摘  要： 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(guò)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。

　　關(guān)鍵詞： 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(guò)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(lái)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(jué)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(jué)技術(shù)的飛速發(fā)展，基于機(jī)器視覺(jué)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(jué)手段結(jié)合起來(lái)，用于自動(dòng)診斷與識(shí)別。

　　基于機(jī)器視覺(jué)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(guò)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(lái)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(guò)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(lái)，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?；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(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：

　　T0=（Max+Min）/2（2）

　　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：

　　Tk+1=（Z0+Zb）/2（3）

　　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(lái)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：

　　T在[0，L-1]范圍內(nèi)依次取值，使得最大時(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(guò)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(lái)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。

　　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。

　?。?）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(lái)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。

　　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：

　　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。

　　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(kāi)閉操作以及填充的方法來(lái)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(guò)于細(xì)致，許多噪聲點(diǎn)也被提取出來(lái)，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。

　　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。

　　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(lái)，細(xì)胞邊緣較其他幾類方法完整，并且無(wú)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(shuō)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(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。

　　參考文獻(xiàn)

　　[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(ài)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.