摘  要： 本文研究了一種顯微細胞圖像有形成分分割方法。首先，利用傳統(tǒng)的邊緣檢測及閾值分割法對顯微細胞圖像有形成分進行分割比較，然后基于顯微細胞圖像特點提出了一種改進的二維最大熵閾值結(jié)合形態(tài)學(xué)分割方法。最后通過分割實驗進行驗證，結(jié)果表明利用本文方法能較好地實現(xiàn)顯微細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)上具有一定的實用價值。

　　關(guān)鍵詞： 顯微細胞；有形成分；分割；熵值

0 引言

　　顯微細胞是構(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。顯微細胞主要包括紅細胞、白細胞、上皮細胞、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能的正常運行，危害人體健康。顯微細胞檢測是醫(yī)院的一項重要的細胞檢測手段，它主要是通過在顯微鏡下觀察顯微細胞的數(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：觀測時間較長，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，難于標準化，不利于臨床動態(tài)觀察[1-2]。這些弊端的存在使得醫(yī)學(xué)診斷的準確性受影響，因此人工鏡檢已經(jīng)很難適應(yīng)醫(yī)院大批量的現(xiàn)代化檢測要求。而隨著計算機技術(shù)以及機器視覺技術(shù)的飛速發(fā)展，基于機器視覺的顯微細胞圖像有形成分自動識別技術(shù)不斷完善，醫(yī)學(xué)上逐步利用計算機的高效率、高準確性特點，將醫(yī)學(xué)工作和計算機視覺手段結(jié)合起來，用于自動診斷與識別。

　　基于機器視覺的顯微細胞圖像有形成分自動識別技術(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別等技術(shù)。其中圖像分割在整個顯微細胞有形成分自動識別中極為關(guān)鍵。由于顯微細胞圖像本身的成分特點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，造成細胞顯微圖像光照不均、對比度低，這給顯微細胞有形成分的分割帶來了一定的難度[3]。本文主要針對顯微細胞圖像特點，并通過研究和比較傳統(tǒng)的邊緣檢測法和閾值分割法，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胞圖像有形成分。

1 邊緣檢測分割方法

　　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。對于顯微細胞圖像有形成分而言，在細胞區(qū)域有著明顯的邊緣，即是像素點灰度值的變化，這種變化可以用微分算子檢測出來，通常是以一階或者二階導(dǎo)數(shù)的方式，這就叫邊緣檢測。其中Roberts、Sobel、Prewitt是基于一階導(dǎo)數(shù)檢測的邊緣檢測算子，它們利用各自的模板作為核與圖像中的每個像素點做卷積和運算，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)檢測的邊緣檢測算子。Canny算子不屬于微分檢測算子范疇，它是在一定約束條件下推導(dǎo)出的邊緣檢測最優(yōu)化算子。

2 閾值分割方法

　　為了實現(xiàn)閾值分割，需要將圖像劃分為目標灰度集合和背景灰度集合，且兩個灰度集合可以用一個灰度級閾值進行分割，這種用閾值分割灰度級的計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)果的準確性?；陂撝档姆指罘椒ㄓ泻芏喾N，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)點是算法易于理解并容易實現(xiàn)[4]。但從效果圖上看，只有當圖像的背景顏色與前景顏色相差較大時，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：

　　T0=（Max+Min）/2（2）

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

　　Tk+1=（Z0+Zb）/2（3）

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

　　2.3 Otsu閾值法

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

　　T在[0，L-1]范圍內(nèi)依次取值，使得最大時的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)精細分割的結(jié)合

　　3.1 改進的二維最大熵閾值粗分割

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

　　設(shè)顯微細胞原圖像f（x，y）的灰度級數(shù)為L，圖像的大小為M×N，經(jīng)過對原圖進行鄰域平均得到另一顯微細胞圖像g（x，y），它的灰度級仍為L，圖像大小不變。兩圖像灰度級共同構(gòu)成一個二元函數(shù)z（i，j）=[f（x，y），g（x，y）]M×N。設(shè)nij為圖像中點灰度為i及其區(qū)域灰度均值為j的像素點數(shù)，pij為點灰度與區(qū)域灰度均值對（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分別代表目標與背景（或相反），遠離對角線的C和D代表邊界噪聲。

　　定義二維離散熵為：

　　定義后每個區(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：

　　由于遠離對角線的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，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。

　?。?）在研究分析中發(fā)現(xiàn)，利用此方法進行分割耗時較長，主要是因為閾值的選取是在二維空間中計算，復(fù)雜度大。這就需要對其進行改進來減少算法運行時間。本文提出一種改進閾值選取方法如圖2所示。

　　以圖中的對角線為閾值把直方圖劃分為E、F兩個區(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劃分為一組，劃分值以每個組為單位，即劃分值增加一個單位就會相應(yīng)地增加一組像素點。此類方法等效于先用均值濾波器對圖像做平滑處理，再對圖像進行分割。

　　將計算從二維簡化為一維，此時只需計算圖2中E的PE和HE：

　　熵的判定函數(shù)定義為：

　　在上式中其實是用沿對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)雜運算降為一維，大大縮短了運算時間，在平滑處理前與處理后的分割時間對比如表1所示。

　　3.2 數(shù)學(xué)形態(tài)學(xué)二次精細分割

　　在采用二維最大熵閾值分割方法分割顯微細胞圖像后，雖然能夠較好地提取顯微細胞的邊緣，但在顯微細胞圖像中出現(xiàn)了一些不是細胞區(qū)域的雜點，并且邊界還會有微小斷裂以及細胞孔洞的存在。因此就要利用相關(guān)的方法進行二次精細分割。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胞圖像的精細分割。

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

4 顯微細胞圖像分割實驗及分析

　　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方法以及閾值分割方法對顯微細胞圖像進行分割實驗，利用邊緣檢測中的Sobel算子、Roberts算子以及Canny算子對顯微細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算子對顯微細胞圖像進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算子提取過于細致，許多噪聲點也被提取出來，干擾太大。因此，利用邊緣檢測的方法不能很好地分割顯微細胞圖像。

　　根據(jù)顯微細胞圖像的灰度直方圖，利用直方圖雙峰法、迭代閾值法及Otsu閾值法對顯微細胞圖像進行分割，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胞邊緣，這是因為顯微細胞圖像的對比度低，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。

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

5 結(jié)論

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

　　參考文獻

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

　　[2] 梁光明.體液細胞圖像有形成分智能識別關(guān)鍵技術(shù)研究[D].長沙：國防科學(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用技術(shù)研究與比較[J].微計算機信息，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)進化圖像分割算法[J].微型機與應(yīng)用，2012，31（13）：38-45.