论文研究-细胞图像自动识别技术研究 .pdf

发布时间：2022-05-30 发布人：admin 分类：说明书资料大小：0.43M 资料格式：pdf 举报版权申诉

weixin_39840924-11570498-16359647698208207085.pdf-第1页.png

第1页 / 共6页

weixin_39840924-11570498-16359647698208207085.pdf-第2页.png

第2页 / 共6页

weixin_39840924-11570498-16359647698208207085.pdf-第3页.png

第3页 / 共6页

weixin_39840924-11570498-16359647698208207085.pdf-第4页.png

第4页 / 共6页

weixin_39840924-11570498-16359647698208207085.pdf-第5页.png

第5页 / 共6页

weixin_39840924-11570498-16359647698208207085.pdf-第6页.png

第6页 / 共6页

文本预览

中国科技论文在线 http://www.paper.edu.cn 细胞图像自动识别技术研究张桂贤，刘建国** （华中科技大学自动化学院，武汉，430074） 5 摘要：随着计算机图像处理在医学领域越来越广泛的应用，应用模式识别和图像处理方法识别细胞总数和分类计数成为医学辅助诊断的一个重要方法。本文依据粪便显微图像的特点，利用边缘检测和阈值分割对图像进行分割，并根据面积、圆形度等进行细胞识别分类。实验表明，本文提出的方法在粪便显微图像识别中效果良好，具有研究价值和应用价值。关键词：图像处理；模式识别；边缘检测；阈值分割中图分类号：TP391 10 Study on Automatic Recognition of Cell Images ZHANG Guixian, LIU Jianguo 15 (School of Automation, Huazhong University of Science and Technology, Wuhan, 430074) 20 Abstract: With the wide application of digital image processing in medical areas, pattern recognition and image processing, which is used in the sum and sort counting of cells, is one of the important methods in medical-aided diagnosis.In view of the features of fecal microscopic images, the author uses edge detection and threshold segmentation to segment the images, and uses area and circularity in cell identification and classification.The experiment results show that the algorithm is effective in the recognition of fecal microscopic images, the results of the study have both theoretical and practical values. Key words: image processing;pattern recognition;edge detection;image thresholding 25 0 引言传统的细胞识别分析，是在显微镜下观察超薄切片，根据细胞形态和数量进行定性和定量描述，并据此判断病情[1]。这种方式，强烈依赖医务人员的专业水平和责任心，因此很容易产生主观性和片面性，与科学的客观性不符。细胞图像自动识别是运用计算机处理医学图像并识别对象的技术，它是计算机，图像处 30 理，模式识别及人工智能等理论和技术相互促进的产物[2] [3]。将图像识别技术引入医生的诊断过程中，可以提高诊断的一致性，减少个体的主观性和片面性，减少医生的工作量，还可以提取出人眼观察不到的信息，辅助医生诊断。目前临床上普遍使用的细胞图像识别工具是血液细胞分析仪[4]，它通过人体血液样本的显微图像来分析细胞成分，血液细胞分析只能用于检测人体内是否有感染、是否贫血、是否 35 有血液疾病等，对于肠胃出血、感染等消化系统疾病只能通过人体粪便中的细胞成分来判定。人体粪便图像与血液和尿液有明显区别，主要表现为血液一般较为新鲜，细胞变形较少，杂质较少，细胞和背景对比度高。而粪便中细胞经过人体消化系统排出体外，细胞发生较大的变形，图像背景颜色深，杂质多，自动分析较为困难。另外，由于血液杂质较少，一般对样本进行干燥染色，提高细胞和背景的对比度，之后进行细胞识别。而粪便样本进行稀释后， 40 含有较多杂质，若对该样本进行染色，则细胞和杂质都会被染色，无法识别出细胞。本文针对粪便显微图像细胞分析这一课题，对采集的粪便显微图像进行分析，针对白细胞、红细胞特点，采用模式识别和图像处理技术，探索出一种快速高效的细胞识别统计方法。作者简介：张桂贤（1989-），女，主要研究图像处理和细胞识别通信联系人：刘建国（1952-），男，教授，主要研究方向：视觉导航快速计算. E-mail: liujg11@126.com - 1 -

中国科技论文在线 1 细胞图像分割 1.1 基于边缘检测的图像分割 http://www.paper.edu.cn 45 基于边缘检测的图像分割是利用图像中目标与背景之间的灰度不连续性[5]。这种变化可以用边缘检测算子检测得到。常用的边缘检测算子[6]有 Roberts 算子、Sobel 算子、Prewitt 算子、Canny 算子和 Laplace 算子等。为了比较它们的分割效果，在 Matlab 的环境下对细胞图像进行分割，分割结果如图 1-6。 50 图 1 细胞灰度图像图 2 Roberts 算子效果图 3 Sobel 算子效果 Fig.1 cell picture Fig.2 result of Roberts Fig.3 result of Sobel 图 4 Prewitt 算子效果图 5 LoG 算子效果图 6 Canny 算子效果 Fig.4 result of Prewitt Fig.5 result of LoG Fig.6 result of Canny 55 由图可以看出 Roberts 算子、Sobel 算子、Prewitt 算子的实质都是差分法或微分法，它们的效果基本类似，都基本检测得到图像中细胞的边缘，也检测出了一些杂质点。其中 Sobel 和 Prewitt 算子的效果几乎完全一样。 LoG 算子结合高斯滤波和 Laplace 边缘检测算子，利用高斯滤波滤除一些噪声，但在滤除噪声的同时也会滤掉一些边缘点。LoG 算子的模糊量取决于参数σ ，σ 越大，噪声滤波 - 2 -

中国科技论文在线 http://www.paper.edu.cn 60 效果越好，但丢失的边缘信息也越多。图示选取的是σ =1.7，对边缘保留较好，σ 取更大值时边缘信息有明显丢失存在断裂。从 Canny 算子的效果可以看出，Canny 算子不仅较好地检测得到边缘，而且利用高斯函数很好地滤除了噪声。Canny 算子将边缘点连接起来，形成连续的轮廓，这无论在人视觉上的观察还是之后的自动识别过程中，这都会起着较大的作用。由图示和分析可知，在粪便显 65 微图像的应用中，Canny 算子有比较明显的优势，因此本文选择 Canny 算子进行边缘检测。 1.2 基于阈值的图像分割基于阈值的分割主要利用目标和背景之间的灰度差异，选择一个或多个阈值，通过判断每个像素是否满足某个阈值的要求，来确定图像中的像素属于哪个区域[7]。当物体与背景有较大的反差时，基于阈值的分割特别有效，而且计算简单，总能够用封闭且连通的边界来定 70 义不同的区域。阈值分割的过程相对简单，主要有两步： ① 选取合适的分割阈值。 ② 将像素值与阈值进行比较，确定像素所属类别。目前常用的基于直方图的阈值分割方法，是利用直方图波峰、波谷等处进行分割。。当只需将图像中像素分为两类时，若图像直方图有两个明显的波峰，选择两峰之间的波谷对应 75 灰度值作为阈值，即可进行分割。然而与一般的细胞识别所用图像不同，本文中所用细胞显微图像中细胞放大倍数较小，因此细胞在图像中所占比例小，图像中绝大部分像素属于背景。因此图像的直方图没有呈现双峰形状，而只有一个非常明显的峰，代表背景像素。因此本文中选择比波峰稍小的一个灰度值作为阈值，对图像进行二值化，分割细胞和背景。分割效果如图 7。 80 该阈值分割对应阈值比波峰处灰度值小 15。由阈值分割结果图像 8 可以看出，本文中选择的阈值能够较好地分割目标和背景。图 7 细胞图像直方图 8 阈值分割结果 Fig.7 histogram of cell photo Fig.8 result of thresholding 85 1.3 边缘检测与阈值法的结合通过实验发现，在对细胞图像进行灰度化后，分别利用边缘检测和阈值分割进行图像分割，并进行膨胀、腐蚀和填充孔洞操作，再识别细胞时都会遗漏一些细胞，而对二者的识别结果取并集，可以提高识别的准确率。另外通过观察细胞图像 R（红）、G（绿）、B（蓝） - 3 -

中国科技论文在线 http://www.paper.edu.cn 三个通道可以发现，这三个通道分别保留了细胞的不同信息，因此可以将三个通道分别进行 90 边缘检测分割，进而识别细胞。为尽可能提高识别率、同时减少误判，本文将边缘提取和阈值分割两种方法结合，并且将输入图像的三个颜色通道的信息都加以利用，而不是只对灰度图像进行操作。因此，本文在分割阶段分别使用边缘检测和阈值法对图像进行分割得到了多幅分割结果，在之后的细胞识别过程中可以综合使用。 95 2 红白细胞识别分类 2.1 特征的选择和测量有大量的特征可以用于细胞分类中，然而在特定的应用中，需要根据不同细胞的特点和图像的清晰度等，选择合适的特征。特征选择就是从大量的特征中找出一些特征，它们可以最有效地区别对象。有效的图像特征需要具备独立性、稳定性、可区分性[8]。 100 细胞具有多种特征，本文选择的细胞特征为细胞的面积 S、圆形度 CR 和形状因子 F[9]，这是根据细胞和杂质的连通区域特点选择的。因为细胞一般接近圆形，背景杂质和噪声呈不规则状，因此可以用这些特征对细胞和杂质加以区分。对于白细胞和红细胞，可以利用面积、细胞中心处颜色加以区分。形状因子 F 和圆形度 CR 计算公式如下： 105 其中，L 为连通区域 R 的周长，S 为连通区域 R 的面积。 (1) (2) 其中，μ 是从连通区域 R 重心到边界点的平均距离，δ 是连通区域 R 重心到边界点的 110 距离的均方差：是区域重心： (3) (4) (5) 115 当连通区域趋近圆形时，形状因子 F 趋于 1，圆形度 CR 单调递增且趋向无穷，它不受区域平移、旋转和尺度变化的影响。 2.2 分类算法描述和实现为了对红细胞和白细胞的各个特征设置合理的阈值，本文实验中对确定属于两种细胞的细胞进行统计，计算其平均面积、形状因子、圆形度等[10] [11]，由此得到特征阈值。通过统 120 计获得红细胞和白细胞的各种属性，具体为红细胞面积范围为 200~750 像素，圆形度范围 1.0~1.8，形状因子范围 5~正无穷；白细胞面积范围为 500~2000 像素，圆形度范围 1.0~2.0，形状因子范围 3~正无穷。因此设置各个特征对红细胞和白细胞的阈值如表 1： - 4 - )**4/()*LFSL（RRRC边界点个数）:(),(),(110Rkyxyxkkiii边界点个数）:(-),(),(1210RRkyxyxkkiii),yx（RyxRyxySyxS),(),(1,1x

中国科技论文在线 http://www.paper.edu.cn 细胞类别红细胞红细胞白细胞白细胞红细胞白细胞红、白细胞表 1 细胞分类阈值 Tab.1 Threshold of cell classification 阈值名称阈值意义 S_R_1 S_R_2 S_W_1 S_W_2 CR_R CR_W F_RW 面积最小值面积最大值面积最小值面积最大值圆形度最小值圆形度最小值形状因子最大值数值 200 750 500 2000 9 5 1.5 125 分类算法规则如表 2，根据表中分类规则即可对图像中细胞进行识别分类。表 2 细胞分类规则 Tab.2 rules of cell classification 面积 S 圆形度 Cr 形状因子 F 中心与周围像素灰度差判定细胞类型 S_R_1 < S < S_W_1 CR > CR_R F < F_RW S_W_1 < S < S_R_2 CR > CR_R F < F_RW S_W_1 < S < S_R_2 CR > CR_W F < F_RW S_R_2 < S < S_W_2 CR > CR_W F < F_RW 无正数负数无红细胞红细胞白细胞白细胞 3 实验结果及分析 3.1 算法实现 130 算法流程如图 9。其中分离颜色通道，是将 RGB 彩色图像进行通道分离，对 R（红）、 G（绿）、B（蓝）三个通道分别进行边缘检测，并基于 B（蓝）通道进行阈值分割，作为细胞分类识别的基础。本实验在 Windows7 系统中利用 C++语言和 OpenCV 图形库进行开发。OpenCV（Open Source Computer Vision Library）是一个基于开源发行的跨平台计算机视觉库， OpenCV 由 135 Intel 于 1999 年建立。 3.2 结果分析算法性能评价标准如下： (6) (7) 140 其中，错识细胞个数表示识别得到的红（白）细胞中为白（红）细胞或杂质的目标个数。漏识个数表示人眼判定为红（白）细胞但没有被识别出的细胞数目。实验结果如表 3。实际应用中，人工识别计数一幅有 150 个细胞的图最少要 5 分钟。对一幅包含细胞数目约为 150 个的彩色图像，图像大小为 2048*1536 像素，本实验测得其处理时间平均为 3.5 秒，图中包含细胞总数约为 150 个。在计算机自动识别之后，只需人工检查即可，大大降低了人 145 的劳动，有一定的实用价值。 - 5 - 识别出的细胞个数错识细胞个数错识率漏识的细胞个数）（识别出细胞个数漏识的细胞个数图中细胞个数漏识的细胞个数漏识率

中国科技论文在线 http://www.paper.edu.cn 150 细胞类型识别结果图 9 算法流程图 Fig.9 flow chart of algorithm 表 3 实验结果 Tab.3 experiment results 错识率错识个数漏识个数漏识率 270 个 37 个 4 0 1.5% 0 11 2 3.9% 5.1% 红细胞白细胞 4 结论本文在在粪便显微图像的基础上，根据图像中红细胞和白细胞特点，对图像进行分割和细胞识别。通过实验可知，本算法针对背景颜色较深、细胞与背景反差较小的细胞显微图像 155 有较好的识别效果，且耗时短，能基本满足实际生产需求。下一步工作是研究对粘连细胞的分割，进一步提高细胞识别准确率。 [参考文献] (References) 160 165 170 [1] 刘斌，曾立波，刘生浩.血液细胞图像自动识别系统的研究[J].计算机工程，2003，29（1）：174-175 [2] 姚少波．基于颜色空间的白细胞显微图像分析与算法[D]．福州：福建师范大学，2006． [3] 汤学民. 血液细胞图像自动识别系统的开发[D]. 清华大学硕士论文. 2004. [4] 高永进.白细胞自动识别系统的研究[D].南京：南京大学，2001. [5] H. D. Cheng, X. H. Jiang, Y. Sun, J. Wang. Color image segmentation: advances and prospects[J]. Pattern Recognition, 2001, 34(12):2259-2281. [6] 张硕,彭冬亮.基于数学形态学的细胞图像分割[J].杭州电子科技大学学报, 2008,12(7):52-55. [7] 粱光明 , 刘东华 , 李波 . 用于显微细胞图像的二维自适应阈值分割算法的优化 [J]. 中国图象图形学报,2003,7(7):764-769. [8] Rafael C. Gonzalez, Richard E. Woods 著, 朊秋琦,朊宇智等译. 数字图像处理[M]. 北京: 电子工业出版社, 2000. [9] 边肇祺. 模式识别[M]. 北京: 清华大学出版社,1988. [10] Y.Tanimura. Automatic Classification of White Cells[J]. Medical Imaging Technology,1996,14(1): 14-22. [11] Vapnic V, Lerner A. Pattern Recognition using Generalized Portrait[J]. Automation and Remote Control, 1963,34:774-780. - 6 -

分享到：

赞收藏

资料库

论文研究-细胞图像自动识别技术研究 .pdf

相关推荐

开发技术

热门标签

最新资料