｎｄｍｕｌｔｉ－ｓｃａｌｅｍａｒｋｏｖｒａｎｄｏｍｉｆｅｌｄｍｏｄｅｌ，ｕｓｉｎｇｔｈｅｃｅｒｔａｉｎｔｙａｎｄｕｎｃｅｔｒａｉｎｔｙｗｉｔｈｔｈｅａｉｒｐｏｔｒｗｉｔｈｈｅｔａｉｐｏｒｔｒｓｐｅｃｔｒａ］ｐｒｏｐｅｔｒｉｅｓｏｆｄｉｆｆｅｒｅｎｔｆｅａｔｕｒｅｓ，ｗｉｌｌｂｅ
ｉｎｔｅｒｆｅｒｅｎｃｅ，ｔｈｅｃｏｒｒｅｃｔｎｅｓｓｏｆｔｈｅｉｍａｇｅｉｎｆｏｒｍａｔｉｏｎｉｎｌｆｕｅｎｃｅ，ｔｈｅｄｉｖｉｓｉｏｎｗｉｌｌｅｘｉｓｔｂｏｕｎｄａｒｙｆｕｚｚｙａｎｄｓａｗｔｏｏｔｈｐｏｖｒｉ－ｓｉｏｎｓ．Ｉｎｏｒｄｅｒｔｏｉｍｐｏｖｒｅｈｅｔｅｆｅｃｔｏｆｍｅｄｉｃａｌｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ，ｔｈｉｓｐａｐｅｒｐｕｔｓｆｏｒｗａｒｄａｂａｓｅｄｏｎｈｅｔｔｒａｎｓｖｅｒｓ像中心，吉林白城１３７０００）

一种粘连颗粒图像中心点的识别方法

一种粘连颗粒图像中心点的识别方法叶明;吴迪飞【摘要】针对粘连颗粒检测中的中心点提取问题,提出了一种基于改进广义Hough变换的检测算法.该算法首先计算己知图形的覆盖圆环,然后将圆环模板遍历待测图像前景轮廓点进行覆盖区域累加,最后得到累加图的极大值.该算法产生的圆环具有旋转不变性,能够大大缩减检测时间.同时实验表明,这种圆环模板累加的算法能够得到更加准确的定位中心点,并且部分消除了伪中心.%Aiming at the problem of detecting the centers of touching particles images,a detecting method based on the improved Generalized Hough transform is proposed in this paper.The method firstly figures out the ring that overlaps the known particle's outline,then the overlapping area of the ring template is accumulated along the foreground contour of the image to be detected.Finally,the region maximum value of the accumulated matrix will be the centers of the particles.The ring template has rotation invariance so that the detection time will be shortened greatly.Meanwhile,the result shows that the method in this paper has time detection effect.【期刊名称】《计算机系统应用》【年(卷),期】2017(026)009【总页数】7页(P181-187)【关键词】粘连颗粒;广义Hough变换;前景标记【作者】叶明;吴迪飞【作者单位】南京航空航天大学机电学院,南京210016;南京航空航天大学机电学院,南京210016【正文语种】中文随着科技的发展,数字图像处理已经在医疗,农业生产自动检测,工业生产自动检测等领域得到广泛应用.在实际应用中常常遇到需要对粘连的颗粒进行分离操作的情况,如粘连细胞图像的自动分割,农作物图像的自动分离,粘连纤维图像的自动分割等. 粘连颗粒的分离通常采用的是凹点匹配算法[1-3]和分水岭算法[4-6].凹点匹配算法的主要研究问题为:(1)凹点和凹区域的求取;(2)凹点的匹配规则.然而求得的凹点和凹区域可能会受到轮廓噪音的影响,在凹点匹配规则中常常使用的凹区域向量[1,2],轮廓切线[3]等同样会受到轮廓噪音的影响.这使得凹点匹配算法受到很大的限制.因此较复杂的粘连颗粒分割通常采用的是分水岭算法.然而传统分水岭算法又会产生非常严重的过分割问题,因此有学者提出了区域标注器(也叫前景标记)来解决这个问题[6].该算法的优势在于采用前景标记对单个颗粒进行标记,然后再做分水岭变换,所以可以有效地消除原有分水岭算法结果中的过分割现象.但是其准确性主要依赖于标记提取的准确性.现在采用的前景标记提取算法主要是形态学重构算法[4]和极限腐蚀算法[5].然而这两种算法对于粘连颗粒的形状缺陷(如颗粒内部出现孔洞的情况)的鲁棒性均不理想.虽然一些文献[7,8]中对这两种算法提出修改方案,但依然无法很好地解决单个颗粒内部存在孔洞的问题.针对前景标记提取不准确的问题,本文尝试使用广义Hough变换来予以解决.广义Hough变换(Generalized Hough transform,GHT)是根据已知图形去寻找在待求图像中和已知图形相似的图形的常用算法[9].其主要思想是通过已知图形构造一种变换,称为GHT坐标变换.遍历待求图像前景轮廓点作GHT坐标变换,得到的坐标即是需要在累加空间进行累加的点的坐标.最后累加空间的极值点为目标的可能位置.其变换公式为:其中Φ为R表索值,一般为轮廓梯度角;为累加空间内的坐标;为轮廓点坐标;为轮廓点到参考点(一般选取轮廓质心作为参考点)的距离;为轮廓点到参考点的连线与x轴正方向的夹角.s为比例系数;τ为旋转角度.累加空间为GHT的优点有:(1)可以检测任意复杂的形状;(2)对于有一定遮挡和一定形变的图形具有较好的鲁棒性.因此,GHT对于单个颗粒内部的孔洞等形状缺陷的干扰应该具有比较好的抗干扰能力.但GHT算法的时间和空间复杂度都较高,并且若轮廓噪音比较大时,采用轮廓梯度方向作为索值并不准确.因此需要对其进行一定的改进.有许多对GHT进行改进的文献,包括对于精度的改进和对于速度的改进.对于精度的改进主要有使用其他索值代替梯度方向的方法[9-12]以及对大量样本进行训练来优化R表的方法[13,14].对于速度的改进主要有减少待检测点的数量的方法[15],使用旋转不变量作为索值使GHT算法获得旋转不变性的方法[16,17]和采用GPU并行处理的方法[18].文献[16]中使用相邻轮廓点梯度向量的夹角作为索值,使GHT具有旋转不变性,累加空间从四维变成三维,从而大大缩减了运行时间.但由于使用了轮廓点的梯度方向,因此容易受到轮廓噪音的干扰.针对GHT及其改进算法存在的问题,本文对GHT做了一些改进.包括:(1)采用累加模板对每个轮廓点进行覆盖累加,回避了轮廓梯度的计算,从而减弱了轮廓噪音的影响;(2)累加模板为圆环,从而使其具有旋转不变性,减少了运行时间.由于GHT算法只能搜索相似的图形,加上本文算法的一些限制,因此研究的粘连颗粒对象具有如下特点:(1)颗粒之间具有相似性,并且可能存在旋转变换;(2)轮廓的内切圆和外接圆的比值较小,形状与圆接近;(3)颗粒之间相互粘连,有一定的遮挡和形变;(4)粘连颗粒大小基本一致,缩放比例可以近似忽略.此类颗粒中比较典型的颗粒是各种类圆形的化学纤维,本文以化学纤维为例对问题进行说明如图1所示.对于单个颗粒图形的轮廓,可以使用一个圆环将其完全覆盖,如图2所示.其中圆环的中心为轮廓的质心,并且要求圆环的面积最小.将这个覆盖圆环沿着图2轮廓进行覆盖区域累加.则圆环中心经过每个轮廓点时,圆环均覆盖到了轮廓的质心,所以质心将成为累加图的区域极大值点.并且由于该圆环的面积最小,因此造成的错误累加也最少.基于以上两点考虑,可以采用最小覆盖圆环模板累加的方式来求粘连颗粒的质心.这样做的好处是即使轮廓上的点发生了扰动,只要扰动在一定范围内,潜在的质心点仍然会被覆盖到.从而在一定程度上减弱了轮廓噪音的干扰.同时,因为只需进行N2×M次加法运算(N为圆环的直径,M为待检测图像前景轮廓点的个数)而无需计算梯度和变换后的坐标,所以该算法运算速度很快.当然,这种方法也存在一些可能的问题.包括比例系数s,异形度λ等带来的影响.这些影响因素会在算法的实现和讨论中有所讨论.异形度λ的定义公式[19]为:其中rmax和rmin分别是圆环的大小圆半径.λ值越小,颗粒的轮廓越接近于圆. 算法分为两步:(1)圆环累加模板的制作;(2)进行模板累加并求极值点.算法流程图如图3所示.模板的制作是一个由已知图形得到最小覆盖圆环的过程.其具体步骤如下:① 求模板图像的轮廓图;② 求模板图像轮廓的质心(xr,yr),将质心作为参考点;③ 求轮廓上每个点到参考点的距离,记录在dist中,其中dist为1×N的行向量,N 为轮廓点的个数.令distmax=max(dist);④ 确定模板Rtable的大小为边长等于(2*distmax+1)的正方形矩阵.对于每个dist(n),遍历Rtable中每个点(xk,yk),判断是否满足:如果是,则令本文中的模板图形选取采用人工选取的方式.主要是因为颗粒轮廓彼此之间具有相似性,由颗粒轮廓得到的distmax和distmin差距较小.模板图形会对结果产生些许影响,体现在中心点的位置不是完全重合上.中心点的识别过程是由求得的覆盖圆环模板和待检测图像找出粘连颗粒质心的过程.本文以图1作为样例进行说明,为了证明本文算法的有效性,对图1的二值图做了一些修改,具体为增加了凹陷,空洞和断裂等缺陷如图5(b)所示.中心点识别的具体步骤如下:① 计算待检测图像的前景轮廓.② 置Acc为和待识别图像相同大小的零矩阵,作为累加空间.遍历待识别图像的每个轮廓点,将其与Rtable的中心点对齐.设Rtable覆盖的区域为Si,则Acc(Si)=Acc(Si)+1,其中下标i是轮廓点的编号.最终得到累加图Acc,如图6所示.③ 对Acc进行归一化处理,Acc=Acc max(Acc).④ 令Acc2为和Acc大小相同的零矩阵.对Acc作阈值处理,令阈值为threshold.Acc中大于等于threshold的点在Acc2中置1,小于的点置0,如图7所示.threshold通常取0.4～0.9.⑤ 遍历Acc2中的前景点(像素值为1的点),判断在Acc中,以这个点为中心,半径为R的圆形区域内,其是否为这个区域的最大值.若是,则将其坐标记录在(cx,cy)中,结果如图8所示.其中R是设定的阈值.R通常取0.6～0.8个distmax.为了进一步说明算法的可行性,本文采用两组形状为“三角形”和“五角形”的粘连颗粒图像,应用文中算法与基于形态学重构的标记提取算法、经典的GHT算法进行仿真对比实验.本文所使用的实验平台为:PC机,主频2.2 GMHZ,内存3G,Matlab9开发环境.由于三角形源图存在非均匀光照现象,因此使用了文献[4]中的方法进行二值化.五角形源图的二值化算法采用otsu算法,运用canny算子来获取两张图像的边缘图.由表1可知,GHT算法在搜索与已知图形之间没有角度变换的图形所用时间比本文方法更长.因此,本文的方法在时间复杂度上小于GHT算法.由图9(e)和图10(e)可以看出GHT算法得到了一些伪中心点.产生伪中心点的主要原因分为两类:(1)附近其他轮廓的干扰以及轮廓形变的影响使中心点发生偏移;(2)旋转过程造成了前景区域外部出现了区域极值点.第一种伪中心点不易消除.第二种伪中心点的累加值较小,若增大threshold的值就能够在一定程度上消除这些伪中心点.但由于部分轮廓的缺失,导致前景中有一些中心点的累加值也比较小,如果增大threshold就会出现中心点的遗漏.因此GHT算法并不能很好地解决该类问题.本文的算法减弱了梯度方向的影响,加强了算法对于轮廓形变的鲁棒性,因此可以有效减少GHT算法中的第一类伪中心点的数量,同时仅在两个相邻颗粒的部分轮廓构成了已知图形的一部分轮廓时才会在前景区域外围形成区域极值点.由图9(d)和图10(d)可知,使用形态学重构计算纤维中心点的算法,若纤维上出现比较明显的孔洞和凹陷时,会将一个纤维误检为多个.该算法中使用到了距离变换来生成距离图.距离图中一个前景点的像素值是该点到所有轮廓点的最小距离,因此距离图的生成对于孔洞和凹陷比较敏感.若能够修正距离图,减少孔洞和凹陷,则可以在很大程度上消除误检的情况.本文的做法是在中心点识别准确的情况下,使用半径为r 的圆来覆盖中心点区域,被覆盖的区域全部置1.以图5(b)为例进行说明,图11中的r取值为distmin.对比图11(a)和(c)可以看出修正后的标记结果得到了非常大的改善.这种距离图修正的方法是建立在中心点的识别准确的基础上的.若识别的中心点因为形状误差发生偏移,则需要将r的取值减小.r 取值减小后的修正效果将有所下降.相比于GHT算法和其他相关算法,本文的方法可能会存在一些缺陷.如比例系数和异形度等对于算法的影响.对于不同尺度颗粒相互粘连的情况,使用缩放后的圆环来进行累加.当使用较小的圆环累加时,可能在较大颗粒内部形成多个区域极值点.当小颗粒的轮廓存在遮挡,使得其中心累加值较小时就无法使用阈值来过滤大颗粒内部形成的伪中心点从而出现错误的识别.如图12(b)所示,若下方两个小三角形的轮廓被部分遮挡,则其中心累加值将减小.当异形度较大时,颗粒将变成条状.这类颗粒的最小覆盖圆环的小圆半径很小,覆盖圆环与圆接近,使得累加图中出现大量冗余的累加,导致识别失败,如图12(d)所示.本文提出了一种针对一类粘连颗粒的中心点识别算法.首先根据已知图形计算圆环覆盖模板,然后将圆环模板沿待检测图像轮廓进行覆盖累加.得到的累加图的极值点即各个纤维的中心.该算法计算出的覆盖圆环具有旋转不变性,大大降低了算法的时间复杂度,并且具有较高的准确性,是一种可靠的检测类圆形粘连颗粒中心的算法.得到的中心点对于距离变换图的修正可以起到指导作用,从而使得分水岭算法分割的准确度得到提高.【相关文献】1 Farhan M,Yli-Harja O,Niemistö A.A novel method for splitting clumps of convex objects incorporating image intensity and using rectangular window-based concavity point-pair search.Pattern Recognition,2013,46(3):741–751.[doi:10.1016/j.patcog.2012.09.008]2 Kumar S,Ong SH,Ranganath S,et al.A rule-based approach for robust clump splitting.Pattern Recognition,2006,39(6):1088–1098.[doi:10.1016/j.patcog.2005.11.014]3 韦冬冬,赵豫红.基于凹点匹配的重叠图像分割算法.计算机与应用化学,2010,27(1):99–102.4 倪志强,叶明.基于分水岭变换的粘连颗粒图像分割方法.计算机系统应用,2014,23(6):93–97.5 戴丹.基于改进分水岭算法的粘连颗粒图像分割.计算机技术与发展,2013,(3):19–22.6 Meyer F,Beucher S.Morphological segmentation.Journal of Visual Communication and Image Representation,1990,1(1):21–46.[doi:10.1016/1047-3203(90)90014-M]7 刘相滨,邹北骥,孙家广.菌群细胞图像分离算法研究.电子学报,2005,33(6):1056–1059.8 李希,王天江,周鹏.一种改进的粘连颗粒图像分割算法.湖南大学学报(自然科学版),2012,39(12):84–88.[doi:10.3969/j.issn.1674-2974.2012.12.015]9 李智磊,翟宏琛,王明伟.一种可识别破碎图形的特殊广义Hough变换方法.物理学报,2007,56(6):3234–3239.[doi:10.7498/aps.56.3234]10 胡正平,杨苏.基于关键特征点决策的广义Hough变换目标定位快速算法.信号处理,2009,25(11):1748–1753.[doi:10.3969/j.issn.1003-0530.2009.11.016]11 刘宏申,程健.广义Hough变换算法的分析改进.中国科学技术大学学报,2009,39(11):1202–1206.12 Kontschieder P,Riemenschneider H,Donoser M,et al.Discriminative learning of contour fragments for object detection.Proc.of the British Machine VisionConference.Dundee,UK.2011.13 Gall J,Lempitsky V.Class-specific Hough forests for object detection.2013 IEEE Conference on Computer Vision and Pattern Recognition.Miami,FL,USA.2009.1022–1029.14 Opelt A,Pinz A,Zisserman A.A boundary-fragment-model for objectputer Vision-ECCV 2006,9th European Conference on ComputerVision.Graz,Austria.2006.575–588.15 Xu L,Oja E,Kultanen P.A new curve detection method:Randomized Hough transform (RHT).Pattern Recognition Letters,1990,11(5):331–338.[doi:10.1016/0167-8655(90)90042-Z] 16 Tsai DM.An improved generalized Hough transform for the recognition of overlapping objects.Image and Vision Computing,1997,15(12):877–888.[doi:10.1016/S0262-8856(97)00033-4]17 杨华,尹周平,王瑜辉,等.基于局部不变几何特征的广义霍夫变换图像匹配方法:中国,CN103456005A.[2013-12-18].18 侯怡婷.基于CUDA的Hough变换并行实现[硕士学位论文].大连:大连理工大学,2013.19 尹平平.喷丝板微孔中熔体流动及异形纤维成形过程的研究[硕士学位论文].上海:东华大学,2006.。

基于NODE-UNet++和标记分水岭算法的红细胞图像分割

第37卷第9期2022年9月Vol.37No.9Sept.2022液晶与显示Chinese Journal of Liquid Crystals and Displays基于NODE-UNet++和标记分水岭算法的红细胞图像分割荣亚琪1，2，张丽娟2，崔金利3，苏伟4，盖梦野1*（1.吉林农业大学信息技术学院，吉林长春130118；2.长春工业大学计算机科学与工程学院，吉林长春130012；3.长春中医药大学附属医院医药影像科，吉林长春130000；4.长春中医药大学医药信息学院，吉林长春130117）摘要：对血液涂片图像中的红细胞进行精确分割是一项重要的技术，也是一个难题，主要是因为红细胞经常重叠，没有明显边界。

针对此问题，本文提出一种基于U-Net++和神经常微分方程（Neural Ordinary Differential Equations，NODE）的深度学习网络NODE-UNet++用于红细胞的初步分割，再利用标记分水岭算法分割血液涂片图像中的粘连红细胞。

首先对图像进行裁剪和标注，突出待分割区域；然后应用新的语义分割体系结构NODE-UNet++对预处理后的图像进行初始分割得到概率灰度图；最后采用标记分水岭算法将灰度图中的粘连红细胞分离，得到最终红细胞分割结果图。

实验结果表明，Dice系数达到96.89%、平均像素准确率达到98.97%、平均交并比达到96.33%。

通过对不同血液涂片图像的分割结果表明，该方法能高效精确地提取每个红细胞，满足后续红细胞图像处理的需求。

关键词：图像分割；红细胞；神经常微分方程；标记分水岭算法中图分类号：TP391文献标识码：A doi：10.37188/CJLCD.2022-0009Red blood cell image segmentation based onNODE-UNet++and marker watershedRONG Ya-qi1，2，ZHANG Li-juan2，CUI Jin-li3，SU Wei4，GAI Meng-ye1*（1.School of Information Technology，Jilin Agricultural University，Changchun130118，China；2.School of Computer Science and Engineering，Changchun University of Technology，Changchun130012，China；3.Department of Radiology，Affiliated Hospital of Changchun University of Chinese Medicine，Changchun130000，China；4.College of Medicine Information，Changchun University of Chinese Medicine，Changchun130117，China）Abstract：Accurate segmentation of red blood cell（RBC）from blood smear images is an important technique 文章编号：1007-2780（2022）09-1190-09收稿日期：2022-01-15；修订日期：2022-02-25.基金项目：国家自然科学基金（No.61806024）；吉林省教育厅科学研究项目（No.JJKH20210747KJ，No.JJKH20200678KJ）；吉林省生态环境科学研究项目（No.202107）Supported by National Natural Science Foundation of China（No.61806024）；Scientific Research Project ofJilin Provincial Department of Education（No.JJKH20210747KJ，No.JJKH20200678KJ）；Ecological Envi‐ronment Scientific Research Project of Jilin（No.202107）*通信联系人，E-mail：mengyeg@第9期荣亚琪，等：基于NODE-UNet++和标记分水岭算法的红细胞图像分割and a difficult problem，mainly because RBCs often overlap and have no distinct boundaries.To solve this problem，a deep learning network called NODE-UNet++is proposed，which is based on U-Net++and neural ordinary differential equations（NODE）.It is mainly used for pre-segmentation of RBCs，and then the marker watershed algorithm is adopted to segment clustered RBCs from blood smear images.Firstly，an image is clipped and labeled to highlight the region to be segmented.Then，a new semantic segmentation architecture NODE-UNet++is applied for pre-segmentation of the preprocessed image to obtain the probability grayscale image.Finally，the marker watershed method is used to separate the clustered RBCs in the grayscale image to obtain final RBC segmentation result.The experimental results show that the Dice similarly coefficient is96.89%，the mean pixel accuracy is98.97%，and the mean intersection over union is 96.33%.Segmentation results of different blood smear images show that the proposed method can extract each RBC efficiently and accurately to meet the requirements of subsequent RBC image processing.Key words：image segmentation；red blood cell；neural ordinary differential equations；marked water‐shed algorithm1引言红细胞是血液中最丰富的血细胞，其主要作用是运输氧气和一部分二氧化碳［1］。

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)。