《基于遺傳算法的直方圖熵閾值分割方法的細(xì)胞分割及信息提取研究》12000字（論文）

基于遺傳算法的直方圖熵閾值分割方法的細(xì)胞分割及信息提取研究摘要計(jì)算機(jī)技術(shù)飛速發(fā)展，人工智能和圖像處理技術(shù)逐漸成為醫(yī)療診斷中不可或缺的手段。目前醫(yī)院所用的白細(xì)胞分割提取方法十分依賴人工，耗時(shí)費(fèi)力。此時(shí)數(shù)字圖像處理提取血細(xì)胞圖像中的白細(xì)胞以及信息識(shí)別的優(yōu)勢便得以體現(xiàn)。血液白細(xì)胞的分類計(jì)數(shù)過程中，最為關(guān)鍵的步驟便是白細(xì)胞分割及信息提取部分。常用的數(shù)字圖像處理方法例如閾值分割法，邊緣檢測法，區(qū)域生長法等雖然能提高效率但是都具有明顯的缺陷。為了完善常規(guī)閾值分割方法的不足，本文主要采用基于遺傳算法的直方圖熵閾值分割方法，通過遺傳算法的優(yōu)勢更高效的尋得最佳閾值，先通過直方圖熵法對(duì)圖像進(jìn)行處理，再測量灰度圖的熵獲得最佳閾值，然后選擇合適的遺傳算子得到下一代群體，最終通過最佳閾值對(duì)圖像進(jìn)行分割。然后對(duì)分割效果圖進(jìn)行信息提取，首先對(duì)分割圖進(jìn)行邊界追蹤，隨后對(duì)追蹤后的分割圖進(jìn)行區(qū)域標(biāo)記，最后便可以對(duì)標(biāo)記好的白細(xì)胞區(qū)域進(jìn)行相關(guān)特征信息提取。在3幅仿真圖像及3幅白細(xì)胞信息提取表格表明，本課題算法較常規(guī)算法來說，分割精度更高，信息提取更加完善。能夠用于醫(yī)療診斷中。關(guān)鍵詞：白細(xì)胞提取圖像預(yù)處理閾值分割遺傳算法目錄摘要 IITOC\o"1-3"\h\uAbstract III1前言 11.1課題背景 11.2國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢 11.2.1國外研究現(xiàn)狀 21.2.2國內(nèi)研究現(xiàn)狀 32白細(xì)胞圖像分割及提取方法方法研究 42.1圖像分割概述 42.2常用的圖像分割方法研究 43直方圖熵結(jié)合遺傳算法細(xì)胞圖像多閾值分割 73.1遺傳算法與直方圖熵法介紹 73.2遺傳算法與直方圖熵法細(xì)胞圖像分割 83.3具體算法設(shè)計(jì)與實(shí)現(xiàn) 93.4細(xì)胞信息提取研究及實(shí)現(xiàn) 143.5本章小結(jié) 164實(shí)驗(yàn)結(jié)果及分析 174.1程序編輯器 174.2仿真圖象分割結(jié)果對(duì)比 184.3分割圖像信息提取分析 205結(jié)語 24參考文獻(xiàn) 25一前言1.1課題背景外周血中細(xì)胞種類繁多，其中根據(jù)有無細(xì)胞核可以分為有核細(xì)胞和無核細(xì)胞兩大類。有核細(xì)胞中我們常見的細(xì)胞有白細(xì)胞，巨核細(xì)胞，有核紅細(xì)胞等；無核紅細(xì)胞和血小板等[1]是五河細(xì)胞。他們各自的發(fā)育周期，發(fā)育過程及生理功能各不相同，健康人體內(nèi)的細(xì)胞各項(xiàng)指標(biāo)及比例是趨于某個(gè)特定值的，當(dāng)人體內(nèi)的細(xì)胞各項(xiàng)指標(biāo)與這個(gè)特定值相差較大，則說明他身體具有生病隱患。例如，若患有細(xì)菌感染，淋巴腫大等疾病，則單核細(xì)胞比例會(huì)增大；當(dāng)嗜酸性粒細(xì)胞數(shù)量增加時(shí)，那么患者可能是寄生蟲感染或過敏，并且患者一般患有皮膚病等[2]。因此，外周血白細(xì)胞檢測憑借其高效便捷的優(yōu)點(diǎn)在醫(yī)學(xué)檢測中被廣泛運(yùn)用。目前，各大醫(yī)院對(duì)白細(xì)胞的檢測主要是利用血細(xì)胞分析儀、流式細(xì)胞儀和人工鏡檢等。對(duì)白細(xì)胞數(shù)量檢測先用這些儀器進(jìn)行初步檢測，當(dāng)發(fā)現(xiàn)異常時(shí)，則啟用更加精準(zhǔn)的人工鏡檢。這種方法是臨床檢驗(yàn)的最高標(biāo)準(zhǔn)，是由兩名檢驗(yàn)科醫(yī)生耗費(fèi)大量精力和時(shí)間利用顯微鏡進(jìn)行細(xì)胞觀察，最終得到檢驗(yàn)結(jié)果。目前各大醫(yī)院所采用的白細(xì)胞分析儀主要利用物理技術(shù)，如散射光檢測技術(shù)、激光技術(shù)等。檢測方法因?yàn)檠?xì)胞信號(hào)的獲得方法不一樣也不盡相同，但這些方法都十分繁瑣并且耗費(fèi)財(cái)力物力。所以，如何從采集到的外周血細(xì)胞圖像中分割出單個(gè)的白細(xì)胞圖像，并用圖像處理技術(shù)實(shí)現(xiàn)白細(xì)胞的分類識(shí)別，受到了國內(nèi)外研究學(xué)者的廣泛關(guān)注，研究熱度也越來越高。1.2國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢原來的白細(xì)胞分割與提取技術(shù)需要操作人員手動(dòng)完成，血細(xì)胞分析儀等技術(shù)儀器誕生之后逐漸取代了原先的方法，但這種方法還不能完成對(duì)白細(xì)胞形態(tài)變化的觀察。對(duì)白細(xì)胞形態(tài)特征的觀察越來越智能化。目前，許多國內(nèi)外研究人員都在進(jìn)行外周血白細(xì)胞分類識(shí)別研究，主要手段有傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。傳統(tǒng)細(xì)胞識(shí)別方法大致步驟為：對(duì)細(xì)胞圖像進(jìn)行分割預(yù)處理，人工選擇合適的細(xì)胞特征進(jìn)分類，采取分割器進(jìn)行分割。1.2.1國外研究現(xiàn)狀閾值分割法、邊緣檢測法、基于區(qū)域的方法等是白細(xì)胞分割的主要方法有。常用的白細(xì)胞分類計(jì)數(shù)方法儀器法，手工鏡檢法，統(tǒng)計(jì)方法等。其中儀器法操作較為簡單，手工鏡檢法對(duì)人工要求較高。YanLi等人[9]明確的說明了雙閾值分割方式，其中的源頭是通過HSV與RGB。第一步，將原始外周血細(xì)胞圖像向灰度圖像轉(zhuǎn)化并將圖像實(shí)施對(duì)比度拉伸，在將外周血細(xì)胞圖像進(jìn)行預(yù)處理之后再對(duì)其進(jìn)行閾值分割，閾值的確定通過黃金分割法完成。第二步，后處理分割后的細(xì)胞圖像，再采取形態(tài)學(xué)方法和中值濾波法消除噪聲干擾。但是這種方法有個(gè)弊端就是在對(duì)灰度差異不大的細(xì)胞圖像進(jìn)行分割是效果不理想。S.Ravikumar[10]利用相關(guān)向量機(jī)（RVM）擬合直方圖得到稀疏相關(guān)向量，然后采取合適的閾值分割得到白細(xì)胞圖像。Xin等人[11]通過K均值聚類對(duì)圖像中的前景圖像進(jìn)行提取，再通過凹陷分析，利用接觸細(xì)胞初步分割白細(xì)胞；隨后以前面粗分割當(dāng)作自動(dòng)標(biāo)記，并且會(huì)培訓(xùn)整個(gè)向量機(jī)分類器，進(jìn)而會(huì)對(duì)圖像使用像素提取的方式將完善的向量機(jī)分類，以確保分割結(jié)果更精確。Candradewi等人[12]使用移動(dòng)K均值算法對(duì)細(xì)胞核及細(xì)胞質(zhì)進(jìn)行分別分割，隨后用基于標(biāo)記的流域變形方法將二者合成為完整的白細(xì)胞圖像，其缺陷是分割速度較慢。Andrade等人[13]在五個(gè)公共數(shù)據(jù)集上對(duì)以往文獻(xiàn)中的分割方法依次進(jìn)行實(shí)踐，發(fā)現(xiàn)這些方法分割準(zhǔn)確率在58.44%~97%不等，還對(duì)分割領(lǐng)域的常用方法進(jìn)行了總結(jié)。但是，以上方法任然不是通用方法。Miao等人[14]采用分水嶺算法對(duì)白細(xì)胞進(jìn)行分割這種方式還用到了圖像增強(qiáng)的方式使得白細(xì)胞區(qū)域更加突出以達(dá)到更好的分割效果。RoopaB等人[14]只將細(xì)胞和特征納入考慮范疇，例如體積，周長等作為分類依據(jù)，使用混合分類器將白細(xì)胞分為五類。AhmedT等人[15]采用直方圖均衡化和Zack閾值估計(jì)算法來分割外周血細(xì)胞，對(duì)細(xì)胞紋理，形狀，顏色等特征并采取社會(huì)蜘蛛算法（socialspideroptimizationalgorithm，SSOA）對(duì)細(xì)胞特征進(jìn)行簡化，這種特征選取算法的優(yōu)越性在多種分類器的實(shí)踐下得到了檢驗(yàn)。為了使醫(yī)學(xué)檢驗(yàn)技術(shù)方面更加高效快捷，近年來許多國外研究人員致力于如何提高外周血細(xì)胞的分割效果及信息提取效率的實(shí)驗(yàn)中。又因?yàn)楝F(xiàn)代圖像處理技術(shù)愈發(fā)成熟，細(xì)胞分割及信息提取相關(guān)科技飛速發(fā)展。1.2.2國內(nèi)研究現(xiàn)狀國內(nèi)醫(yī)學(xué)檢驗(yàn)方面發(fā)展較國外來說起點(diǎn)較慢，但是由于豐富的前人經(jīng)驗(yàn)，其發(fā)展更高速，主要分為對(duì)單個(gè)白細(xì)胞精準(zhǔn)分割和對(duì)白細(xì)胞圖像分類兩大研究方向。在研究初期，由于技術(shù)限制，只能得到白細(xì)胞灰色圖像，這使得白細(xì)胞圖像分類的難度大大提高。在科技飛速發(fā)展的背景下，白細(xì)胞圖像分割與信息提取的技術(shù)愈發(fā)成熟。目前沒有任何一種方法在白細(xì)胞分割中通用，研究人員們針對(duì)不同的細(xì)胞圖像特征對(duì)白細(xì)胞分割方法展開研究。王康等人構(gòu)造S分量與B分量融合圖像，對(duì)白細(xì)胞進(jìn)行分割。目前，只有高校在對(duì)白細(xì)胞信息識(shí)別分類進(jìn)行研究，其主要研究內(nèi)容是白細(xì)胞五分類，但是很少探索白細(xì)胞更多類別的分類識(shí)別。想要完成臨床上的細(xì)胞分類識(shí)別還需要跟深入的研究。通過查閱資料和閱讀文獻(xiàn)發(fā)現(xiàn)，機(jī)器學(xué)習(xí)和圖像處理算法任是白細(xì)胞圖像的分類的主要操作方法，這些方法的步驟總結(jié)為：顯微處理外周血細(xì)胞得到圖像作為初始數(shù)據(jù)，再將細(xì)胞核與細(xì)胞質(zhì)利用一些分割算法分離開，最終選用合適的分類特征利用分類器進(jìn)行分類，其流程如圖1.1所示。該方法適用范圍廣，操作原理也較為簡單。但是不同的人員選擇的標(biāo)準(zhǔn)不同，沒有一個(gè)既定統(tǒng)一的選擇標(biāo)準(zhǔn)適用于不同的數(shù)據(jù)集，并且細(xì)胞質(zhì)和細(xì)胞核的精準(zhǔn)分割也需要很大的工作量。圖1.1傳統(tǒng)白細(xì)胞分類方法得益于圖像處理技術(shù)不斷進(jìn)步，采用MATLAB用灰度閾值分割法對(duì)白細(xì)胞進(jìn)行分割及信息提取更容易實(shí)現(xiàn)。除此之外，成像技術(shù)的不斷發(fā)展，得到更為清晰的細(xì)胞圖像初始數(shù)據(jù)更加簡單。這些都有助于白細(xì)胞分割及信息提取。利用MATLAB編程從邊緣，區(qū)域生長，閾值等方面對(duì)初始圖像進(jìn)行處理使得白細(xì)胞分割及信息提取更加高效。二白細(xì)胞圖像分割及提取方法方法研究采取各被檢測這血液樣本制作血涂片，在采用顯微成像技術(shù)獲取血涂片中的細(xì)胞圖像，這個(gè)過程若通過人工目檢法完成將會(huì)十分費(fèi)力，所以，利用圖像處理技術(shù)完成這一步驟能夠提高不少效率，。顯微成像采集的血細(xì)胞圖像包含了紅細(xì)胞，白細(xì)胞，血小板等。本課題研究的是白細(xì)胞圖像分割及信息提取，所以應(yīng)該將單個(gè)白細(xì)胞圖像從外周血細(xì)胞中分割出來。2.1圖像分割概述圖像分割技術(shù)使用的主要是在圖像內(nèi)的關(guān)鍵信息，進(jìn)而經(jīng)過相似度原則把圖像分成諸多內(nèi)部能夠達(dá)成共識(shí)但是同質(zhì)連通領(lǐng)域具備不一樣的特點(diǎn)，其中關(guān)鍵信息有紋理，亮度，顏色等，對(duì)于每個(gè)區(qū)域來說，像素點(diǎn)都會(huì)擁有顯著差異。圖像分割使用集合概念來描述時(shí)，能夠?qū)⒎指顖D像看成整體的集合R，所有分割區(qū)域可以被稱之為非空子集，進(jìn)而需要達(dá)到的標(biāo)準(zhǔn)為：（1）（2）對(duì)于所有的i和j,當(dāng)（3）對(duì)于（4）對(duì)于（5）對(duì)于是連通的區(qū)域（標(biāo)點(diǎn)是否需要改成中文標(biāo)點(diǎn)）其中，條件（1）說明分割后得到的所有子區(qū)域組成整幅圖像；條件（2）的意思是在圖像內(nèi)所有像素僅僅為子區(qū)域；條件（3）展示的是在相同子區(qū)域，像素?fù)碛心撤N程度上的類似性；條件（4）展示的是在子區(qū)域不一樣時(shí)，像素特征需要具備很大差別；條件（5）展示的是連通的區(qū)域（標(biāo)點(diǎn)是否需要改成中文標(biāo)點(diǎn)）2.2常用的圖像分割方法研究目前，常用的圖像分割主要從三個(gè)方面考慮：（1）閾值分割法：該方法可以分成以下兩大類，首先是自動(dòng)閾值選擇法，這種方法能夠分成最小誤差閾值分割，迭代式閾值分割等；其次是人工選擇法，這種方法本文不進(jìn)行闡述。（2）區(qū)域分割方法：這種方法最關(guān)鍵的內(nèi)容就是將區(qū)域的分割以及生長加以融合，對(duì)于生長來說，它主要是通過一些類似的性質(zhì)，將“共性"像素元構(gòu)成整個(gè)面域。對(duì)于分割來說，是從整體開始，分裂出多個(gè)不同性質(zhì)的子區(qū)域。（3）邊緣檢測算法：采用微分算子與待分割圖像進(jìn)行卷積，從而獲取圖像的邊緣輪廓。(a)閾值分割法，OTSU算法最關(guān)鍵的分割憑據(jù)是通過圖像灰度特點(diǎn)為根源，對(duì)于分割閾值是否合適則需要用表征灰度分布是否均勻的度量—方差來運(yùn)算，對(duì)于圖像分割的最終結(jié)論，跟其能夠有關(guān)聯(lián)的主要是在背景的類間方差，如果背景跟目標(biāo)的類間方差得到提高，就代表整體分割效果完善；如果背景跟目標(biāo)出現(xiàn)錯(cuò)分的現(xiàn)象，類間方差會(huì)逐漸的下降，并且也會(huì)有不完善的分割效果，所以對(duì)于分割閾值最完善的時(shí)刻就是能夠讓類間方法最大時(shí)進(jìn)行獲取。但是常規(guī)閾值分割法十分容易受噪聲的影響，并且對(duì)目標(biāo)和背景之間的類間方差不大的圖像分割效果較差。圖2.1閾值分割流程圖(b)區(qū)域生長法這種方法最關(guān)鍵的就是通過類似性質(zhì)的一些像素，進(jìn)而其組成的整個(gè)區(qū)域加以集合，第一步就是要在分割的領(lǐng)域找到一個(gè)能夠當(dāng)作生長起點(diǎn)的像素點(diǎn)，進(jìn)而把子像素點(diǎn)周邊的能夠擁有類似性質(zhì)的像素點(diǎn)放置于相同的地域。將所有的像素點(diǎn)能夠作為新種子像素點(diǎn)，然后將以上的流程進(jìn)行反復(fù)，直到不能夠達(dá)到要求的周邊像素點(diǎn)能夠加以歸納，所以就成立了整個(gè)像素區(qū)域。區(qū)域生長開始的位置是像素點(diǎn)，并且通過設(shè)立的規(guī)則把周邊所有的像素點(diǎn)融入當(dāng)中，并且到不能夠達(dá)到標(biāo)準(zhǔn)的像素點(diǎn)之后，能夠逐漸的將生長停止。區(qū)域生長開始的位置是像素點(diǎn)，經(jīng)過了需要的因素來合整篇能夠?qū)⒛繕?biāo)進(jìn)行獲取的區(qū)域。不過區(qū)域生長法也具有明顯缺點(diǎn)即容易造成過度分割，使得提取不到完整的圖像信息。圖2.2區(qū)域生長分割流程圖(c)邊緣檢測法該方法主要的作用是使用圖像灰度改變當(dāng)中顯著的地域是邊緣，并且對(duì)于這哥提點(diǎn)來說，它使用的是微分來將邊緣像素點(diǎn)進(jìn)行運(yùn)算定位，而且邊緣的特點(diǎn)能夠通過灰度改變的特性將其區(qū)別成三種形狀：階梯狀，脈沖狀，屋頂狀。作為圖像的目標(biāo)部分與背景的分界線，邊緣檢測算子的好壞將直接決定分割的結(jié)果。邊緣檢測法的缺陷在于其不能具有較好的區(qū)域結(jié)構(gòu)，不能同時(shí)兼顧分割精度和抗噪強(qiáng)度兩方面。圖2.3邊緣分割流程圖三直方圖熵結(jié)合遺傳算法細(xì)胞圖像多閾值分割為了解決前文提到的三種方法所具有的缺陷，所以本課題從閾值分割角度出發(fā)，通過引入遺傳算法的優(yōu)勢來輔助尋得閾值分割所需的最佳閾值，而采用直方圖熵法則可以有效針對(duì)目標(biāo)和背景之間的類間方差不大的圖像分割情況，在直方圖中我們可以明了的尋得分割所需要的閾值而不再過度依賴與目標(biāo)和背景之間的較大類間方差。3.1遺傳算法與直方圖熵法介紹（1）遺傳算法遺傳算法是通過生物進(jìn)化輪之后，模仿的經(jīng)過遺傳學(xué)原理的推進(jìn)的整個(gè)過程中的一類算法。它能夠使用在諸多場景，它最關(guān)鍵的作用就是將最優(yōu)解找到，這種算法第一個(gè)說到的教授來源于一所美國的大學(xué)，所以遺傳算法逐漸問世，也就是在那個(gè)時(shí)候人們才開始慢慢知道遺傳算法的。美國的這個(gè)教授所提出的遺傳算法在當(dāng)時(shí)只是粗略的提了有這么一個(gè)思想，相對(duì)于今天的遺傳算法來說，當(dāng)時(shí)所提出的遺傳算法比較簡單，在現(xiàn)在看來當(dāng)時(shí)的遺傳算法被叫做簡單遺傳算法。這種算法的優(yōu)勢是操作步驟簡便，沒有求導(dǎo)以及函數(shù)連續(xù)性等限定條件，直接處理結(jié)構(gòu)對(duì)象。遺傳算法屬于一種在將問題處理的過程中使用的一種算法，在諸多通用問題上都能夠?qū)⑦@種算法予以使用。搜索算法擁有著以下特點(diǎn)：首先，通過適應(yīng)度函數(shù)來講所有運(yùn)算的備選解的數(shù)值都進(jìn)行保存，將另外那些備選解進(jìn)行排除；其次，通過探究的問題中任意出現(xiàn)一種能夠表示種群的解集；再次，依照探究的疑問來選取完善的適應(yīng)度函數(shù)，進(jìn)而將備選解的適應(yīng)情況進(jìn)行計(jì)算；最后，把保管的備選解實(shí)心多線路共同進(jìn)行運(yùn)作，進(jìn)而將新的備選解合成，隨后將備選解重復(fù)以上的步驟；遺傳算法擁有如下幾個(gè)優(yōu)點(diǎn)：首先，由于遺傳算法解決的問題時(shí)整個(gè)集，也可以說成為它解決的是所有代的集體，并且能夠?qū)⑺袀€(gè)體一起進(jìn)行解決，進(jìn)而能夠?qū)⒔档土司植孔顑?yōu)解的問題，而且這個(gè)計(jì)算方法擁有著可操作性，很容易實(shí)現(xiàn)；其次，遺傳算法使用的不是穩(wěn)定性的規(guī)則，而是使用一種概率的變化準(zhǔn)則，進(jìn)而將其探索的方向進(jìn)行全方位的指示，擁有著自適應(yīng)以及自組織性。這種算法使用整個(gè)進(jìn)化的進(jìn)程當(dāng)中獲取的信息自行組織進(jìn)行探索的過程當(dāng)中，能夠適應(yīng)更多物體的個(gè)人生存的幾率就會(huì)更大，并且能夠用歐完善的基因架構(gòu)；最后，使用遺傳算法將需要處理的疑問進(jìn)行探究解決的過程當(dāng)中，使用的大多是自疑問的解集開始逐漸的摸索，并不是在單一解就進(jìn)行解決的，對(duì)于那些傳統(tǒng)優(yōu)化算法，它就是在單一解就開始進(jìn)行問題的結(jié)局，這樣可能會(huì)導(dǎo)致我們只得到局部解，而離最優(yōu)解有很長的一段距離。但是遺傳算法的解決方式是從整個(gè)解集入手，這樣就會(huì)在很大領(lǐng)域上將完善的最優(yōu)解進(jìn)行探索，這就是二者最關(guān)鍵的差別。直方圖熵法大致步驟為制作細(xì)胞圖像的直方圖假設(shè)灰度直方圖相對(duì)來說出現(xiàn)了顯著的雙峰樣式，進(jìn)而選取的是兩峰間的谷底來將匹配的灰度值當(dāng)作閾值。詳情見下圖3-1。1f(x,y)>tG(x,y)=（3-1）0其他3.2遺傳算法與直方圖熵法細(xì)胞圖像分割直方圖熵結(jié)合遺傳算法細(xì)胞圖像多閾值分割步驟1）采用直方圖熵法對(duì)圖像進(jìn)行處理，其核心內(nèi)容即將每個(gè)像素點(diǎn)可以勻稱的分置于任意的灰度級(jí)，這樣的意義是以前圖像的對(duì)比度進(jìn)行完善化，使用直方圖熵法，進(jìn)而給灰度圖加以完善的處理，進(jìn)而能夠得出256個(gè)元素a[i]i=1,2。2）對(duì)染色體加以編碼，而且八位二進(jìn)制能夠跟256完善的進(jìn)行匹配，進(jìn)而把所有的染色體編碼當(dāng)成八位二進(jìn)制，并且所有的染色體都可以擁有跟自己匹配的分割閾值。3）測量灰度直方圖的熵，根據(jù)適應(yīng)度函數(shù)，求得最佳閾值。4）按照遺傳算法，選擇合適的遺傳算子，得到下一代群體5）直接找到最大值，否則繼續(xù)執(zhí)行第三步6）根據(jù)求得的最佳閾值來分割圖像圖3.1直方圖熵結(jié)合遺傳算法細(xì)胞圖像多閾值分割步驟流程圖3.3具體算法設(shè)計(jì)與實(shí)現(xiàn)閾值法具有算法簡單，操作簡便等特點(diǎn)，是圖像分割最常用的方法。而該方法的分割效果十分依賴合適的閾值選擇，因?yàn)檫z傳算法是非常高效的全局優(yōu)化算法，有助于尋得最合適的圖像分割閾值，所以本課題采用了基于遺傳算法優(yōu)化的直方圖熵分割方法。該方法同時(shí)具有優(yōu)良的實(shí)時(shí)性和高質(zhì)量的分割效果。具體算法實(shí)施流程如下：（1）編碼方式將閾值以編碼的形式表示成位串結(jié)構(gòu)數(shù)據(jù)。在此我們的圖像灰度值區(qū)間是0-255級(jí)共計(jì)256級(jí)，其符合八位二進(jìn)制編碼的表示形式，即我們可用00000000-11111111之間的一個(gè)八位二進(jìn)制編碼表示其中的一個(gè)分割閾值。（2）設(shè)置初始化參數(shù)（3）計(jì)算適應(yīng)度所有的個(gè)體都具備不同的適應(yīng)度，適應(yīng)度越大，表明這個(gè)個(gè)體各方面性能越好，越容易遺傳到下一代。為了得到更加精確的分割效果，我們需要使得目標(biāo)和背景的熵值差異越大越好。在此我們的適應(yīng)度函數(shù)選用圖像灰度的熵函數(shù)，函數(shù)如下：(3-2)（4）對(duì)群體進(jìn)行選擇，交叉，變異等遺傳操作，形成下一代群體選擇算子圖3.2選擇算子部分代碼交叉算子交叉算子最關(guān)鍵的作用就是在新個(gè)體出現(xiàn)時(shí)，并且它擁有著自己顯著的特點(diǎn)，在交叉過程中，一邊要保證不破壞每個(gè)個(gè)體編碼串的優(yōu)良模式，一邊要保證優(yōu)良新個(gè)體的產(chǎn)生。交叉的概念就是將兩個(gè)前一代的個(gè)體部分的架構(gòu)進(jìn)行交換以后能夠進(jìn)行重組，隨后合成新個(gè)體的整個(gè)運(yùn)行流程，經(jīng)過交叉以后的遺傳算法的探索水平能夠得到顯著的增強(qiáng)。交叉算子會(huì)通過所有交叉的可能性在整個(gè)群體內(nèi)的個(gè)體進(jìn)行某種基因任意的變換，進(jìn)而可以出現(xiàn)更完善的基因組合，并且將這些基因組合完善，交叉算子代碼如下：圖3.3交叉算子部分代碼3）變異算子變異算子的概念就是在個(gè)體串當(dāng)中發(fā)生的基因座內(nèi)的基因值來進(jìn)行改變，通過個(gè)體編碼不同的展示方式，能夠得到二進(jìn)制和實(shí)時(shí)變異兩類。變異算子擁有下面兩個(gè)操作流程：首先在所有的個(gè)體都會(huì)通過提前設(shè)立好的變異幾率來對(duì)其變異的情況進(jìn)行辨別；其次是在變異的個(gè)體可能變異的方式是隨機(jī)選擇變異位。該算子以一定概率將選定個(gè)體的某一位取反，例如1變?yōu)?，0變?yōu)?。圖3.4變異算子部分代碼（5）計(jì)算最佳直方圖熵圖3.5計(jì)算最佳直方圖熵部分代碼圖3.6計(jì)算最佳直方圖熵部分代碼補(bǔ)充（6）根據(jù)最佳閾值分割圖像圖3.7根據(jù)最佳直方圖熵分割圖像部分代碼圖3.8根據(jù)最佳直方圖熵分割圖像部分代碼補(bǔ)充1圖3.9根據(jù)最佳直方圖熵分割圖像部分代碼補(bǔ)充2圖3.10根據(jù)最佳直方圖熵分割圖像部分代碼補(bǔ)充33.4細(xì)胞信息提取研究及實(shí)現(xiàn)圖像信息提取具體步驟：(1)載入圖像，圖像分割前文已對(duì)細(xì)胞圖像進(jìn)行了分割工作，現(xiàn)對(duì)得到的分割效果圖中白細(xì)胞進(jìn)行信息提取。信息提取原圖轉(zhuǎn)化成二值圖，變成一個(gè)不規(guī)則的圖形了，應(yīng)在繼續(xù)對(duì)這個(gè)區(qū)域做處理，但這不影響我們論文的主題，所以先忽視。(2)使用bwboundaries函數(shù)展示的圖像內(nèi)目標(biāo)的bwboundaries函數(shù)能夠?qū)⑿枰分鸬膶?duì)象外邊界進(jìn)行追蹤，還有目標(biāo)內(nèi)孔的邊界，其中有以下幾個(gè)返回特性：首先是元胞數(shù)組B；其次是返回標(biāo)號(hào)矩陣L；最后返回N，N為整個(gè)目標(biāo)的數(shù)目，詳情見下圖3.11.（3）標(biāo)記區(qū)域使用的將測試圖像內(nèi)一直擁有的目標(biāo)進(jìn)行標(biāo)記的是bwlabel，將它們進(jìn)行偽彩色化，進(jìn)而將他們所有的數(shù)字標(biāo)記展示相互融合。圖3.12標(biāo)記區(qū)域部分代碼（4）特征表達(dá)使用regionprops函數(shù)對(duì)圖像中的每個(gè)目標(biāo)提取下面的二值特征，直接使用它統(tǒng)計(jì)信息，在workspace可以查看。圖3.13提取各目標(biāo)二值特征部分代碼隨后是將數(shù)據(jù)進(jìn)行分析，將所有圖行間距較大的特點(diǎn)進(jìn)行查找，隨后將閾值進(jìn)行定義，并且制作分類器，進(jìn)而能夠更加顯著的將特征矢量圖進(jìn)行繪畫。圖3.14制作分類器分析數(shù)據(jù)部分代碼3.5本章小結(jié)本章主要介紹了白細(xì)胞圖像的分割及信息提取方法。首先對(duì)外周血細(xì)胞圖像進(jìn)行降噪等預(yù)處理，然后從三個(gè)方向?qū)Π准?xì)胞的分割進(jìn)行了實(shí)驗(yàn)，首先是閾值分割法（OTSU），其操作簡便，計(jì)算量小，但是只能對(duì)單一目標(biāo)進(jìn)行分割，且對(duì)目標(biāo)和背景之間的類方差有要求（越大效果越好）。其次是區(qū)域生長法，其操作要求只要掌握了起始種子點(diǎn)，相鄰像素歸納規(guī)則和終止生長規(guī)則，要得到實(shí)驗(yàn)結(jié)果也較為簡便，且圖像分割結(jié)果較OTSU更佳。最后是直方圖熵結(jié)合遺傳算法細(xì)胞圖像多閾值分割法，雖然這種方法操作步驟較前兩種方法來說更加繁瑣，但是該方法結(jié)合了遺傳算法沒有求導(dǎo)以及函數(shù)連續(xù)性等限定條件和直方圖熵法便于尋找最佳閾值的優(yōu)點(diǎn)最終得到的分割圖像是效果最好的。然后再對(duì)提取信息進(jìn)行數(shù)據(jù)分析，查看各個(gè)圖行差距比較大的特征，然后定義閾值來制作分類器。也可以更清晰地表達(dá)畫出特征矢量圖。四實(shí)驗(yàn)結(jié)果及分析4.1程序編輯器MATLAB不僅是一種廣泛地被運(yùn)用在矩陣算法設(shè)計(jì)開創(chuàng)，還有數(shù)據(jù)的分析和諸多有關(guān)的數(shù)值進(jìn)行分析并且經(jīng)過一系列的運(yùn)算的高級(jí)科學(xué)。MATLAB最關(guān)鍵的就是進(jìn)行矩陣的運(yùn)算，因此其擁有下面幾個(gè)特性：首先，圖形功能強(qiáng)大；其次，架構(gòu)簡單，而且能夠方便進(jìn)行使用，整個(gè)庫里的函數(shù)很完善，并且計(jì)算標(biāo)記符很完善；再次，對(duì)整個(gè)程序沒有局限性，相對(duì)來說程序設(shè)計(jì)擁有一定的自由度；最后是缺點(diǎn)，它跟很多相對(duì)高級(jí)的程序進(jìn)行對(duì)比之后，該程序?qū)嵤┑乃俣嚷１菊n題使用的是MatlabR2017a版本，它對(duì)比以前版本來說，主要的優(yōu)點(diǎn)有：首先，在2017b當(dāng)中合成一個(gè)僅僅支撐一維向量的HDL代碼模塊，其作用是當(dāng)作輸出輸入接口，不能夠?qū)⑤斎胼敵鼋涌诋?dāng)作矩陣的支撐，這樣有時(shí)候排列的方式不是你想要的那種改起來就比較麻煩了。但是2018a中提到開始支持使用矩陣作為輸入輸出接口，這樣用起來就會(huì)方便很多了；其次，之前使用生成代碼時(shí)，大多是需要手寫的硬件，其中擁有引腳配置，并且很多輪廓部位與底層的驅(qū)動(dòng)加以配置，將最關(guān)鍵的運(yùn)算方法先在接口處進(jìn)行預(yù)存，隨后在matlab內(nèi)將建模代碼加以合成，進(jìn)而放置于以前的工程內(nèi)，盡管matlab能夠?qū)⒑铣纱a的整個(gè)過程中的器件，攻擊等進(jìn)行選取，但是在matlab當(dāng)中將輪廓部位的構(gòu)件還有底層驅(qū)動(dòng)進(jìn)行展示是一個(gè)很繁瑣的過程，不過在2018a內(nèi)增加了iic配置模塊，這個(gè)模塊很多的輪廓部位構(gòu)件對(duì)于很多使用的方法加以配置，這樣的話，對(duì)于簡單的工程全部開發(fā)都在matlab中就可能進(jìn)行。最后，在visonHDLCoder中增加一些不容易吸引人眼球的性能，對(duì)于中文翻譯以后，能夠稱之為“可分離的濾波器”。并且能夠給予兩個(gè)列向量，對(duì)其進(jìn)行相乘以后，該矩陣能夠跟事先預(yù)想的矩陣相同，不過矩陣也擁有一定的局限，好像是秩必須為一。這個(gè)對(duì)小尺寸的濾波器來說作用不大。比如3X3的濾波器原來使用3*3=9個(gè)參數(shù)，分離以后只要3+3=6個(gè)參數(shù)。最終的結(jié)論沒有降低太多，不過相對(duì)大卷積核來講更加完善，其中對(duì)于7X7的卷積核來將，其實(shí)用的參數(shù)就有49個(gè)，分離以后僅僅要求7+7=14個(gè)參數(shù)。這個(gè)功能在需要很多這樣的運(yùn)算是顯得十分有效。圖4.1MATLAB應(yīng)用標(biāo)識(shí)4.2仿真圖象分割結(jié)果對(duì)比實(shí)驗(yàn)結(jié)果與分析下圖是待分割細(xì)胞圖像與經(jīng)過基于遺傳算法的直方圖熵法分割后的效果圖。(a)(b)(c)圖4.2直方圖熵結(jié)合遺傳算法細(xì)胞圖像多閾值分割法原圖(a)(b)(c)圖4.3直方圖熵結(jié)合遺傳算法細(xì)胞圖像多閾值分割效果圖由此可見，直方圖熵結(jié)合遺傳算法細(xì)胞圖像多閾值分割后的效果圖圖像清晰，信息完整，對(duì)比性強(qiáng)，較傳統(tǒng)OTSU分割方法來說，該方法不僅分割效果較前者更好，而且極大的縮短了最佳閾值的搜尋時(shí)間。并且分割效果圖能夠?qū)π枰崛〉募?xì)胞信息一目了然，是上述幾種分割方法中效果最好的。也是本課題為后續(xù)白細(xì)胞信息提取更順利所采取的方法。詳情見下圖4.4(a)(b)(c)圖4.4細(xì)胞分割原圖(a)(b)(c)圖4.5迭代分割效果圖(a)(b)(c)圖4.6邊緣檢測效果圖(a)(b)(c)圖4.7區(qū)域生長效果圖(a)(b)(c)圖4.8基于遺傳算法的直方圖熵法分割效果圖將所有的圖像分割方法進(jìn)行對(duì)比之后可知，本課題采用的基于遺傳算法的直方圖熵法得到的分割效果圖信息更全面，圖像更清晰，使后續(xù)信息提取工作更簡單方便。就各分割方法的算法來說，本課題采用的方法由于具有遺傳算法的優(yōu)勢，搜尋最佳閾值的速度更快，圖像分割的效率更高。首先，較傳統(tǒng)閾值分割方法而言，本方法對(duì)目標(biāo)及背景間的類間方差要求不大，適用范圍更廣。較區(qū)域分割方法而言，本方法可以形成良好的區(qū)域結(jié)構(gòu)，能夠兼顧分割精度和抗噪兩個(gè)方面。較邊緣檢測方法而言，本方法不會(huì)造成圖像的過度分割，更有利于后續(xù)信息提取。4.3分割圖像信息提取分析我們以分割圖像中的白細(xì)胞相關(guān)信息作為參考，來驗(yàn)證我們的信息提取部分程序。第一步就是對(duì)目標(biāo)邊界bwboundaries函數(shù)加以跟蹤。效果如下：(a)(b)(c)圖4.9顯示目標(biāo)邊界部分效果圖隨后我們使用bwlabe標(biāo)記測試圖像中的連續(xù)區(qū)域（目標(biāo)）效果如下：(a)(b)(c)圖4.10標(biāo)記區(qū)域效果圖然后利用regionprops函數(shù)給圖像內(nèi)所有的目標(biāo)將二值特征進(jìn)行提出，進(jìn)而將統(tǒng)計(jì)信息進(jìn)行使用，并且查找的渠道為workspace。詳情見下圖4.11。圖4.11提取目標(biāo)統(tǒng)計(jì)信息隨后是將數(shù)據(jù)加以分析，將所有的圖形差別加大的特點(diǎn)進(jìn)行查找，將閾值進(jìn)行定義，進(jìn)而能夠?qū)⒎诸惼鬟M(jìn)行制作，也能夠完善的將特征矢量圖進(jìn)行繪畫，詳情見下圖4.12。效果如下：圖4.12圖4.10(a)分析面積和細(xì)度比例得到的特征矢量圖圖4.13圖4.10(b)分析面積和細(xì)度比例得到的特征矢量圖圖4.14圖4.10(c)分析面積和細(xì)度比例得到的特征矢量圖我們對(duì)區(qū)域中的白細(xì)胞進(jìn)行選擇信息提取得到如下表格表4.1圖4.10（a）白細(xì)胞的形態(tài)特征編號(hào)面積周長最大軸心軸長最小軸心軸長1360133.37400000000043.86831172639371.76383420737639225186.713000000000026.820609930010818.475033184057431195343.72900000000043.696236023289942.54884252000664876192.98600000000046.453895912442527.618601419864951055171.49100000000046.144658485256330.2593361289978表4.2圖4.10（b）白細(xì)胞的形態(tài)特征編號(hào)面積周長最大軸心軸長最小軸心軸長12906203.87600000000069.471856279033054.29010681225612625119.96800000000038.097820770717323.98482542585973743178.32200000000040.545106087772430.085947167684642688211.00600000000067.251144357274552.418542285852551911422.41000000000064.877068126600752.386503218016562496223.94800000000062.737967246052952.101718733684673038232.76500000000065.457410546639160.999157192960482877257.09500000000092.390327910398444.279253314631897122299.382000000000103.57000714859587.6824029520871101443219.49200000000063.347003759216043.1177935108574表4.3圖4.10（c）白細(xì)胞的形態(tài)特征編號(hào)面積周長最大軸心軸長最小軸心軸長12093282.91600000000077.321573790543340.1854817098481其中最大軸心軸長是指細(xì)胞截面最大寬度，最小軸心軸長是指細(xì)胞截面最小寬度。結(jié)合表格和圖像可知，本課題信息提取方法白細(xì)胞區(qū)域標(biāo)記更明顯，在外邊界追蹤過程中及區(qū)域標(biāo)記過程中凸顯了目標(biāo)提取區(qū)域并篩除了背景區(qū)域的干擾，并通過矢量圖的形式舉例展示各個(gè)圖行差距比較大的特征，從而達(dá)到我們需要的白細(xì)胞信息提取效果。經(jīng)過提取，a圖提取出了5個(gè)白細(xì)胞特征信息，b圖提取出了10個(gè)白細(xì)胞特征信息，c圖提取出了1個(gè)白細(xì)胞特征信息。與分割原圖的白細(xì)胞數(shù)量一致，且各白細(xì)胞面積，周長均符合白細(xì)胞尺寸要求。由此可知，本課題采用算法效果良好，可運(yùn)用于醫(yī)療診斷方面。鑒于傳統(tǒng)醫(yī)療診斷細(xì)胞分割提取方法耗時(shí)費(fèi)力的問題，本課題提出了基于遺傳算法的直方圖熵分割細(xì)胞的數(shù)字圖像處理方式。首先算法方面加入了遺傳算法的輔助，使得在計(jì)算過程中更快的尋得最佳閾值對(duì)圖像進(jìn)行分割。其次直方圖熵法的引用使得閾值分割對(duì)目標(biāo)和背景區(qū)域類間方差要求更低，最佳閾值在圖像上反應(yīng)更直觀。隨后信息提取部分先對(duì)圖像邊界進(jìn)行追蹤，再對(duì)白細(xì)胞圖像區(qū)域進(jìn)行標(biāo)記，有效的篩選了目標(biāo)提取區(qū)域和篩除了背景干擾區(qū)域。根據(jù)提取信息和分割仿真圖以及對(duì)比常規(guī)細(xì)胞分割方法結(jié)果得出結(jié)論：本課題所采用的分割方法分割效果較常規(guī)方法更加精確，并且色彩方面不受限制，在彩色環(huán)境下能夠獲取的信息更完善，能夠提取的區(qū)域更全面。在信息提取方面，本課題引入了矢量圖分析環(huán)節(jié)，讓提取效果更加直觀。但是，基于遺傳算法的直方圖熵分割方法仍存在一些不足之處。例如在圖像抗噪方面，閾值分割還是會(huì)受到比較明顯的影響。還有在分割效果圖方面，經(jīng)過分割后的圖像中仍存在少許雜質(zhì)區(qū)域，在對(duì)分割圖像進(jìn)行信息提取的過程中具有干擾的負(fù)面效果。因此，在以后的方法拓展研究當(dāng)中，可以對(duì)圖像進(jìn)行小波去噪和中值濾波去噪等預(yù)處理消除閾值分割的噪聲隱患問題。并且該方法不止運(yùn)用于細(xì)胞分割之中。因此，該算法還有很大的提升空間。五結(jié)語外周血白細(xì)胞對(duì)人體機(jī)能來說十分重要，因此外周血白細(xì)胞檢測的重要性不言而喻。許多疾病診斷都需要從外周血白細(xì)胞檢測入手。現(xiàn)醫(yī)院常用檢測方法是依靠血細(xì)胞檢測儀對(duì)白細(xì)胞進(jìn)行檢測，當(dāng)檢測結(jié)果出現(xiàn)異常，則需要使用精度更高的人工鏡檢由醫(yī)務(wù)人員親自參與完成檢驗(yàn)。雖然檢測結(jié)果準(zhǔn)確，但這些方法都十分繁瑣并且耗費(fèi)財(cái)力物力。所以，如何從采集到的外周血細(xì)胞圖像中分割出單個(gè)的白細(xì)胞圖像，并用圖像處理技術(shù)實(shí)現(xiàn)白細(xì)胞的分類識(shí)別，在醫(yī)學(xué)檢測中具有光明前景和重要意義。本文的整體工作內(nèi)容如下：查閱國內(nèi)外相關(guān)的文獻(xiàn)與資料，了解白細(xì)胞分割提取的實(shí)際應(yīng)用和意義及現(xiàn)醫(yī)院等進(jìn)行白細(xì)胞分割提取所用方法，隨后對(duì)醫(yī)院的白細(xì)胞分割提取方法進(jìn)行分析，了解其優(yōu)缺點(diǎn)，了解國內(nèi)外分別對(duì)該課題的研究現(xiàn)狀與成果，為本課題工作做好背景知識(shí)（2）了解目前國內(nèi)外常用的細(xì)胞分割方法，文中采用了閾值分割法，邊緣檢測法，區(qū)域生長法和直方圖熵和遺傳算法相結(jié)合的分割方法。對(duì)預(yù)處理的細(xì)胞圖像依次使用上述分割方法并根據(jù)分割效果圖對(duì)各方法進(jìn)行篩選評(píng)價(jià)。其中，迭代分割法得到的分割圖像較為模糊，且對(duì)目標(biāo)和背景區(qū)域類方差有一定要求，區(qū)域生長法得到的分割圖像對(duì)于提取目標(biāo)分割較為明確，但是缺陷在于缺少除提取目標(biāo)以外的背景區(qū)域信息，沒有對(duì)比性。邊緣檢測法從R,G,B三個(gè)方向?qū)?xì)胞圖像進(jìn)行分割，分割信息較全面，但是分割效果圖不太理想，信息不易提取全面。最后使用的是遺傳算法跟直方圖熵融合以后，使用分割的方式對(duì)其加以分割，進(jìn)而得出彩色分割效果圖，較前幾中分割方法來說，圖像更清晰，提取信息更全面，是效果最好的分割方法。本次基于大學(xué)所學(xué)知識(shí)的設(shè)計(jì)，能夠很好的適用于很多場景之中，并且其簡易的裝置使得操作更加方便，低廉的成本使得學(xué)生也能很好的動(dòng)手制作，高效簡潔的信號(hào)處理和其高靈敏度的特性，可以在啊得到很好的保障。通過結(jié)果可見，該置具有一定的可發(fā)展性，也具備著產(chǎn)品化的可能性，雖然這次裝置不具備產(chǎn)品美觀的特點(diǎn)，也達(dá)不到產(chǎn)品的精度，后續(xù)，我也會(huì)繼續(xù)努力，向著更精準(zhǔn)，更美觀，更實(shí)用的方向繼續(xù)努力，繼續(xù)深入研究。但是由于時(shí)間、基礎(chǔ)及缺乏實(shí)踐等多方面的問題，還有諸多需要解決的問題依然存在，設(shè)計(jì)中很多方面考慮不夠周全或者考慮不到，但是我在畢業(yè)設(shè)計(jì)的過程中所掌握到的基礎(chǔ)知識(shí)使我受益終身。也享受到運(yùn)用知識(shí)解決問題的喜悅,我相信本設(shè)計(jì)對(duì)于我未來的工作有很大幫助，我會(huì)努力學(xué)習(xí)更多專業(yè)知識(shí)去盡力完善此設(shè)計(jì)。參考文獻(xiàn)[1]徐會(huì)芹.外周血細(xì)胞形態(tài)分析[J].臨床醫(yī)藥文獻(xiàn)電子雜志,2016,3(34):6859–6860.[2]楊婷.血細(xì)胞形態(tài)檢測在疾病診斷中的運(yùn)用評(píng)價(jià)[J].醫(yī)學(xué)理論與實(shí)踐,201730(18):2772–2773.[3]郭俊方,羅渠澎.貝克曼LH750血細(xì)胞分析儀原理及故障維修[J].醫(yī)療裝備,2011,24(12):90–91.[4]李陽,楊建彬,凌春騰.SysmexKX-21N血細(xì)胞分析儀的工作原理及常見故障分析[J].中國醫(yī)療設(shè)備,2014,29(06):145–146.[5]李星軍,郭友成.雅培CELL-DYN3200