漆鵬杰，劉秀波，仲兆準(zhǔn)（.蘇州大學(xué)機(jī)電工程學(xué)院，江蘇蘇州50；.蘇州大學(xué)沙鋼鋼鐵學(xué)院，江蘇蘇州50）

顯微細(xì)胞圖像有形成分分割方法研究

漆鵬杰1，劉秀波1，仲兆準(zhǔn)2
（1.蘇州大學(xué)機(jī)電工程學(xué)院，江蘇蘇州215021；2.蘇州大學(xué)沙鋼鋼鐵學(xué)院，江蘇蘇州215021）

本文研究了一種顯微細(xì)胞圖像有形成分分割方法。首先，利用傳統(tǒng)的邊緣檢測(cè)及閾值分割法對(duì)顯微細(xì)胞圖像有形成分進(jìn)行分割比較，然后基于顯微細(xì)胞圖像特點(diǎn)提出了一種改進(jìn)的二維最大熵閾值結(jié)合形態(tài)學(xué)分割方法。最后通過分割實(shí)驗(yàn)進(jìn)行驗(yàn)證，結(jié)果表明利用本文方法能較好地實(shí)現(xiàn)顯微細(xì)胞圖像有形成分分割。所以本文提出的分割方法在醫(yī)學(xué)上具有一定的實(shí)用價(jià)值。

顯微細(xì)胞；有形成分；分割；熵值

0 引言

顯微細(xì)胞是構(gòu)成人體的重要組成部分，廣泛存在于人體的血液、體液、尿液等樣本中。顯微細(xì)胞主要包括紅細(xì)胞、白細(xì)胞、上皮細(xì)胞、管型、結(jié)晶等，其結(jié)構(gòu)、形態(tài)、數(shù)量的變化都將影響人體機(jī)能的正常運(yùn)行，危害人體健康。顯微細(xì)胞檢測(cè)是醫(yī)院的一項(xiàng)重要的細(xì)胞檢測(cè)手段，它主要是通過在顯微鏡下觀察顯微細(xì)胞的數(shù)目、形態(tài)、大小等特征來判定人體的身體健康狀況。目前，醫(yī)學(xué)上大多采用傳統(tǒng)的人工檢測(cè)手段，這種方法是人工直接利用顯微鏡觀察樣本情況，其存在許多弊端：觀測(cè)時(shí)間較長(zhǎng)，容易產(chǎn)生視覺疲勞；儀器、采樣等容易引起噪聲污染及模糊圖像；重復(fù)性差，難于標(biāo)準(zhǔn)化，不利于臨床動(dòng)態(tài)觀察[1-2]。這些弊端的存在使得醫(yī)學(xué)診斷的準(zhǔn)確性受影響，因此人工鏡檢已經(jīng)很難適應(yīng)醫(yī)院大批量的現(xiàn)代化檢測(cè)要求。而隨著計(jì)算機(jī)技術(shù)以及機(jī)器視覺技術(shù)的飛速發(fā)展，基于機(jī)器視覺的顯微細(xì)胞圖像有形成分自動(dòng)識(shí)別技術(shù)不斷完善，醫(yī)學(xué)上逐步利用計(jì)算機(jī)的高效率、高準(zhǔn)確性特點(diǎn)，將醫(yī)學(xué)工作和計(jì)算機(jī)視覺手段結(jié)合起來，用于自動(dòng)診斷與識(shí)別。

基于機(jī)器視覺的顯微細(xì)胞圖像有形成分自動(dòng)識(shí)別技術(shù)主要有圖像預(yù)處理、圖像分割、有形成分特征提取以及有形成分識(shí)別等技術(shù)。其中圖像分割在整個(gè)顯微細(xì)胞有形成分自動(dòng)識(shí)別中極為關(guān)鍵。由于顯微細(xì)胞圖像本身的成分特點(diǎn)以及在采集過程中各方面的影響，獲取的圖像容易混入噪聲，造成細(xì)胞顯微圖像光照不均、對(duì)比度低，這給顯微細(xì)胞有形成分的分割帶來了一定的難度[3]。本文主要針對(duì)顯微細(xì)胞圖像特點(diǎn)，并通過研究和比較傳統(tǒng)的邊緣檢測(cè)法和閾值分割法，提出了一種二維最大熵閾值粗分割結(jié)合形態(tài)學(xué)二次分割的有形成分分割方法，較好地分割了顯微細(xì)胞圖像有形成分。

1 邊緣檢測(cè)分割方法

圖像的邊緣是圖像最基本的特征，它在圖像分析中起著關(guān)鍵的作用。對(duì)于顯微細(xì)胞圖像有形成分而言，在細(xì)胞區(qū)域有著明顯的邊緣，即是像素點(diǎn)灰度值的變化，這種變化可以用微分算子檢測(cè)出來，通常是以一階或者二階導(dǎo)數(shù)的方式，這就叫邊緣檢測(cè)。其中Roberts、Sobel、Prewitt是基于一階導(dǎo)數(shù)檢測(cè)的邊緣檢測(cè)算子，它們利用各自的模板作為核與圖像中的每個(gè)像素點(diǎn)做卷積和運(yùn)算，然后選取合適的閾值以提取邊緣。Laplace算子是基于二階導(dǎo)數(shù)檢測(cè)的邊緣檢測(cè)算子。Canny算子不屬于微分檢測(cè)算子范疇，它是在一定約束條件下推導(dǎo)出的邊緣檢測(cè)最優(yōu)化算子。

2 閾值分割方法

為了實(shí)現(xiàn)閾值分割，需要將圖像劃分為目標(biāo)灰度集合和背景灰度集合，且兩個(gè)灰度集合可以用一個(gè)灰度級(jí)閾值進(jìn)行分割，這種用閾值分割灰度級(jí)的計(jì)算方法就是圖像的閾值處理。設(shè)圖像為f（x，y），其灰度范圍為[0，L-1]，在0和L-1之間選擇一個(gè)合適的閾值T，則圖像分割方法可描述為：

在閾值分割中，閾值的選擇合適與否直接決定了圖像分割結(jié)果的準(zhǔn)確性。基于閾值的分割方法有很多種，本節(jié)主要介紹直方圖雙峰法、迭代閾值法、Otsu閾值法。

2.1 直方圖雙峰法

在圖像的灰度直方圖上找出目標(biāo)與背景出現(xiàn)的高峰，兩高峰的低谷處即閾值。雙峰法的優(yōu)點(diǎn)是算法易于理解并容易實(shí)現(xiàn)[4]。但從效果圖上看，只有當(dāng)圖像的背景顏色與前景顏色相差較大時(shí)，原始圖像分割效果較好。

2.2 迭代閾值法

迭代法是基于逼近的原理[5]，圖像的最大灰度值為Max、最小灰度值為Min，則初始閾值為：

閾值Tk可將圖像劃分為目標(biāo)和背景，求出目標(biāo)和背景的平均灰度值為Z0和Zb，此時(shí)閾值為：

如果Tk=Tk+1，則為所求閾值；反之利用式（3）進(jìn)行迭代計(jì)算。經(jīng)驗(yàn)證，利用迭代法進(jìn)行閾值分割的效果較好，可將圖像的目標(biāo)區(qū)域和背景區(qū)域合理地分離。但圖像的微小部分仍會(huì)存有缺陷。

2.3 Otsu閾值法

Otsu法[6]是一種使類間方差最大來自動(dòng)確定閾值的方法，其算法簡(jiǎn)單、速度快。設(shè)圖像有L個(gè)灰度級(jí)，灰度級(jí)為i的像素為ni，則總的像素每個(gè)灰度級(jí)的概率為pi=ni/N，設(shè)灰度1～T級(jí)的像素B為背景區(qū)域，灰度級(jí)T+1～L-1的像素O為目標(biāo)區(qū)域。B和O的概率分別為：

B、O兩區(qū)域的灰度平均值分別是：

圖像總的灰度均值為：

B、O兩區(qū)域的類間方差為：

T在[0，L-1]范圍內(nèi)依次取值，使得σ2最大時(shí)的T值即為Otsu法的最佳閾值。

3 基于平滑后的二維最大熵閾值粗分割與形態(tài)學(xué)精細(xì)分割的結(jié)合

3.1 改進(jìn)的二維最大熵閾值粗分割

（1）顯微細(xì)胞圖像區(qū)域灰度特征包含了圖像的部分空間信息，并且對(duì)噪聲敏感程度相比點(diǎn)灰度特征較弱。因此利用顯微圖像的點(diǎn)灰度和區(qū)域灰度特征就可較好地表征顯微細(xì)胞圖像的信息，改善圖像的分割質(zhì)量，實(shí)現(xiàn)二維直方圖最大熵閾值分割[7]。

設(shè)顯微細(xì)胞原圖像f（x，y）的灰度級(jí)數(shù)為L(zhǎng)，圖像的大小為M×N，經(jīng)過對(duì)原圖進(jìn)行鄰域平均得到另一顯微細(xì)胞圖像g（x，y），它的灰度級(jí)仍為L(zhǎng)，圖像大小不變。兩圖像灰度級(jí)共同構(gòu)成一個(gè)二元函數(shù)z（i，j）=[f（x，y），g（x，y）]M×N。設(shè)nij為圖像中點(diǎn)灰度為i及其區(qū)域灰度均值為j的像素點(diǎn)數(shù)，pij為點(diǎn)灰度與區(qū)域灰度均值對(duì)（i，j）發(fā)生的概率，則：

用像素灰度等于s和鄰域平均灰度等于t的兩個(gè)值來劃分圖像二維灰度直方圖，如圖1為二維直方圖xoy平面圖，其中A和B分別代表目標(biāo)與背景（或相反），遠(yuǎn)離對(duì)角線的C和D代表邊界噪聲。

圖1 圖像二維直方圖灰度平面

定義二維離散熵為：

定義后每個(gè)區(qū)概率為PA、PB、PC、PD，那么：

相應(yīng)的A區(qū)域的二維熵為：

式中：

由于遠(yuǎn)離對(duì)角線的C和D區(qū)域包含關(guān)于噪聲和邊緣的信息，概率較小，可以忽略不計(jì)，因此得到：

熵的判別函數(shù)為：

該算法能夠克服因灰度分布集中，灰度直方圖呈現(xiàn)峰、谷不明顯以致難以獲取最佳閾值的缺陷。

（2）在研究分析中發(fā)現(xiàn)，利用此方法進(jìn)行分割耗時(shí)較長(zhǎng)，主要是因?yàn)殚撝档倪x取是在二維空間中計(jì)算，復(fù)雜度大。這就需要對(duì)其進(jìn)行改進(jìn)來減少算法運(yùn)行時(shí)間。本文提出一種改進(jìn)閾值選取方法如圖2所示。

圖2 改進(jìn)的二維直方圖分布

以圖中的對(duì)角線為閾值把直方圖劃分為E、F兩個(gè)區(qū)域。將像素灰度值與鄰域平均灰度值小于N的所有的像素點(diǎn)劃分為一類，則大于N值為另外一類，分別代表圖像中的目標(biāo)和背景。此方法就是把像素灰度值和鄰域平均灰度值之和相等的像素點(diǎn)劃分為一組，劃分值以每個(gè)組為單位，即劃分值增加一個(gè)單位就會(huì)相應(yīng)地增加一組像素點(diǎn)。此類方法等效于先用均值濾波器對(duì)圖像做平滑處理，再對(duì)圖像進(jìn)行分割。

將計(jì)算從二維簡(jiǎn)化為一維，此時(shí)只需計(jì)算圖2中E的PE和HE：

閾值選取準(zhǔn)則是：i+j=N，此時(shí)：

定義

可以得到：

熵的判定函數(shù)定義為：

在上式中其實(shí)是用沿對(duì)角線方向的分割線將直方圖分為2（L-1）條組帶，用在0～2（L-1）間變化的N作為劃分閾值，這就將二維復(fù)雜運(yùn)算降為一維，大大縮短了運(yùn)算時(shí)間，在平滑處理前與處理后的分割時(shí)間對(duì)比如表1所示。

表1 顯微細(xì)胞圖像分割時(shí)間對(duì)比（單位：s）

3.2 數(shù)學(xué)形態(tài)學(xué)二次精細(xì)分割

在采用二維最大熵閾值分割方法分割顯微細(xì)胞圖像后，雖然能夠較好地提取顯微細(xì)胞的邊緣，但在顯微細(xì)胞圖像中出現(xiàn)了一些不是細(xì)胞區(qū)域的雜點(diǎn)，并且邊界還會(huì)有微小斷裂以及細(xì)胞孔洞的存在。因此就要利用相關(guān)的方法進(jìn)行二次精細(xì)分割。本文利用數(shù)學(xué)形態(tài)學(xué)中開閉操作以及填充的方法來完成顯微細(xì)胞圖像的精細(xì)分割。

最終的分割流程：首先用中值濾波去除圖像中噪聲，再對(duì)顯微細(xì)胞圖像進(jìn)行平滑處理，有利于減少誤差和加快運(yùn)算速度；接著利用二維最大熵方法完成粗分割；最后用形態(tài)學(xué)方法完成精細(xì)分割。

4 顯微細(xì)胞圖像分割實(shí)驗(yàn)及分析

在分析研究了不同的圖像分割方法之后，就要利用以上邊緣檢測(cè)方法以及閾值分割方法對(duì)顯微細(xì)胞圖像進(jìn)行分割實(shí)驗(yàn)，利用邊緣檢測(cè)中的Sobel算子、Roberts算子以及Canny算子對(duì)顯微細(xì)胞圖像的分割效果如圖3所示。從圖中可以看到在利用邊緣檢測(cè)算子對(duì)顯微細(xì)胞圖像進(jìn)行分割的邊緣提取的效果較差，Sobel算子和Roberts算子提取的邊緣不夠完善，很多邊緣都是斷裂的；而利用Canny算子提取過于細(xì)致，許多噪聲點(diǎn)也被提取出來，干擾太大。因此，利用邊緣檢測(cè)的方法不能很好地分割顯微細(xì)胞圖像。

圖3 邊緣檢測(cè)法分割

根據(jù)顯微細(xì)胞圖像的灰度直方圖，利用直方圖雙峰法、迭代閾值法及Otsu閾值法對(duì)顯微細(xì)胞圖像進(jìn)行分割，其分割結(jié)果如圖4所示。從圖中可以看到基于閾值分割方法同樣未能很好地分割出顯微細(xì)胞邊緣，這是因?yàn)轱@微細(xì)胞圖像的對(duì)比度低，在其直方圖中呈現(xiàn)單峰，導(dǎo)致閾值選取困難，分割效果不理想。

圖4 閾值分割法

最后利用本文的分割方法對(duì)顯微細(xì)胞圖像進(jìn)行分割，效果如圖5所示。由實(shí)驗(yàn)效果圖可以看到，利用本文的分割方法能夠較好地將顯微細(xì)胞圖像中的有形成分區(qū)域分割出來，細(xì)胞邊緣較其他幾類方法完整，并且無其他雜點(diǎn)的存在，得到了較為精細(xì)的細(xì)胞有形成分二值圖像，這說明本文的分割方法是比較好的。

圖5 本文方法分割

5結(jié)論

本文研究比較了傳統(tǒng)的邊緣檢測(cè)及閾值分割法在顯微細(xì)胞圖像分割中的應(yīng)用，分析了分割結(jié)果，提出了一種改進(jìn)的二維最大熵閾值粗分割結(jié)合形態(tài)學(xué)精細(xì)分割的顯微細(xì)胞圖像有形成分優(yōu)化分割方法。實(shí)驗(yàn)結(jié)果表明該方法運(yùn)行速度快，能較好地分割出顯微細(xì)胞圖像有形成分區(qū)域，因此，本文的分割方法在醫(yī)學(xué)上具有一定的實(shí)用價(jià)值。

[1]顧可梁.尿有形成分的識(shí)別與檢查方法的選擇[J].中華檢驗(yàn)醫(yī)學(xué)雜志，2005，28（6）：572-575.

[2]梁光明.體液細(xì)胞圖像有形成分智能識(shí)別關(guān)鍵技術(shù)研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2008.

[3]HANCE G A，UMBAUGH S E，MOSS R H，et al.Unsupervised color image segmentation with application to skin tumor borders[J].IEEE Engineering in Medicine and Biology，1996，15（1）：104-111.

[4]SEZGIN M，SANKUR B.Survey over image thresholding techniques and quantitative performance evaluation[J].Journal of Electronic Imaging，2003，13（1）：146-165.

[5]譚優(yōu)，王澤勇.圖像閾值分割算法實(shí)用技術(shù)研究與比較[J].微計(jì)算機(jī)信息，2007，23（24）：298-299.

[6]李靖宇，穆偉斌，金成，等.圖像分割在醫(yī)學(xué)圖像處理中的應(yīng)用研究[J].微型機(jī)與應(yīng)用，2012，31（8）：29-31.

[7]張新明，張愛麗，鄭延斌，等.二維最優(yōu)進(jìn)化圖像分割算法[J].微型機(jī)與應(yīng)用，2012，31（13）：38-45.

Research on the method of particles segmentation in m icro-cell image

Qi Pengjie1，Liu Xiubo1，Zhong Zhaozhun2
（1.School of Mechatronic Engineering，Soochow University，Suzhou 215021，China；2.School of Shagang Steel，Soochow University，Suzhou 215021，China）

A method of particles segmentation in micro-cell image is studied in this paper.Firstly，the tradition segmentation methods based on edge detection and thresholding are applied，and the results are compared.Then，according to the characteristics of micro-cell images，a new segmentation method based on the improved 2-D maximum entropy threshold and morphology is proposed.Finally，the segmentation results show the method in this paper can segment the particles from the background effectively. Thus，the segmentation method proposed in this paper has a certain practical value in medicine.

micro-cell；particles；segmentation；entropy

TP36

A

1674-7720（2015）17-0039-04

漆鵬杰，劉秀波，仲兆準(zhǔn).顯微細(xì)胞圖像有形成分分割方法研究[J].微型機(jī)與應(yīng)用，2015，34（17）：39-42.

2015-04-09）

漆鵬杰（1989-），男，碩士研究生，主要研究方向：機(jī)器視覺與圖像處理。

劉秀波（1968-），通信作者，男，工學(xué)博士，教授，碩導(dǎo)，主要研究方向：先進(jìn)制造技術(shù)與新材料、零部件表面與摩擦學(xué)、復(fù)合材料與加工。E-mail：liuxiubo@suda.edu.cn。

仲兆準(zhǔn)（1980-），男，博士，講師，主要研究方向：預(yù)測(cè)控制理論及應(yīng)用、實(shí)時(shí)控制與仿真、機(jī)電一體化產(chǎn)品設(shè)計(jì)。