一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用的制作方法
【专利摘要】本发明公开了一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用，由始蚁群分布及粗分类模块，多蚁群决策模块和融合及删除模块组成；初始蚁群分布及粗分类模块，利用近似平均方法提取细胞的前景图像从而获得初始蚁群分布，然后利用K均值聚类的方法把它粗略的分为N组子蚁群；多蚁群决策模块，基于协作与竞争模式构建N个独立的子信息素场和总信息素场共同作用下的细胞位置估计模块；融合及删除模块，基于信息素场构建，通过合并相似子蚁群和去除由杂波导致的虚假目标进行多细胞位置估计，并利用易于实现的近邻法进行细胞关联获取细胞运动轨迹和动力学参数。本发明可实现在低对比度细胞图像序列下近邻多细胞动力学参数估计，即对近邻多细胞动力学特性存在差异、细胞发生变形、细胞数目时变等情形，在无需细胞检测模块、无需大量的细胞训练样本的基础上，通过蚁群系统的协作与竞争，解决近邻多细胞多参数估计与跟踪难题。
【专利说明】一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用
【技术领域】
[0001]本发明涉及一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用。
【背景技术】
[0002]细胞运动分析在细胞生物学领域有非常重要的应用价值。细胞跟踪技术是研究细胞动力学行为最有效的工具之一，无论是在信息科学领域还是在生命科学领域都是一个极具挑战性且应用性很强的课题。细胞运动分析面临着众多难题，如细胞近邻、细胞分裂、多细胞动力学特性差异、细胞重叠、细胞数量变化、低对照比细胞图像序列等等。传统的人工方法是一个烦躁耗时的过程，处理的数据较少。本发明拟用蚂蚁群智能搜索行为对近邻多细胞运动特性进行研究，设计相应的近邻多细胞自动跟踪技术。该技术与目前广泛应用的人工细胞跟踪方法相比，它能够克服耗时多、误差大、鲁棒性差等缺点
[0003]在过去的几十年中许多自动细胞跟踪方法被提出来。基于检测技术的跟踪方法是一种经典的跟踪办法，该方法分为分割与跟踪两步，分割的任务就是在每帧中提取细胞信息(形状、重心、面积等)，跟踪的任务就是将连续帧中所提取的细胞进行关联，找出各细胞的运动轨迹、计算细胞运动速度等。基于模型调整或变化的跟踪方法，该方法主要应用于细胞的轮廓信息难以提取等场合，该方法将给定的细胞初始外形轮廓，通过参数优化方法使之变形来拟合图像中的目标对象，细胞的运动轨迹就从不同帧里自动提取出，通常所用的王动轮廊法(即Snake方法)、水平集方法(Level-Set)和均值偏移法(Mean-Shift)都属于此类跟踪方法，这些方法都有一个共同特点，即用上一帧所得到的模型参数作为当前帧图像分析的起始条件或先验信息。基于贝叶斯概率估计方法利用先验的一些信息和测量信息来估计细胞状态的后验概率密度函数。由于细胞跟踪问题是一个非线性、非高斯参数估计问题，因此，所对应的Bayesian滤波没有解析解，然而可用数值近似的方法进行求解，如粒子滤波器(Particle Filter,有时称 Sequential Monte-Carlo)0
[0004]正确跟踪近邻多细胞在细胞跟踪中还是一个难题，目前的技术还很少能处理这些情况，跟踪的精确性和稳定性都不足，对于近邻多细胞的动力学特性的差异，其跟踪性能未加以研究等等。本发明旨在解决由于运动或分裂而产生的细胞近邻、动力学特性存在差异、细胞数目时变等跟踪难题，通过背景提取方法获得细胞特征信息，利用一种基于协作与竞争模式的不同任务蚁群方法进行跟踪，从而实现多个近邻细胞的自动跟踪。
【发明内容】
[0005]本发明提供了一种基于协作与竞争模式的蚁群近邻细胞跟踪系统，包含以下模块:
[0006]I)初始蚁群分布及粗分类模块，利用近似平均方法提取细胞的前景图像从而获得初始蚁群分布，然后利用K均值聚类的方法把它粗略的分为N组子蚁群；
[0007]2)多蚁群决策模块,基于协作与竞争模式构建N个独立的子信息素场和总信息素场共同作用下的细胞位置估计模块；
[0008]3)融合及删除模块，基于信息素场构建，通过合并相似子蚁群和去除由杂波导致的虚假目标进行多细胞位置估计，并利用易于实现的近邻法进行细胞关联获取细胞运动轨迹和动力学参数。
[0009]所述初始蚁群分布及粗分类模块的工作步骤如下:
[0010]I)细胞图像背景提取:利用近似平均方法提取细胞的背景图像，近似平均方法是一种迭代的方法，把背景图像上的像素值和当前图像的像素值进行对比，如果背景像素大，则背景像素减1，否则加I，最终背景模型就收敛到一个值；
[0011]2)细胞图像前景获取:当前帧图像像素和背景模型图像相应像素比较，如果两者
的差值大于某一阈值，则此像素点属于前景，其公式为:
[0012]
【权利要求】
1.一种基于协作与竞争模式的蚁群近邻细胞跟踪系统，其特征在于，包含以下模块: 1)初始蚁群分布及粗分类模块，利用近似平均方法提取细胞的前景图像从而获得初始蚁群分布，然后利用K均值聚类的方法把它粗略的分为N组子蚁群； 2)多蚁群决策模块，基于协作与竞争模式构建N个独立的子信息素场和总信息素场共同作用下的细胞位置估计模块； 3)融合及删除模块，基于信息素场构建，通过合并相似子蚁群和去除由杂波导致的虚假目标进行多细胞位置估计，并利用易于实现的近邻法进行细胞关联获取细胞运动轨迹和动力学参数。
2.根据权利要求1所述系统，其特征在于，初始蚁群分布及粗分类模块的工作步骤如下: O细胞图像背景提取:利用近似平均方法提取细胞的背景图像，近似平均方法是一种迭代的方法，把背景图像上的像素值和当前图像的像素值进行对比，如果背景像素大，则背景像素减1，否则加I，最终背景模型就收敛到一个值； 2)细胞图像前景获取:当前帧图像像素和背景模型图像相应像素比较，如果两者的差值大于某一阈值，则此像素点属于前景，其公式为:
3.根据权利要求1所述系统，其特征在于，多蚁群决策模块的工作步骤如下: I)针对某一个子蚁群s(s = 1:N)中的蚂蚁在像素i所在位置，考虑到与其他子蚁群间的竞争与协作，分别考虑总信息素量τ j (t)和相对量^，为此，该蚂蚁选择其邻域中某一 像素j的概率为
4.根据权利要求1所述系统，其特征在于，融合及删除模块的工作步骤如下: 1)任两组子蚁群Sl，S2，其对应的信息素均为rτ，则最大信息素值所对应的像素为太=ai^maxR] ’ A = Mgmax^] ’依据细胞大小的先验信息构建相应的正方形方块，计算其面积重叠率0—ρ，若0OTOTlap > O1，则两个子蚁群组合并，其中％为阈值； 2)虚假目标移除:假定细胞尺寸范围先验已知，若某一子蚁群的蚂蚁数量为义,_，则当Ν, 认为此目标是由杂波或干扰引起的，删除此子蚁群，O 2为阈值； 3)数据关联:利用易于实现的近邻法进行数据关联获取细胞运动轨迹及相关的动力学参数。
5.一种基于协作与竞争模式的蚁群近邻细胞跟踪方法，其特征在于，步骤如下: 1)将包含有由于运动或分裂而产生的近邻多细胞的图像输入，图像序列利用近似平均方法提取细胞的前景图像从而获得初始蚁群分布，然后利用K均值聚类的方法把它粗略的分为N组子蚁群，每一组有各自的信息素场并在其上工作； 2)构建N个独立的子信息素场和总信息素场共同作用下的细胞位置估计蚁群决策系统； 3)通过合并相似子蚁群和去除由杂波导致的虚假目标进行多细胞位置估计，并利用易于实现的近邻法进行细胞关联获取细胞运动轨迹和动力学参数，实现近邻多细胞的跟踪。
6.根据权利要求5所述方法，其特征在于，所述步骤I)具体方法如下: O细胞图像背景提取:利用近似平均方法提取细胞的背景图像，近似平均方法是一种迭代的方法，把背景图像上的像素值和当前图像的像素值进行对比，如果背景像素大，则背景像素减1，否则加I，最终背景模型就收敛到一个值； 2)细胞图像前景获取:当前帧图像像素和背景模型图像相应像素比较，如果两者的差值大于某一阈值，则此像素点属于前景，其公式为:
7.根据权利要求5所述方法，其特征在于，所述步骤2)具体方法如下:1)针对某一个子蚁群s(s= 1:N)中的蚂蚁在像素i所在位置，考虑到与其他子蚁群间的竞争与协作，分别考虑总信息素量^(t)和相对量
8.根据权利要求5所述方法，其特征在于，所述步骤3)具体方法如下: 1)任两组子蚁群Sl，S2，其对应的信息素均为P,P，则最大信息素值所对应的像素为
【文档编号】G06N3/00GK103955946SQ201310359025
【公开日】2014年7月30日 申请日期:2013年8月16日 优先权日:2013年8月16日
【发明者】鲁明丽, 徐本连, 朱培逸, 毛丽民, 施健, 任亚运 申请人:常熟理工学院