彩色圖像分割介紹

第一章緒論計(jì)算機(jī)圖像處理在醫(yī)學(xué)領(lǐng)域的應(yīng)用越來越廣泛，白細(xì)胞圖像的自動判斷就是其中的代表之一。它能有效地減少主觀干擾，提高工作效率，減輕醫(yī)生負(fù)擔(dān)。近些年來，計(jì)算機(jī)硬件技術(shù)和光譜成像技術(shù)的飛速發(fā)展，使得成功研制開發(fā)出小型實(shí)用的基于多光譜的白細(xì)胞圖像自動分類識別系統(tǒng)成為可能。本文研究的主要目的在于對白細(xì)胞多光譜圖像分割進(jìn)行初步的探索研究，為系統(tǒng)中其后的白細(xì)胞能夠準(zhǔn)確地分類識別奠定基礎(chǔ)。本章簡要闡述了基于多光譜的白細(xì)胞圖像分割的應(yīng)用背景和研究意義，回顧了國內(nèi)外細(xì)胞圖像分割和多光譜遙感圖像分類的研究發(fā)展?fàn)顩r，并簡要介紹了本論文的主要工作?！?.1概述§1.1.1白細(xì)胞檢驗(yàn)白細(xì)胞的光學(xué)顯微鏡檢查是醫(yī)院臨床檢驗(yàn)項(xiàng)目之一，特別是對各種血液病的診斷占有極其重要的地位。它的任務(wù)是觀察或測定血液中的各種白細(xì)胞的總數(shù)、相對比值、形態(tài)等，用于判斷有無疾病、疾病種類以及嚴(yán)重程度等，特別是對類似白血病這類血液病診斷具有更加重要的意義。白細(xì)胞分類計(jì)數(shù)的傳統(tǒng)方法是將血液制成涂片，染色后，臨床醫(yī)生在顯微鏡下用肉眼按照有關(guān)標(biāo)準(zhǔn)，如核的形狀、細(xì)胞漿的量和顏色，細(xì)胞漿顆粒的大小和顏色，整個細(xì)胞形狀、稀薄與細(xì)胞間的接觸等，來觀察和檢查這樣的細(xì)胞標(biāo)本[1]。然而這項(xiàng)工作十分繁重，工作效率低，容易誤判，且人工識別誤差隨檢查人員而異。同時通過觀察的細(xì)胞數(shù)目較少，從統(tǒng)計(jì)的角度看，因樣本集較小而影響診斷結(jié)果的可靠性。計(jì)算機(jī)圖像處理與分析技術(shù)伴隨著信息技術(shù)的不斷進(jìn)步在最近20年間得到了飛速的發(fā)展，已經(jīng)迅速滲透到人類生活和社會發(fā)展的各個方面，這為智能化細(xì)胞分析儀代替人工方法提供了基礎(chǔ)。因此，借助于現(xiàn)代計(jì)算機(jī)技術(shù)結(jié)合臨床醫(yī)生的實(shí)踐經(jīng)驗(yàn)，采用圖像處理技術(shù)對圖像進(jìn)行處理，從而對細(xì)胞進(jìn)行識別，對于醫(yī)學(xué)科研與實(shí)踐，以及臨床診斷方面有著現(xiàn)實(shí)意義和非常廣闊的前景。目前已經(jīng)制成的自動白細(xì)胞分析儀主要有兩種類型：一類是用組織化學(xué)染色法，通過連續(xù)流動的系統(tǒng)，以光電效應(yīng)的方式分別數(shù)出單一細(xì)胞，并可同時報(bào)告白細(xì)胞總數(shù)、各類細(xì)胞的百分率和絕對值。因?yàn)樵摲ú皇怯杉?xì)胞形態(tài)學(xué)特點(diǎn)識別各類白細(xì)胞，所以不能目視觀察白細(xì)胞形態(tài)，亦不能保留樣本，對感染中毒細(xì)胞無法識別。另一類是原型認(rèn)定型，其工作原理模仿人“腦眼系統(tǒng)”[2]的智能識別過程，運(yùn)用計(jì)算機(jī)圖像處理和模式識別技術(shù)，將從顯微鏡與相機(jī)或攝像機(jī)得到的數(shù)字化圖像進(jìn)行自動處理分析和分類。與前一種類型的白細(xì)胞分類儀器相比，其主要優(yōu)勢在于：（1）能獲得豐富的關(guān)于細(xì)胞形態(tài)、色彩、紋理等方面的多種信息，可綜合運(yùn)用圖像處理及模式識別技術(shù)進(jìn)行細(xì)胞分類，可取得高效準(zhǔn)確的識別效果；（2）由于計(jì)算機(jī)的應(yīng)用，保留了第一手資料，便于診斷的回顧和疑難病癥的會診，使系統(tǒng)在臨床基礎(chǔ)研究、病理資料積累等方面具有很大的潛力。隨著計(jì)算機(jī)技術(shù)的發(fā)展，第二類方法近些年得到了較大發(fā)展。此類方法是目前的研究熱點(diǎn)和發(fā)展方向?！?.1.2細(xì)胞圖像分割概述輸入圖像圖像分割輸入圖像圖像分割特征提取特征選擇分類識別圖1.1圖像識別流程細(xì)胞圖像的分割是細(xì)胞自動識別計(jì)算機(jī)分析的第一步和關(guān)鍵性問題，其分割質(zhì)量亦即與細(xì)胞的吻合程度，將直接影響到特征參數(shù)提取的準(zhǔn)確性和分類系統(tǒng)的最終識別率。傳統(tǒng)細(xì)胞圖像的分割，就是將血液中的白細(xì)胞自動檢出，并在除去圖像中各種噪聲干擾的基礎(chǔ)上，將單個白細(xì)胞圖像劃分成背景、細(xì)胞漿、細(xì)胞核三個區(qū)域。白細(xì)胞圖像的分割包括兩個方面的任務(wù)：（1）從一幅血液圖像背景中自動檢測出待分類識別的單個白細(xì)胞區(qū)域；（2）為了計(jì)算細(xì)胞的特征參數(shù)，應(yīng)將檢出后的白細(xì)胞中的背景部分清除，并將細(xì)胞核與細(xì)胞漿分為不同的區(qū)域?！?.1.3白細(xì)胞的分類及特點(diǎn)白細(xì)胞是人體血液的重要組成部分，由核和原形質(zhì)（細(xì)胞漿）兩部分組成，為無色、球狀有核細(xì)胞，根據(jù)包含在核與原形質(zhì)中的顆粒不同，分成顆粒細(xì)胞、單核細(xì)胞和淋巴細(xì)胞。顆粒細(xì)胞又根據(jù)顆粒的性質(zhì)不同分為嗜中性粒細(xì)胞、嗜酸性粒細(xì)胞和嗜堿性粒細(xì)胞。中性粒細(xì)胞根據(jù)核形狀又可分為中性桿狀核粒細(xì)胞和中性分葉核粒細(xì)胞。觀察白細(xì)胞圖像，可以發(fā)現(xiàn)該類圖像具有下述特點(diǎn)：（1）顯微細(xì)胞圖像反差小，有些圖像由于各種因素產(chǎn)生的噪聲多，圖像背景不均勻。另外，由于人工涂片和染色的非標(biāo)準(zhǔn)性，常常出現(xiàn)因染色劑過濃或染色時間過久，致使細(xì)胞結(jié)構(gòu)模糊不清；（2）在一個細(xì)胞圖像采樣視野內(nèi)，除了出現(xiàn)1～2個白細(xì)胞外，周圍存在一些次要的區(qū)域，如大量的成熟紅細(xì)胞和少量凝血細(xì)胞（血小板）等。紅細(xì)胞無核且呈圓盤狀，細(xì)胞中央稍淡，直徑約為7.5μm，紅細(xì)胞的分布密度約是白細(xì)胞密度的800倍，凝血細(xì)胞的胞體小，呈星狀，約為紅細(xì)胞的1/4～2/3，凝血細(xì)胞具有粘附性且常成堆出現(xiàn)在圖像中。以下是經(jīng)過Wright染色后各類細(xì)胞的顯微圖像：圖1.2經(jīng)過染色后的白細(xì)胞顯微細(xì)胞圖像§1.2目前國內(nèi)外研究現(xiàn)狀圖1.2經(jīng)過染色后的白細(xì)胞顯微細(xì)胞圖像由于將光譜成像手段應(yīng)用到顯微細(xì)胞圖像處理的研究工作才剛剛興起，目前已公布的關(guān)于這方面的論文和相關(guān)資料都很少，由于多光譜最初是用于遙感成像中，且在遙感領(lǐng)域，多光譜圖像的分割已經(jīng)取得了非常豐富的研究成果。因此本節(jié)從傳統(tǒng)細(xì)胞圖像分割和多光譜圖像分割兩個方面來闡述研究現(xiàn)狀。§1.2.1細(xì)胞圖像分割方法概述傳統(tǒng)的細(xì)胞圖像分割按對象可以分為灰度圖像和彩色圖像兩類。傳統(tǒng)的細(xì)胞圖像分割方法大多是針對灰度圖像進(jìn)行的，然而由于上一節(jié)所闡述的白細(xì)胞圖像分割中的幾個難點(diǎn)，使針對灰度的分割方法無法準(zhǔn)確分割出細(xì)胞圖像的各種成分。如果把灰度信息看作是一維的話，那么彩色圖像包含的信息是三維的，信息量比灰度圖像多。所以近年來的細(xì)胞分割算法主要針對彩色圖像來展開，并取得了一定的成果。細(xì)胞圖像分割方法大致可分為三類[3]。1、基于區(qū)域的分割方法閾值法：是一種簡單而有效的圖像分割方法，早期的基于直方圖的閾值分割方法主要針對灰度圖像，實(shí)現(xiàn)簡單，計(jì)算量小，但其無法有效的分辨白細(xì)胞圖像中的諸多成分，局限性較大。近年來，針對彩色圖像，人們選取RGB空間或HSI空間中的某一個通道或者是它們的線性組合來進(jìn)行閾值分割，使得分割效果有所提高。文獻(xiàn)[4]中則利用RGB中的G通道來區(qū)分核和其他區(qū)域，根據(jù)對血液圖像的直方圖分析，應(yīng)用自適應(yīng)多閾值分割方法完成對白細(xì)胞核的提取以及背景的扣除，實(shí)現(xiàn)了白細(xì)胞的自動檢出。對胞漿的分割中，提出基于局部顏色相似性和凸性收斂控制進(jìn)行區(qū)域生長的分割方法，取得較為滿意的結(jié)果。文獻(xiàn)[5]中將白細(xì)胞分割分為三個步驟，第一步實(shí)現(xiàn)白細(xì)胞的快速定位，針對白細(xì)胞核在R通道中灰度值較低的特點(diǎn)，檢測出該圖像中有無白細(xì)胞，如果有，則劃定包含白細(xì)胞區(qū)域的一個矩形。第二步，分析該矩形區(qū)域內(nèi)的亮度直方圖，最亮的部分為背景，最暗的則是白細(xì)胞核，然后再利用B通道中紅細(xì)胞成分較亮的特點(diǎn)，找出細(xì)胞漿的位置。第三步，通過形態(tài)學(xué)中的腐蝕和膨脹使輪廓線趨于平滑。聚類：也是一種常用的分割算法。它指的是根據(jù)數(shù)據(jù)本身的特征將其分至不同類別的過程。輸入的圖像數(shù)據(jù)首先進(jìn)行特征提?。ㄈ珙伾?，紋理等），然后根據(jù)這些特征按照一定的準(zhǔn)則把圖像分成具有特征一致性的區(qū)域。文獻(xiàn)[6]中，采用模式識別中的均值聚類算法并結(jié)合分裂算法確定細(xì)胞核的顏色以及細(xì)胞的個數(shù)，從而從彩色圖像中分割出了細(xì)胞核；在確定細(xì)胞核的基礎(chǔ)上，該文參照閾值分割和數(shù)學(xué)形態(tài)學(xué)中的流域分割的原理，提出結(jié)合兩種分割算法的方案，最終確定每個細(xì)胞核所對應(yīng)的白細(xì)胞的區(qū)域，成功地分割出單個的白細(xì)胞。2、基于邊界的分割方法基于邊界檢測分析的分割方法近年來研究很多。Kass[7]提出了活動輪廓模型，在確定初始輪廓的情況下，利用一定的能量表達(dá)式，通過將總體能量最小化，達(dá)到邊界和形狀因素之間的平衡。近年來人們把動態(tài)規(guī)劃、神經(jīng)網(wǎng)絡(luò)和貪婪算法[8]等應(yīng)用到了邊界優(yōu)化上，能夠比較快速地得到某個準(zhǔn)則下的最優(yōu)邊界或局部邊界。文獻(xiàn)[9]針對DNA染色法處理后的標(biāo)本圖像，利用彩色空間RGB中R分量直接對細(xì)胞圖像進(jìn)行分割，先對圖像進(jìn)行全局二值化，確定細(xì)胞的初始輪廓之后再采用活動輪廓模型逼近真實(shí)的輪廓。該論文提出的分割方法取得了比較好的效果。3、基于區(qū)域與邊界模型的分割方法區(qū)域生長的基本思想是選定若干種子區(qū)域或種子像素，將其鄰近的像素按某種相似準(zhǔn)則歸入?yún)^(qū)域，使得區(qū)域逐步增長。與閾值法相比，這種方法除了考慮分割區(qū)域的同一性，還考慮了區(qū)域的連通性。區(qū)域生長的效果一般由種子區(qū)域和相似性準(zhǔn)則（或稱生長準(zhǔn)則）的選擇決定。如何使用魯棒的非參數(shù)方法完成選擇是近來區(qū)域生長算法研究的熱點(diǎn)。J.M.Chassery[10]在80年代后期利用白細(xì)胞的局部顏色相似性和形態(tài)特征，用區(qū)域生長方法對骨髓細(xì)胞進(jìn)行了分割，得到了較好的效果。文獻(xiàn)[11]同樣利用局部顏色相似性和白細(xì)胞的凸性特征，較好地解決了白細(xì)胞圖像分割問題?！?.2.2多光譜圖像分割方法概述多光譜遙感圖像分類是模式識別技術(shù)在遙感技術(shù)領(lǐng)域中的具體應(yīng)用，是遙感數(shù)字圖像處理的一個重要內(nèi)容。多光譜遙感圖像分類技術(shù)的研究包括特征選擇與提取和算法設(shè)計(jì)兩個主要內(nèi)容。特征選擇與特征提取的方法很多，對于多光譜圖像分類的特征選擇，起初大部分集中在波段選擇上；后來針對不同的分類目的，采用各種數(shù)學(xué)變換來提取一些有用的分類特征；最后光譜波形特征、紋理特征和其它一些變換特征都嘗試著用于遙感圖像分類。1、遙感多光譜圖像的分類算法概述遙感影像分類是遙感界最重要的研究領(lǐng)域之一，因?yàn)榉诸愂菍b感影像進(jìn)行進(jìn)一步分析的基礎(chǔ)。根據(jù)數(shù)學(xué)模型的應(yīng)用，遙感影像分類可分為參數(shù)分類和非參數(shù)分類。參數(shù)分類要求數(shù)據(jù)按一定的數(shù)學(xué)模型分布；非參數(shù)分類則不要求數(shù)據(jù)的分布服從一定的數(shù)學(xué)模型。在實(shí)際應(yīng)用中，遙感影像分類可分監(jiān)督分類和非監(jiān)督分類。監(jiān)督分類和非監(jiān)督分類的最大區(qū)別在于，監(jiān)督分類要求首先給定類別，而非監(jiān)督分類則由圖像數(shù)據(jù)本身的統(tǒng)計(jì)特征來決定。對于分類算法的研究也百花齊放，下面簡單介紹兩種常用的分類算法：（1）最大似然分類法（MaximumLikelihoodClassifier－MLC）基于貝葉斯決策的最大似然分類法[12,13]，屬于監(jiān)督、參數(shù)分類算法，有著嚴(yán)格的理論基礎(chǔ)，對于呈正態(tài)分布的數(shù)據(jù)，判別函數(shù)易于建立，有較好的統(tǒng)計(jì)特征，其貝葉斯分類錯誤率最小。在文獻(xiàn)[13]中利用非監(jiān)督分類的結(jié)果來估計(jì)各類的先驗(yàn)概率。為了突破最大似然法的一次劃分模式類的限制，提高分類精度，許多復(fù)合算法都以最大似然法為基礎(chǔ)構(gòu)造，XiupingJia等[14]提出的漸進(jìn)二類判別分類器就屬于這一類方法。ChulheeLee等[15]，JayanthaEdiriwickrema等[16]也是把最大似然法作為基礎(chǔ)，構(gòu)造了一種多層似然算法，把一次性劃分變?yōu)槎啻蝿澐?，從而提高分類精度。?）神經(jīng)網(wǎng)絡(luò)分類法（NeuralNetworkClassifier－NNC）神經(jīng)網(wǎng)絡(luò)分類算法[12,13]具有許多優(yōu)點(diǎn)，一般屬于監(jiān)督、非參數(shù)分類算法。它可以很方便地結(jié)合不同類別的特征；不需要訓(xùn)練樣本的先驗(yàn)知識，也不需要訓(xùn)練樣本的具有正態(tài)分布的特征；每一個訓(xùn)練數(shù)據(jù)具有相同的權(quán)，都可以對網(wǎng)絡(luò)權(quán)陣施加同等影響；分類精度較高等等。因此人工神經(jīng)網(wǎng)絡(luò)分類方法廣泛地應(yīng)用于遙感圖像分類。神經(jīng)網(wǎng)絡(luò)最早用于遙感圖像分類始于1988年，此后神經(jīng)網(wǎng)絡(luò)方法用于遙感圖像分類得到了普遍關(guān)注[17-20]。BP算法一出現(xiàn)，便受到了廣泛地歡迎，也被應(yīng)用于遙感圖像分類[21]。此后又有改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型用于遙感圖像分類，如高階神經(jīng)網(wǎng)絡(luò)分類算法[12]和分層神經(jīng)網(wǎng)絡(luò)分類算法[12]等。2、多光譜顯微細(xì)胞圖像的分割算法概述多光譜顯微細(xì)胞圖像分析與識別是多光譜成像技術(shù)在醫(yī)學(xué)細(xì)胞疾病診斷領(lǐng)域中的應(yīng)用，多光譜圖像在追求光譜分辨率的同時，也提供了大量的其化學(xué)成分分布的信息。不同的白細(xì)胞不論是外形還是內(nèi)部成分有不同程度的差異，這些差異必然會在光譜上有所反映[22]。多光譜成像技術(shù)應(yīng)用于血液細(xì)胞圖像領(lǐng)域，必然會給我們的識別帶來更多的信息，從而能夠更有效地解決以往細(xì)胞分割、識別中一些問題，提高分割、識別的準(zhǔn)確率，同時由于信息量的增大也對細(xì)胞分割算法提出了更高的要求，增大了分割的難度。傳統(tǒng)的顯微細(xì)胞圖像分割算法都是針對灰度圖像和彩色圖像的，如果將灰度圖像看成是一維圖像數(shù)據(jù)的話，那么彩色圖像就是3維（R、G、B）圖像數(shù)據(jù)。而本文研究的多光譜顯微細(xì)胞圖像的共有33個波段（在光譜400nm～720nm范圍內(nèi)每隔10nm取一個波段），圖像數(shù)據(jù)就是33維的。由于灰度和彩色圖像信息量小，分割算法也相對簡單，因此多光譜顯微細(xì)胞圖像的分割必須尋找更好的算法。由于多光譜最初是應(yīng)用在遙感圖像中的，且從上一節(jié)中可以看出遙感多光譜圖像分類算法已經(jīng)發(fā)展的比較成熟了，所以我們可以借鑒遙感圖像分類中的算法?！?.3系統(tǒng)概述細(xì)胞圖像自動分析系統(tǒng)[23]硬件配置見圖1.3。系統(tǒng)以市場上的主流配置微機(jī)為主機(jī)，配以高倍顯微鏡、自動控制平臺、黑白攝像機(jī)、圖像采集卡、液晶分光器等組成。液晶可調(diào)濾光器液晶可調(diào)濾光器攝像機(jī)顯微鏡自動控制平臺血液涂片圖像采集卡計(jì)算機(jī)圖1.3圖像采集示意圖該系統(tǒng)的具體配置是OLYMPUSBX41光學(xué)顯微鏡，致冷型CCD數(shù)碼攝像機(jī)（PixeraPenguim600CLM），WD-2000液晶可調(diào)諧濾光控制器。其中，液晶分光器是獲取多光譜圖像的關(guān)鍵部件，它在計(jì)算機(jī)的控制下，只允許特定波長（間隔10nm）的光通過，濾掉其它的光。自動控制平臺可以在X、Y、Z三個方向上自動定位和聚焦，與相應(yīng)軟件模塊的配合實(shí)現(xiàn)了血液涂片的自動掃描和細(xì)胞搜索。本課題所使用實(shí)驗(yàn)樣本主要是骨髓細(xì)胞涂片，由武漢大學(xué)附屬中南醫(yī)院血液科提供。本實(shí)驗(yàn)平臺的硬件配置為：Intel2.40GHz處理器，512Msdram內(nèi)存，操作系統(tǒng)為MicrosoftWindows2000。軟件開發(fā)環(huán)境為MSVisualC++6.0。第二章顯微細(xì)胞圖像的預(yù)處理由于醫(yī)學(xué)顯微圖像的復(fù)雜性，以及采樣過程中存在外界干擾，都會影響細(xì)胞圖像的準(zhǔn)確分割，因此在分割前必須對圖像進(jìn)行必要的預(yù)處理，以平滑并消除噪聲增強(qiáng)目標(biāo)與背景的差別，消除由于光源不均勻引起的照度變化等。這是一般圖像預(yù)處理需要完成的任務(wù)。白細(xì)胞圖像遠(yuǎn)遠(yuǎn)沒有遙感圖像的多樣性和復(fù)雜性，然而單獨(dú)采用通?；诨叶葓D像或彩色圖像的分割方法卻又難以得到好的分割效果，而通過觀察不同顯微細(xì)胞圖像不同成分的光譜曲線，發(fā)現(xiàn)背景和其它成分的光譜曲線有明顯的區(qū)別，所以本文提出了先對圖像進(jìn)行預(yù)處理，然后以像素各個波段的灰度值為特征先分類再分割的方法。即先利用彩色圖像中一些分割方法對細(xì)胞圖像進(jìn)行預(yù)處理，同時為了充分利用多光譜圖像信息量大的優(yōu)勢，對預(yù)處理后的圖像采用先分類再分割的方案。多光譜圖像由于信息量較大（或者說特征較多），運(yùn)用此方法可以獲得比較好的分割效果。同時由于多光譜數(shù)據(jù)量比較大，以像素各個波段的灰度值為特征進(jìn)行分類，計(jì)算量是一個不得不考慮的問題，所以必須通過預(yù)處理減少計(jì)算量。本章將細(xì)胞圖像的RGB空間映射到HSI空間，然后通過閾值分割去掉背景和部分紅細(xì)胞，剩下的部分圖像就通過RBFNN和SVM以像素為對象進(jìn)行分類識別?！?.1顯微細(xì)胞圖像的多光譜特征多光譜成像技術(shù)應(yīng)用在顯微細(xì)胞圖像中，大大增加了圖像的信息量，為了充分利用多光譜圖像信息量大的優(yōu)勢，本文在對顯微細(xì)胞圖像進(jìn)行分割前，對圖像的多光譜特征進(jìn)行了實(shí)驗(yàn)研究，通過對大量實(shí)驗(yàn)樣本的光譜分析，可以得到如圖2.1所示的多光譜特征結(jié)果。圖2.1（a）為五類白細(xì)胞核的光譜曲線，圖2.1（b）為五類白細(xì)胞漿的光譜曲線，圖2.1（c）為顯微細(xì)胞圖像中4種成分（背景、白細(xì)胞核、白細(xì)胞漿和紅細(xì)胞）的光譜曲線。（紅色（紅色—嗜中性；綠色—嗜酸性；藍(lán)色—嗜堿性；黃色—淋巴；天藍(lán)色—單核）（a）各類白細(xì)胞核的光譜曲線（b）各類白細(xì)胞漿的光譜曲線圖2.1顯微細(xì)胞圖像的多光譜特征圖2.1顯微細(xì)胞圖像的多光譜特征（c）細(xì)胞圖像中各種成分的光譜曲線從圖2.1可以看出，各類白細(xì)胞核的光譜曲線相對穩(wěn)定，而白細(xì)胞漿的光譜曲線雖然有一定的起伏變化，但是變化趨勢仍是相對集中的；細(xì)胞圖像中各種成分的光譜曲線層次分明，相差較大，由此可知圖像中相同組份的像素具有較一致的光譜特性，而不同組份的像素其光譜特性差別較大。多光譜顯微細(xì)胞圖像的這一特點(diǎn)使得細(xì)胞圖像能夠準(zhǔn)確分割成為可能，也是本文提出用模式識別方法以像素各個波段的灰度值為特征先分類再分割方案的基礎(chǔ)；同時細(xì)胞圖像背景的光譜曲線與其它成分相差很大，且變化趨于平坦，這為本章的預(yù)處理提供了基礎(chǔ)?！?.2圖像的預(yù)處理由于本文待分割圖像是多光譜顯微細(xì)胞圖像，實(shí)驗(yàn)對象主要是骨髓細(xì)胞圖像，每個像素有33個波段，每波段的灰度值用一個字節(jié)表示，則每幅520×696大小圖像的數(shù)據(jù)量為520×696×33＝11943360字節(jié)，而本文的核心算法RBFNN和SVM都是以圖像像素各個波段的灰度值為特征先分類再分割，如果不經(jīng)過一定的預(yù)處理，就需把整幅圖像中的像素分為4類：白細(xì)胞核、白細(xì)胞漿、紅細(xì)胞和背景，且直接將圖像的所有像素都進(jìn)行分類，計(jì)算量可想而知，為了提高計(jì)算速度必須進(jìn)行預(yù)處理。在圖像采集過程中，原始圖像數(shù)據(jù)中除了33個波段的數(shù)據(jù)外，還有RGB彩色數(shù)據(jù)，傳統(tǒng)算法中為了解決白細(xì)胞顯微圖像自動識別中的圖像分割問題，文獻(xiàn)[11]提出了一種在彩色空間內(nèi)，先采用自動閾值分割技術(shù)扣除背景，得到白細(xì)胞核區(qū)域，然后用色調(diào)相似性作為生長準(zhǔn)則，以白細(xì)胞形狀的凸出形態(tài)作為收斂準(zhǔn)則，序貫分割白細(xì)胞漿區(qū)域的處理方法。本文的預(yù)處理借鑒了該方法。§2.2.1從RGB到HSI彩色空間的映射RGB空間模型屬于線性表示系統(tǒng)，可以用三維空間第一象限的一個立方體來表示，如圖2.2（a）所示。彩色立方體中的3個角對應(yīng)于紅、綠、藍(lán)3種基色，從立方體的原點(diǎn)（黑色）到白色頂點(diǎn)的主對角線被稱為灰度線，線上所有點(diǎn)具有相等的3個分量，產(chǎn)生灰度影調(diào)。在此模型中計(jì)算的任何顏色都落在RGB彩色立方體內(nèi)。RGB空間具有比較簡單、直觀的優(yōu)點(diǎn)，但是線性表示系統(tǒng)存在一定的缺陷[25]，因此提出了非線性色彩表示系統(tǒng)HSI彩色空間模型。依據(jù)人的視覺特性，可用色調(diào)（H），飽和度（S）、亮度（I）三參數(shù)來描述顏色，任何彩色圖像都可用一組HSI特征來表征。根據(jù)不同的需要可構(gòu)成不同的HSI彩色空間模型，圖2.2（b）表示HSI圓柱形彩色空間。其中，垂直軸線代表彩色亮度I，離中心軸線的徑向距離代表色彩飽和度S，色調(diào)（H）由色點(diǎn)矢量繞中心軸旋轉(zhuǎn)的角度表示。（a）RGB（a）RGB空間模型（b）HSI空間模型圖2.2RGB空間和HSI空間模型HSI色彩表示方法的優(yōu)點(diǎn)在于：它同人對色彩的感知相一致，且在HSI彩色空間中，人對色差的感知較均勻，因此其圖像特征明顯，將RGB空間轉(zhuǎn)換為HSI空間后，使信息結(jié)構(gòu)更加緊湊，各個分量的獨(dú)立性增強(qiáng)，顏色信息丟失少，易于進(jìn)行分割和目標(biāo)識別等處理。RGB空間到HSI空間的變換公式如下[26]：(2.1)(2.2)(2.3)其中，(2.4)§2.2.2白細(xì)胞圖像在HSI彩色空間中的特點(diǎn)及預(yù)處理將彩色白細(xì)胞圖像從RGB空間映射到HSI空間，對白細(xì)胞圖像在HSI彩色空間大量觀察分析發(fā)現(xiàn)：（1）彩色白細(xì)胞圖像的漿區(qū)域基本輪廓是凸的（圖2.3（a））；（2）結(jié)構(gòu)知識：紅細(xì)胞無細(xì)胞核，白細(xì)胞核嵌入具有連通性的細(xì)胞漿區(qū)域內(nèi)（圖2.3（a））；（3）彩色白細(xì)胞圖像背景區(qū)域的亮度（I）明顯大于其它部分，且分布十分集中（圖2.3（b））；（4）各類白細(xì)胞圖像的飽和度（S）統(tǒng)計(jì)直方圖呈現(xiàn)明顯的雙峰分布（圖2.4（b）），且細(xì)胞核區(qū)域的飽和度明顯大于其它區(qū)域（圖2.3（c））；（5）白細(xì)胞與部分紅細(xì)胞區(qū)域色調(diào)（H），有明顯差別，且在各自區(qū)域內(nèi)具有色調(diào)一致性（圖2.3（d））。圖2.4白細(xì)胞圖在HSI圖2.4白細(xì)胞圖在HSI空間中各分量的直方圖（c）HSI空間中H分量直方圖由于HSI空間中背景區(qū)域的的亮度（I）明顯大于其它部分，且分布十分集中，從I分量直方圖2.4（a）中可以很明顯地看出，通過計(jì)算機(jī)可以很容易地得到分割出背景的閾值，求取閾值的方法是：在直方圖上進(jìn)行全局搜索得到最大值對應(yīng)的灰度值，然后從這個灰度值開始向灰度值減小的方向搜索，直到直方圖上的值第一次開始增大時停止搜索，這個點(diǎn)對應(yīng)的灰度值就是分割出背景來的閾值。又由于HSI空間中白細(xì)胞與大部分紅細(xì)胞區(qū)域色調(diào)（H）有明顯差別，且在各自區(qū)域內(nèi)具有色調(diào)一致性，通過大量的實(shí)驗(yàn)發(fā)現(xiàn)H分量的直方圖中灰度值為128左右附近的值都是零，所以就選擇128作為閾值分割出大部分紅細(xì)胞，與前一步扣除的背景的并集作為將從白細(xì)胞圖像中除去的區(qū)域，對如圖2.3（a）的圖像經(jīng)過這樣的預(yù)處理后的結(jié)果如圖2.5所示。從圖中可以看出經(jīng)過預(yù)處理后背景和大部分紅細(xì)胞被扣除了，剩下部分紅細(xì)胞和白細(xì)胞，很大程度上為后面的RBFNN和SVM的分類識別減小了計(jì)算量。多光譜顯微細(xì)胞圖像經(jīng)過RBFNN和SVM以像素為對象進(jìn)行分類后，形式上就是三值圖像，圖像中像素的值是：背景、白細(xì)胞核和白細(xì)胞漿。由于噪聲或者采集圖像過程的一些其它因素，以及分類識別時樣本的選擇不當(dāng)，分類后的圖像中難免會有些顆粒和空洞，為了得到較為完整的白細(xì)胞核和白細(xì)胞漿，必須進(jìn)行后處理，去除其中的顆粒和空洞。區(qū)域生長是一種根據(jù)相似準(zhǔn)則，把相似像素組合在一起，并進(jìn)行標(biāo)記，形成一個區(qū)域的算法。區(qū)域生長的一種最簡單的方法是從某個像素開始，然后檢查它的近鄰，判斷它們是否有相似性，這個相似性準(zhǔn)則可以是灰度級、彩色、組織、梯度或其它特性。本文采用灰度值相同這一區(qū)域生長準(zhǔn)則，對分類后的三值圖像進(jìn)行了后處理，最后得到了較好的分割效果。經(jīng)過后處理的圖像就是最后的分割結(jié)果，本文對RBFNN和SVM這兩種分類算法進(jìn)行了對比，發(fā)現(xiàn)SVM是一種更優(yōu)的分類識別算法，并在理論上對此進(jìn)行了一定的分析?！?.1區(qū)域生長§5.1.1原理和步驟區(qū)域生長法作為圖像分割的一類算法，充分利用了像素的空間結(jié)構(gòu)關(guān)系和灰度特征以及其它特征。區(qū)域生長的基本思想[70]是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。具體先對每個需要分割的區(qū)域找一個種子像素作為生長的起點(diǎn)，然后將種子像素周圍鄰域中與種子像素有相同或相似性質(zhì)的像素（根據(jù)某種事先確定的生長或相似準(zhǔn)則來判定）合并到種子像素所在區(qū)域中。將這些新像素當(dāng)作新的種子像素繼續(xù)進(jìn)行上面的過程，直到再沒有滿足條件的像素可被包括進(jìn)來。這樣一個區(qū)域就長成了。在實(shí)際應(yīng)用區(qū)域生長法時需要解決三個問題：（1）選擇或確定一組能正確代表所需區(qū)域的種子像素；（2）確定在生長過程中能將相鄰像素包括進(jìn)來的準(zhǔn)則；（3）制定讓生長過程停止的條件或規(guī)則。種子像素的選取?？山柚唧w問題的特點(diǎn)進(jìn)行。利用迭代的方法從大到小逐步收縮是一種典型的方法[71,72]，它不僅對2-D圖像而且對3-D圖像也適用。再如在軍用紅外圖像中檢測目標(biāo)時，由于一般情況下目標(biāo)輻射較大，所以可以選用圖中最亮的像素作為種子像素。要是對具體問題沒有先驗(yàn)知識，則?？山柚L所用準(zhǔn)則對每個像素進(jìn)行相應(yīng)計(jì)算。如果計(jì)算結(jié)果呈現(xiàn)聚類的情況則接近聚類重心的像素可取為種子像素。生長準(zhǔn)則的選取不僅依賴于具體問題本身，也和所用圖像數(shù)據(jù)的種類有關(guān)。例如當(dāng)圖像是彩色的時候，僅用單色的準(zhǔn)則效果會受到影響。另外還需要考慮像素間的連通性和鄰近性，否則有時會出現(xiàn)無意義的分割結(jié)果。5.1.2小節(jié)將介紹幾種典型的生長準(zhǔn)則和對應(yīng)的生長過程。一般生長過程在進(jìn)行到再沒有滿足生長準(zhǔn)則需要的像素的時候停止。但常用的基于灰度、紋理、彩色的準(zhǔn)則大都基于圖像中的局部性質(zhì)，并沒有充分考慮生長的“歷史”。為增加區(qū)域生長的能力常需考慮對分割結(jié)果建立一定的模型或輔以一定的先驗(yàn)知識?！?.1.2生長準(zhǔn)則和過程區(qū)域生長的一個關(guān)鍵是選擇合適的生長或相似準(zhǔn)則，大部分區(qū)域生長準(zhǔn)則使用圖像的局部性質(zhì)[73-76]。生長準(zhǔn)則可根據(jù)不同原則制訂，而使用不同的生長準(zhǔn)則會影響區(qū)域生長的過程。下面介紹三種基本的生長準(zhǔn)則和方法。1、基于區(qū)域灰度差區(qū)域生長方法將圖像以像素為基本單位來進(jìn)行操作，基于區(qū)域灰度差的方法主要有如下步驟：（1）對圖像進(jìn)行逐行掃描，找出沒有歸屬的像素；（2）以該像素為中心檢查它的鄰域像素，即將鄰域中的像素逐個與它比較，如果灰度差小于預(yù)先確定的閾值，將它們合并；（3）以新合并的像素為中心，返回到步驟（2），檢查新像素，直到區(qū)域不能進(jìn)一步擴(kuò)張；（4）返回到步驟（1），繼續(xù)掃描直到不能發(fā)現(xiàn)沒有歸屬的像素，則結(jié)束整個生長過程。采用上述方法得到的結(jié)果對區(qū)域生長起點(diǎn)的選擇有較大的依賴性。為克服這個問題可采用下面的改進(jìn)方法：（1）設(shè)灰度差的閾值為零，用上述方法進(jìn)行區(qū)域擴(kuò)張，使灰度相同像素合并；（2）求出所有鄰接區(qū)域之間的平均灰度差，并合并具有最小灰度差的鄰接區(qū)域；（3）設(shè)定終止準(zhǔn)則，通過反復(fù)進(jìn)行上述步驟（2）中的操作將區(qū)域依次合并直到終止準(zhǔn)則滿足為止。另外，當(dāng)圖像中存在緩慢變化的區(qū)域時，上述方法有可能會將不同區(qū)域逐步合并而產(chǎn)生錯誤。為了克服這個問題，可以不用新像素的灰度值去與鄰域像素的灰度值比較，而用新像素所在區(qū)域的平均值去與各個鄰域像素的灰度值進(jìn)行比較。對于一個含N個像素的區(qū)域R，其均值為(5.1)對像素的比較測試可表示為：(5.2)其中T為給定的閾值。現(xiàn)考慮兩種情況[73,77]：（1）設(shè)區(qū)域?yàn)榫鶆虻?，各像素灰度值為均值m與一個零均值高斯噪聲的疊加。當(dāng)用式(5.2)測試某個像素時，條件不成立的概率為：(5.3)這就是誤差函數(shù)erf(t)，當(dāng)T取3倍方差時，誤判概率為1－(99.7%)N。這表明，當(dāng)考慮灰度均值時，區(qū)域內(nèi)的灰度變化應(yīng)盡量小。（2）設(shè)區(qū)域?yàn)榉蔷鶆?，且由兩部分像素?gòu)成。這兩部分像素在R中所占比例分別為和，灰度值分別為和，則區(qū)域均值為。對灰度值為的像素，它與區(qū)域均值的差為：(5.4)根據(jù)式(5.2)，可知正確判決的概率為：(5.5)這表明，當(dāng)考慮灰度均值時，不同部分像素間的灰度差距應(yīng)盡量大。2、基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)這里考慮以灰度分布相似性作為生長準(zhǔn)則來決定區(qū)域的合并，其具體實(shí)現(xiàn)步驟為：（1）把圖像分成互不重疊的小區(qū)域；（2）比較鄰接區(qū)域的累積灰度直方圖，根據(jù)灰度分布的相似性進(jìn)行區(qū)域合并；（3）設(shè)定終止準(zhǔn)則，通過反復(fù)進(jìn)行步驟（2）中的操作將各個區(qū)域依次合并直到終止準(zhǔn)則滿足。這里對灰度分布的相似性常用兩種方法檢測（設(shè)分別為兩鄰接區(qū)域的累積灰度直方圖）：（1）Kolmogorov-Smirnov檢測：(5.6)（2）Smoothed-Difference檢測：(5.7)如果檢測結(jié)果小于給定的閾值，即將兩區(qū)域合并。對上述兩種方法有兩點(diǎn)值得說明：（1）小區(qū)域的尺寸對結(jié)果可能有較大影響，尺寸太小時檢測可靠性降低，尺寸太大時則得到的區(qū)域形狀不理想，小的目標(biāo)也可能漏掉；（2）式(5.7)比式(5.6)在檢測直方圖相似性方面較優(yōu)，因?yàn)樗紤]了所有灰度值。3、基于區(qū)域形狀在決定對區(qū)域的合并時也可以利用對目標(biāo)形狀的檢測結(jié)果，常用的方法有兩種：（1）把圖像分割成固定的區(qū)域，設(shè)兩鄰接區(qū)域的周長分別為和，把兩區(qū)域共同邊界線兩側(cè)灰度差小于給定值的那部分長度設(shè)為L，如果（為預(yù)定閾值）(5.8)則合并兩區(qū)域；（2）把圖像分割成灰度固定的兩區(qū)域，設(shè)兩鄰接區(qū)域的共同邊界長度為B，把兩區(qū)域共同邊界線兩側(cè)灰度差小于給定值的那部分長度設(shè)為L，如果（為預(yù)定閾值）(5.9)則合并兩區(qū)域。上述兩種方法的區(qū)別是：第一種方法是合并兩鄰接區(qū)域的共同邊界中對比度較低部分占整個區(qū)域邊界份額較大的區(qū)域，而第二種方法則是合并兩鄰接區(qū)域的共同邊界中對比度較低部分比較多的區(qū)域?！?.2后處理后處理的目的是刪除經(jīng)過分類后圖像中的顆粒和空洞，以使細(xì)胞分割的效果更好。由于這些顆粒和空洞是隨機(jī)分布在圖像中的，所以可以用區(qū)域生長的方法先找到這些顆粒和空洞，然后根據(jù)其周圍的像素的灰度值，使它們跟周圍的灰度值一致，以達(dá)到刪除顆粒和空洞的目的。在分類的過程中圖像實(shí)際上有四種類別的像素，背景、白細(xì)胞核、白細(xì)胞漿和紅細(xì)胞分別用四種不同的顏色表示，紅細(xì)胞不是我們要分割出的對象，所以可以將背景與紅細(xì)胞的顏色合為一種顏色，這樣就成為三值圖像，圖像中灰度的種類就非常少，使用區(qū)域生長的方法就更加簡單，所以這里就采用基于區(qū)域灰度差的生長準(zhǔn)則來對整幅圖像進(jìn)行搜索，生長準(zhǔn)則為與種子點(diǎn)灰度值相同（灰度差為零），具體算法描述如下：找到灰度值等于pixelValue1種子點(diǎn)的位置，并將其灰度值賦為pixelValue2;BOOLbNotEnd=true;intiPixelCount=0;//遍歷一遍找到的像素個數(shù)intiAreaSize=1;//總的像素個數(shù)while(bNotEnd){for(inti=0;i<iAreaSize;i++){取得當(dāng)前點(diǎn);iPixelCount=0;if(當(dāng)前像素點(diǎn)的鄰近8個點(diǎn)的灰度值==pixelValue1){記下鄰近點(diǎn)的位置，并將其灰度值賦為pixelValue2;iAreaSize++;iPixelCount++;}if(iPixelCount>=1){bNotEnd=true;i--;}}if(iPixelCount==0){bNotEnd=false;break;}}區(qū)域生長得到的區(qū)域可能是白細(xì)胞核或白細(xì)胞漿，所以必須設(shè)定一個閾值，像素個數(shù)小于閾值的區(qū)域判定為需要刪除的顆粒或空洞。以上程序是得到單個區(qū)域，要得到整幅圖像中的不相鄰的區(qū)域，必須遍歷整個圖像，程序中只需在前面加兩個for循環(huán)語句。通過觀察實(shí)驗(yàn)中大量物鏡100倍率下的骨髓細(xì)胞圖像，圖像中白細(xì)胞核和漿覆蓋區(qū)域的像素個數(shù)一般都是大于500，所以在程序中取閾值為500，當(dāng)然對不同物鏡倍率下的細(xì)胞圖像則需要適當(dāng)?shù)恼{(diào)整閾值?！?.3實(shí)驗(yàn)結(jié)果與比較§5.3.1實(shí)驗(yàn)結(jié)果通過區(qū)域生長方法對前兩章的分類結(jié)果進(jìn)行后處理，實(shí)驗(yàn)結(jié)果如圖5.1所示，從處理后的圖像可以看出，區(qū)域生長方法能夠很好地去掉分類后圖像中的顆粒和空洞。經(jīng)過后處理的圖像就是最終多光譜顯微細(xì)胞圖像的分割結(jié)果，圖中用白色表示背景，藍(lán)色表示白細(xì)胞核，綠色表示白細(xì)胞漿。更多其它圖像的分割圖示見附錄。形態(tài)學(xué)程序：附錄clear;closeall;I=imread('cell05.jpg');f=rgb2gray(I)BWs=edge(f,'canny',(graythresh(f)*.1));se1=strel('disk',15);itop=imtophat(f,se1);ibot=imbothat(f,se1);ienhance=imsubtract(imadd(itop,f),ibot);se2=strel('disk',6);bw1=imclose(ienhance,se2);bw2=imopen(bw1,se2);se90=strel('line',3,90);se0=st