錢偉麗 劉 敏 李潔沁 劉小燕

(湖南大學電氣與信息工程學院， 長沙 410082)

引言

圖1 植物頂端分生組織的顯微圖像棧序列。 (a)植物樣本；(b)植物頂端分生組織的放大特寫；(c)共聚焦顯微鏡成像系統(tǒng)；(d)通過共聚焦激光掃描顯微鏡得到的頂端分生組織細胞沿時間方向的圖像棧序列(圖像可能發(fā)生旋轉(zhuǎn)或平移)；(e)基于分水嶺算法的分割結(jié)果Fig.1 The time series of microscopic plant cell image stack。 (a) A plant sample; (b) Shoot apical meristem; (c) Confocal laser scanning microscope; (d) An example of the cell images taken by confocal laser scanning microscopy at different time instances (images can be translated or rotated); (e) The segmentation results of (d) based on watershed algorithm

生物體的生長發(fā)育模式主要包括細胞群體的空間排列規(guī)則以及細胞的遷移、擴張和分裂等動態(tài)行為規(guī)律，因此對細胞群體的行為規(guī)律做出精確的理解是建立生物體生長發(fā)育模型的關鍵步驟[1-2]。基于光學顯微成像技術(shù)，研究活體內(nèi)的細胞運動模型以及細胞生長規(guī)律，進而探索生物體基因的結(jié)構(gòu)功能以及生物體發(fā)育過程的科學機理，對于生命科學基礎研究具有重大意義。為此，對顯微圖像數(shù)據(jù)中細胞群的追蹤算法研究具有非常重要的理論和應用價值。近幾年來，國內(nèi)外學者針對細胞追蹤問題做了大量富有成效的工作，如基于半局部鄰域貝葉斯判別的細胞追蹤算法[3]、水平集分割算法[4-5]、拓撲約束法[6-8]、蜂窩劃分和反饋糾正的追蹤算法[9]、多粒子濾波器和多維分配的追蹤算法[10]、概率松弛標記算法[11]、維特比算法[12]、基于細胞紋理特征的追蹤算法[13]、基于復合mean-shift算法的細胞追蹤方法[14]等。但是，由于植物頂端分生組織圖像中細胞之間相互緊挨且形狀、灰度值相近這一特殊性(見圖1)，這些方法都不能直接用于該圖像中細胞的追蹤。法國國立計算機及自動化研究院提出了關于植物細胞的多角度圖像采集以及圖像分析方法[15]，但他們的圖像采集方法跟本項目采用的共聚焦激光掃描顯微鏡的活細胞成像技術(shù)[16]有很大不同：他們所采用的激光能量密度比較高，長時間照射會導致細胞死亡，所以不能實現(xiàn)較密集時間間隔的圖像數(shù)據(jù)采集。針對所研究的植物細胞圖像，有研究者提出基于條件隨機場的細胞追蹤算法[17]，其追蹤植物細胞的前提是圖像經(jīng)過配準。

早前的研究提出了一種基于局部圖匹配的細胞追蹤算法[18-19]，該算法對圖像中細胞提取面積、相鄰細胞距離、方位信息和質(zhì)心位置特征，然后比較相鄰兩幀圖像中細胞的特征，選擇最相似的細胞對作為種子細胞對，再從種子細胞向外擴散，匹配種子細胞的鄰細胞。在每次匹配過程中，種子細胞不斷更新為新匹配的細胞。該追蹤算法在噪聲小的圖像上能取得較好的追蹤結(jié)果，但是對于噪聲嚴重的圖像在匹配過程中容易出現(xiàn)匹配錯誤的細胞對，而該對細胞作為新的種子細胞對會造成其鄰細胞匹配錯誤，隨著錯誤的不斷累積，將導致最后追蹤準確度低。同時，局部圖匹配算法通過質(zhì)心位置與細胞方位信息特征進行細胞匹配，這些特征的使用前提是圖像經(jīng)過配準。但細胞成像過程中由于細胞平面被錯位與被旋轉(zhuǎn)帶來的噪聲，給細胞圖像的配準帶來很大的難度，所以開發(fā)能夠?qū)剐D(zhuǎn)與平移噪聲的匹配算法至關重要。

因此，筆者提出的局部圖動態(tài)匹配算法，在以下3個方面改進了之前的算法[18]：

1) 圖像出現(xiàn)隨機旋轉(zhuǎn)與位移噪聲時，細胞與其周圍細胞組成的局部圖的幾何形狀以及拓撲結(jié)構(gòu)不變，提取不變特征(即細胞的面積、相鄰細胞的夾角與距離)來進行細胞匹配，使本研究提出的算法能對抗成像過程中帶入的位移與旋轉(zhuǎn)噪聲。

2) 已匹配的細胞作為新增加的種子細胞，在動態(tài)擴張的已匹配細胞鄰域范圍中，每次優(yōu)先匹配特征距離最小的細胞對，通過動態(tài)匹配模式，提高細胞匹配的準確率。

3) 結(jié)合細胞分裂與細胞局部圖的特點，對分裂的細胞進行檢測。

圖2給出了本算法的流程。先找到最相似的細胞對作為種子細胞對，然后從種子細胞開始動態(tài)匹配種子細胞的鄰細胞，最后檢測分裂的細胞。

圖2 局部圖動態(tài)匹配算法流程Fig.2 The diagram of the dynamic local graph matching method

1 方法

1.1 細胞圖像的分水嶺分割

在細胞圖像中，每張細胞圖像上有近百個細胞，細胞之間結(jié)構(gòu)緊密且形狀相似(見圖1(d))。因此，對多細胞進行自動追蹤時，首先必須將各個細胞從細胞圖像中準確地分割出來，明確各個細胞邊界，才能精確定位細胞的位置信息以提取相應的其他特征。本研究采用分水嶺分割算法對圖像進行分割[20]，將圖像像素灰度值從小到大進行排序，然后從小到大實現(xiàn)浸沒。在分割結(jié)束后，圖像中的每一個極小值將對應目標圖像中的一個獨立區(qū)域，形成的目標區(qū)域數(shù)目由圖像中局部極小值的數(shù)目決定。在早期的研究中，通過引入追蹤算法的反饋來實現(xiàn)分割和追蹤的共同最優(yōu)[18]，減少分割錯誤，目前該算法在細胞圖像分割上已經(jīng)得到較好的結(jié)果。分水嶺算法對細胞圖像分割的結(jié)果如圖1(e)所示，可以看出細胞之間邊界明確，表明分水嶺算法對植物細胞圖像分割效果較好。

1.2 局部圖動態(tài)匹配算法

1.2.1細胞之間局部圖

由于植物頂端分生組織細胞圖像中細胞與細胞之間結(jié)構(gòu)緊密，且形狀相似，如果僅僅依靠細胞的面積等特征，很難將所有的細胞加以區(qū)分，追蹤時也會出現(xiàn)錯誤。因此，本研究首先用圖來描述細胞圖像，然后提取細胞之間的局部拓撲結(jié)構(gòu)作為細胞追蹤時的一個特征。在圖論中，圖是由頂點和連接相鄰頂點的邊構(gòu)成的。本研究用G表示細胞與其鄰細胞之間的局部圖，圖中細胞用頂點表示，相鄰細胞之間通過邊連接，中心細胞i與其鄰細胞i1～i6通過邊連接，組成細胞i的局部圖Gt(見圖3(a))。

圖3 相鄰兩幀細胞圖像中，選擇種子細胞時的細胞局部Gt與Gt+1(存在旋轉(zhuǎn)與平移)Fig.3 Local graphs Gt and Gt+1 for seed cell pair selection in two adjacent images (with translation and rotation)

1.2.2選取種子細胞對

由于每幅細胞圖像有近百個細胞，且細胞之間結(jié)構(gòu)緊密，形狀相似，若將相鄰兩幀中細胞依次比較，不僅計算量大且極易出現(xiàn)追蹤錯誤?？紤]到細胞圖像采集的時間間隔較短，連續(xù)兩幀細胞圖像中細胞之間相互位置不會發(fā)生劇變，因此可以通過先匹配最相似的細胞對作為種子細胞對，然后從種子細胞出發(fā)匹配其鄰細胞，縮小搜索范圍，提高細胞追蹤準確率。

當細胞圖像中存在旋轉(zhuǎn)與錯位時,追蹤時必須利用圖像出現(xiàn)旋轉(zhuǎn)與平移時的不變特征?？紤]到圖像發(fā)生旋轉(zhuǎn)與平移時，細胞幾何形狀、細胞之間的拓撲關系不會發(fā)生變化，也就是細胞面積、細胞之間的位置關系和細胞之間的距離不會變化，因此可以提取細胞的面積A、細胞與相鄰細胞之間的夾角θ(見圖3(a)中細胞i和細胞i5、i6組成的夾角θ1)、細胞與相鄰細胞連線的邊長L(見圖3(a)中細胞i和細胞i4的邊長L1)這些特征進行比較，然后結(jié)合上述的細胞局部圖進行匹配。因此，種子細胞的選取就相當于將連續(xù)兩幀圖像中每個細胞的局部圖進行比較(見圖3(a)中局部圖Gt與(b)中局部圖Gt+1)，然后選取最相似的局部圖中的中心細胞為種子細胞。給定連續(xù)兩幀細胞圖像It與It+1，種子細胞對的選取步驟如下：

1) 判斷細胞的鄰細胞個數(shù)是否相等。假設圖像It中細胞i的鄰細胞為{i1,i2，…，im}∈Ni，有m個鄰細胞，圖像It+1中細胞j的鄰細胞為{j1,j2，…，jn}∈Nj，有n個鄰細胞。如果m=n，細胞i與j被認定為候選種子細胞對；若m≠n，則認為細胞i與j不是種子細胞對。

2) 通過鄰細胞相等條件篩選出候選細胞對后，構(gòu)建細胞自身面積、鄰細胞到中心細胞的距離、相鄰兩鄰細胞與中心細胞的夾角、鄰細胞面積的距離函數(shù)，分別為f1～f4，有

(1)

式中，Ai與Aj分別表示細胞i與j的面積，Lik與Ljk分別表示細胞i與j和各自的鄰細胞ik(k=1，…，m)與jk(k=1，…，m)的距離，θik與θjk分別表示細胞i與j和各自相鄰的兩個鄰細胞的夾角(見圖3(a)中細胞i與細胞i5、i6組成的角θ1)，Aik與Ajk分別表示細胞i與j各自的鄰細胞ik(k=1，…，m)與jk(k=1，…，m)的面積。

3) 不同距離函數(shù)通過參數(shù)相加，得總的距離函數(shù)，有

D(i,j)=λ1f1(i,j)+λ2f2(i,j)+λ3f3(i,j)+λ4f4(i,j)

(2)

式中，λ1、λ2、λ3、λ4通過本文第1.2.5節(jié)部分求解。

假設候選種子細胞對為M，選擇距離函數(shù)最小的細胞對(u,v)為種子細胞對，有

(i,j=1，…，M)

(3)

1.2.3鄰細胞匹配

通過以上步驟找到圖像It與It+1中初始種子細胞對(u,v)后，開始匹配種子細胞的鄰細胞。由于細胞之間相互緊挨，也就是說種子細胞的鄰細胞的位置信息基本確定，因此在進行鄰細胞追蹤時，可以適當減弱匹配條件，細胞局部圖由所有鄰細胞組成改為由兩個鄰細胞且其中一個是種子細胞所組成的三角形局部圖結(jié)構(gòu)，如圖4中細胞局部圖Gt與Gt+1所示。

圖4 相鄰兩幀細胞圖像中，鄰細胞匹配時細胞局部圖Gt與Gt+1(存在旋轉(zhuǎn)與平移)Fig.4 Local graphs Gt and Gt+1 for the neighboring cells matching in two adjacent images (with translation and rotation)

選定種子細胞對(u,v)后，開始匹配鄰細胞。種子細胞對(u,v)的鄰域分別為{u1,u2,…，um}∈Nu和{v1,v2,…，vm}∈Nv，從{u1,u2,…，um}與{v1,v2,…，vm}中選取一對最相似的鄰細胞對。類似找種子細胞對，分別將圖像It中細胞u的鄰細胞up(p=1，…，m)與圖像It+1中細胞v的鄰細胞vq(q=1，…，m)的面積、夾角及邊長比較，距離函數(shù)分別為f1、f2和f3，有

(4)

式中，Aup與Avq分別表示鄰細胞up(p=1，…，m)與vq(q=1，…，m)的面積，Lup與Lvq分別表示鄰細胞up(p=1，…，m)與vq(q=1，…，m)和各自種子細胞u與v的距離，θup與θvq分別表示鄰細胞up(p=1，…，m)與vq(q=1，…，m)和各自相鄰細胞及種子細胞的夾角(見圖4(a)中細胞u與細胞u1、u2組成的角θ1)。

在細胞追蹤時，細胞之間差異越小則細胞是同一細胞的可能性越高。因此，在鄰細胞追蹤時，選擇距離函數(shù)最小的鄰細胞對作為追蹤結(jié)果。鄰細胞對總的距離函數(shù)如下：

(5)

式中，ω1～ω3通過本文第1.2.5節(jié)部分求解。

選擇距離函數(shù)最小的細胞對(us,vs)作為匹配結(jié)果，有

(p,q=1，…，m)

(6)

圖5 基于局部圖動態(tài)匹配算法的相鄰兩幀細胞圖像鄰域結(jié)構(gòu)動態(tài)變化過程Fig.5 Illustration of the dynamic local graph matching in two consecutive images

通過以上步驟追蹤到了第二個細胞，接下來需要追蹤余下的細胞。在追蹤余下細胞時，將已匹配細胞都當作種子細胞，則鄰細胞就變成每個種子細胞未匹配鄰細胞的并集。在每次追蹤過程中，參與比較的細胞數(shù)目隨著已匹配細胞數(shù)目的變化而變化，如圖5中紫色細胞的變化所示。同時，由于圖像采集間隔較小，圖像中細胞的位置發(fā)生劇變的可能小。因此，待匹配細胞的鄰細胞匹配情況可以作為參考：圖像It與It+1中待匹配細胞的鄰細胞若已匹配，已匹配的細胞應是同一細胞；已匹配的鄰細胞個數(shù)越多，則細胞追蹤結(jié)果越可靠。距離函數(shù)可以增加已匹配鄰細胞的個數(shù)，如下式D2中的f5所示，有

(7)

式中，ω1～ω4通過本文第1.2.5節(jié)部分求解。

此時部分種子細胞的鄰細胞個數(shù)可能不相等，因此假設圖像It與It+1中種子細胞的鄰細胞分別為M1個和M2個，選取距離函數(shù)最小的細胞對(us,vs)為追蹤結(jié)果，有

(p=1，…，M1；q=1，…，M2)

(8)

在細胞逐步匹配過程中，已匹配的細胞將作為新增加的種子細胞。在動態(tài)擴張的已匹配細胞鄰域范圍中，繼續(xù)匹配距離函數(shù)最小的細胞對，直至距離函數(shù)D2大于閾值T1(閾值T1通過本文第1.2.5節(jié)部分求解)追蹤結(jié)束。但已匹配的細胞從鄰域中排除，減少計算量，提高追蹤效率。細胞追蹤過程及局部圖的動態(tài)變化過程如圖5(a)和(b)所示，其中紫色細胞中間的細胞為已匹配細胞，也就是種子細胞，紫色細胞是所有種子細胞的未匹配鄰細胞并集，紅色箭頭代表追蹤的順序?？梢钥闯?，整個追蹤過程是動態(tài)變化的，鄰域的不斷擴大使追蹤結(jié)果更可靠，種子點個數(shù)的增加避免了因某個種子細胞匹配錯誤造成鄰細胞追蹤錯誤。

1.2.4分裂細胞檢測

植物在生長發(fā)育過程中會不斷進行細胞分裂，隨著時間的推移，一個細胞會分裂成兩個細胞。如圖6(a)和(b)中紅色區(qū)域所示，在t時刻到t+1時刻之間共有4個細胞發(fā)生了分裂。細胞發(fā)生分裂后，母細胞近似平均地分為兩個子細胞，且細胞分裂時只能沿著t時刻到t+1時刻發(fā)生分裂，而不能從t+1時刻到t時刻發(fā)生分裂。同時，本研究的植物頂端分生組織細胞擁有相互緊挨的特殊結(jié)構(gòu)，圖像采集時間短，細胞與其鄰細胞局部結(jié)構(gòu)短時間內(nèi)不會發(fā)生劇變。如圖6(c)和(d)所示，母細胞的鄰細胞與兩個子細胞的鄰細胞相對應(標號相同的為同一細胞)。因此，根據(jù)細胞分裂與細胞局部圖的特點，細胞分裂檢測步驟如下：

1) 在追蹤后的圖像It中尋找未匹配的細胞d，圖像It+1中尋找未匹配的相鄰細胞d1與細胞d2；

2) 判斷圖像It中細胞d的鄰細胞是否與圖像It+1中的兩個細胞d1、d2的鄰細胞對應；

3) 判斷細胞d、細胞d1和細胞d2的面積是否滿足下式：

圖6 (a)和(b)相鄰時刻細胞分裂示意；(c)和(d)分別為(a)和(b)中矩形區(qū)域放大圖像Fig.6 (a) and (b) are examples of cell division in two consecutive images；(c) and (d) are the enlargements of the rectangular regions in (a) and (b), respectively

(9)

式中，Ad表示圖像It中細胞d的面積，Ad1與Ad2分別表示圖像It+1中細胞d1、d2的面積，T2、T3為面積閾值(通過本文第1.2.5節(jié)求解)。

1.2.5最優(yōu)參數(shù)選擇

不同距離函數(shù)是通過參數(shù)進行相加的，因此參數(shù)的選擇對追蹤有很大影響，本研究通過從粗到精對參數(shù)進行優(yōu)化，具體步驟如下：

1) 從整個細胞圖像數(shù)據(jù)集中選擇一組細胞圖像數(shù)據(jù)集作為訓練集，在訓練集中不斷改變某個參數(shù)值，同時固定其他參數(shù)值進行細胞追蹤，得到追蹤準確率變化情況，在追蹤準確率峰值左右各取一個值構(gòu)成一個追蹤準確率值的區(qū)間，將這個區(qū)間的參數(shù)范圍作為最優(yōu)范圍。重復此步驟，獲得各個參數(shù)的最優(yōu)范圍。

2) 從各個參數(shù)的最優(yōu)范圍中均勻采樣，獲得不同參數(shù)值；將各個參數(shù)的不同參數(shù)值進行組合，得到多個候選參數(shù)組合。

3) 在細胞圖像數(shù)據(jù)集上，利用5折交叉驗證，從所有參數(shù)候選組合中選擇最優(yōu)的一組作為最后的參數(shù)值，也就是最優(yōu)參數(shù)值。

2 結(jié)果

實驗對6組不同植物頂端分生組織(SAM)細胞圖像序列A～F進行追蹤(D～F是A～C經(jīng)過配準后的圖像序列)，其中，每個序列包含24幀圖像，每幀圖像包含100～150個細胞。A～C細胞圖像序列都是由共聚焦激光掃描顯微鏡對植物頂端分生組織進行采集，如圖1所示。其中每個序列中相鄰兩幀細胞圖像采集時間間隔為3 h，采集周期為72 h。 實驗在Windows 7下使用Matlab 2014完成，計算機主頻為3.3 GHz，內(nèi)存為4 GB。

2.1 配準圖像序列中的細胞追蹤

為了驗證本研究提出的局部圖動態(tài)匹配算法的準確性，實驗對已配準的3個圖像序列中的細胞進行匹配，之后將本算法匹配結(jié)果與人工匹配結(jié)果對比，得到追蹤準確率，如表1所示。可以看出，與文獻[18](表中的M2)、文獻[17](表中的M3)中提出的算法的追蹤結(jié)果相比，本研究提出的算法(表中的M1)追蹤準確率提高了4%，分裂細胞檢測準確率提高了8%，表明局部圖動態(tài)匹配算法的追蹤效果更好。

表1細胞追蹤準確率對比(配準圖像序列)

Tab.1Celltrackingaccuracycomparison(registeredimagesequences)

實驗數(shù)據(jù)細胞追蹤準確率/%分裂檢測準確率/%M1M2 M3 M1M2 M3 D98.4794.7995.5892.0584.7887.11E95.8691.4991.5489.7479.2681.85F93.4288.1689.9984.7271.0372.41

2.2 未配準圖像序列中的細胞追蹤

圖7給出了相鄰兩幀未配準細胞圖像的追蹤結(jié)果示例，(b)與(d)中相同顏色的細胞表示同一細胞。從(a)與(c)中可以看出，在成像過程中出現(xiàn)了旋轉(zhuǎn)與錯位；但從(b)與(d)中可以看出，大部分的細胞都能被追蹤，且追蹤準確性較高，說明本算法對未配準圖像追蹤比較可靠。

為了進一步證明本研究提出算法的有效性，用該算法對存在旋轉(zhuǎn)與平移的3組未配準圖像序列中的細胞進行追蹤，得到的追蹤結(jié)果如表2、3所示。表2是圖像序列A中不同時間間隔的兩幀圖像追蹤結(jié)果，表3是對3個圖像序列中細胞進行追蹤后的結(jié)果。由表2、3可以看出，與其他文獻中的算法[17-18]相比，在未配準圖像序列中得到的追蹤準確率提高了30%，達到了90%。表明了本算法基本能對抗成像過程中帶入的旋轉(zhuǎn)與平移噪聲。

圖7 細胞追蹤結(jié)果。(a)和(c)為源圖像；(b)和(d)為追蹤結(jié)果(圖像中存在旋轉(zhuǎn)與平移)Fig.7 Cell tracking results. (a) and (c) are the original images; (b) and (d) are the tracking results

表2不同時間間隔細胞追蹤準確率對比(未配準圖像)

Tab.2Celltrackingaccuracycomparisonindifferenttimeintervals(unregisteredimages)%

表3細胞追蹤準確率對比(未配準圖像序列)

Tab.3Celltrackingaccuracycomparison(unregisteredimagesequences)

實驗數(shù)據(jù)細胞追蹤準確率/%分裂檢測準確率/%M1M2M3M1M2M3A92.9364.0164.5890.5654.7155.42B91.4660.6761.7288.8953.8452.31C89.9055.9954.7684.6151.3950.64

3 討論

本研究利用局部圖動態(tài)匹配算法對植物細胞圖像中的細胞群進行追蹤，根據(jù)細胞追蹤準確率與分裂檢測準確率對提出的算法進行分析。表1～3給出了本算法(M1)與文獻[18](M2)、文獻[17] (M3)提出的算法在追蹤準確率上的比較結(jié)果，可以看出，本算法較之其他算法[17-18]在配準圖像序列及未配準圖像序列上準確率都有提升。

在配準圖像序列上，本研究提出的算法最優(yōu)。這主要是因為在細胞匹配過程中，文獻[18]所用的擴散式追蹤即以種子細胞為中心，匹配種子細胞所有鄰細胞的方式容易造成錯誤累積；文獻[17]利用基于條件隨機場的追蹤方法，以全局匹配的方式來解決植物細胞匹配的問題，雖然全局匹配方式避免了匹配過程中的錯誤累積，但是在全局求解時若出現(xiàn)異常值，將會造成追蹤錯誤。本研究在繼承文獻[18]中局部圖匹配的優(yōu)勢上，提出動態(tài)匹配細胞，每次匹配時將之前已匹配的細胞都作為種子細胞，然后從這些種子細胞的鄰細胞中選擇最相似的細胞對作為本次的匹配結(jié)果。動態(tài)匹配方式擴大了每次匹配時的候選細胞數(shù)目，且從中只選擇一對最相似的細胞，這種匹配方式在一定程度上降低了錯誤匹配的風險。

此外，文獻[17]與文獻[18]中所提的算法在追蹤前都需要對圖像進行配準，然后再通過提取細胞位置等特征進行追蹤與分裂檢測，存在很大的局限性。而本研究所提的算法不需要對圖像進行配準，直接對未配準圖像分析，利用旋轉(zhuǎn)、平移不變特征進行追蹤與分裂檢測，表2、3中的實驗結(jié)果證明了本研究所提出算法的有效性。

通過對文獻[17]、文獻[18]與本研究所提算法的分析與討論可以看出，算法能否追蹤未配準圖像與所提取的特征有很大關系，同時細胞匹配順序是影響追蹤準確率的一個重要因素。但與文獻[18]中算法在追蹤時每次匹配種子細胞所有鄰細胞相比，每次只匹配一對細胞的動態(tài)匹配方式也增加了算法的運行時間。因此，如何在確保追蹤準確率高的情況下提高運行效率，將會是下一步的研究方向。另外，基于共聚焦激光掃描顯微成像技術(shù)采集的細胞圖像序列包括時間上的圖像序列和空間上的圖像序列，但本算法只利用了細胞在時間序列上的信息。同一細胞在空間上是跨越多層的，因此若結(jié)合空間上其他層的細胞圖像，則能利用的信息將更加豐富，可能會得到更好的追蹤結(jié)果，尤其是對噪聲區(qū)域的細胞追蹤，這也將成為后續(xù)研究的重要內(nèi)容。

4 結(jié)論

本研究提出了一種基于局部圖動態(tài)匹配的植物細胞追蹤算法。該算法利用細胞面積、相鄰細胞之間的夾角與距離作為匹配的基本特征，先選擇最相似的細胞對作為種子細胞對，然后從種子細胞出發(fā)，每次優(yōu)先匹配特征距離最小的鄰細胞對，同時向已匹配的細胞加入種子細胞，最后結(jié)合細胞局部圖與細胞分裂特點對分裂細胞進行檢測。與其他算法相比，在配準圖像序列中，本研究提出的追蹤算法的追蹤準確率提高了4%，在未配準圖像序列中追蹤準確率提高了30%，表明該算法對圖像中存在的旋轉(zhuǎn)與位移噪聲具有一定的魯棒性。