视网膜细胞荧光显微图像的自动分割和计数方法
【技术领域】
[0001] 本设计涉及视网膜细胞荧光显微图像的自动分割和计数方法，属于细胞图像的分 害J、图像处理技术领域。
【背景技术】
[0002] 在疾病的诊治和修复的过程中，通过生物细胞结构和形态变化的研宄，可以为疾 病的诊治提供帮助。而最重要、最困难的是生物细胞图像中细胞形态的识别和分割。由于 细胞图像的复杂性和多样性，目前还没有一种完全通用的分割方法可以实现对所有细胞图 像的正确分割。重叠、粘连细胞的分割是细胞图像分割的一大难题，为了提高分析结果的 精度，必须运用分离算法将它们自动分离为单个细胞。
[0003] 生物细胞图像分割方法众多，主要可分为传统的分割算法和近年来分割的新算 法。传统算法有基于灰度的阈值分割方法，基于边缘的分割方法和基于区域的分割方法等。 新的分割算法主要有基于小波变换的分割算法和基于数字形态学的分割算法等。
[0004] 现有算法都能对图像进行分割，但也存在着缺陷与不足之处。传统算法中基于灰 度的阈值分割算法虽然简单、计算量小，算法容易实现。但阈值确定主要依赖于灰度直方 图，而很少考虑图像中像素的空间位置关系，因此当背景复杂，特别在同一背景上重叠出现 若干个研宄目标时，容易丧失部分边界信息，造成分割的不完整。基于边缘的分割算法复 杂，计算开销大，很难完全检测出边缘，而且一旦有噪声干扰时，边缘检测算子直接处理效 果更不理想。基于区域的分割算法开销较大，在计算过程中引入的预定误差值选取不当时， 容易引入误判，易受分析目标内部组织之间的重叠干扰影响。近些年来的新算法对细胞分 割技术起到很大的促进作用，如小波变换分割对精细分割具有一定的指导作用，但数学形 态结构元素的尺寸和形态对分割结果影响很大。基于数字形态学的分割算法能够精确定位 边缘，抑制噪声效果较好，但得到边缘有时可能出现孤立点或不闭合点。
【发明内容】
[0005] 本次提出的方法结合了传统和新的算法，利用阈值分割和数字形态学算法作为预 处理算法，用边缘检测算法检测出细胞轮廓，结合码链凹凸性算法对粘连细胞进行检测，并 利用凹点与标记点的关系对粘连细胞进行分割，精确度和运算速度都得到了大大的提高。
[0006] 为实现上述目的，本设计是通过以下技术手段来实现的：
[0007] 本发明公开了视网膜细胞荧光显微图像的自动分割和计数方法，包括：
[0008] a)预处理，对图像进行预处理，滤除图像中的噪声点；
[0009] b)边界编码，提取出细胞的轮廓，对提取出的轮廓进行编码；
[0010] C)凹点检测，找到轮廓中的凹点并标记；
[0011] d)分割，对粘连细胞进行分割。
[0012] 进一步地：
[0013] 所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤a)进一步包 括：
[0014] al)利用阈值滤波对图像进行预处理；
[0015] a2)利用数字形态学变换对图像进行预处理；
[0016] a3)利用形参数形状Shape和圆形度Circularity检测出图像中的粘连细胞。
[0017] 所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤a3)中当细 胞轮廓的形状大于1. 5,圆形度小于6. 5时为粘连细胞。
[0018] 所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤b)进一步包 括：
[0019] bl)利用边缘检测提取出细胞的轮廓；
[0020] b2)用Freeman码于对步骤bl)提取出的轮廓进行编码。
[0021] 所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤c)进一步包 括：
[0022] cl)利用链码差和轮廓多边形凹凸性的关系找出凹点。
[0023] 所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤cl)当图像 中点的链码差大于经验值3时，该点为凹点。
[0024] 所述的视网膜细胞荧光显微图像的自动分割和计数方法，其中，步骤d)进一步包 括：
[0025] dl)对于只有两个凹点的粘连细胞，可以认为是两个细胞进行粘连，直接对凹点进 行分割；
[0026] d2)对于有多个凹点的粘连细胞，利用极限腐蚀方法标记出粘连细胞中每个粘连 部分；检测出粘连部分的标记点；利用标记点与凹点的位置关系，对凹点进行分割。
[0027] 本发明的有益效果是：本次提出的算法结合了传统的和近代提出的多种算法，保 留了阈值滤波，边缘检测算法中运算简单，计算开销小，运行效率高的优点。同时结合了 Freeman链码和多边形凹凸性的方法，对粘连细胞进行了较好的分割，使分割结果具有较好 的准确性和较高的效率。
[0028] 此方法在100个荧光显微细胞图像中进行了测试，平均的TPR和平均的FPR分别 为98. 13%和4. 17%。具有较高的可行性和准确性。平均运行速度为5. 02秒，具有较高的 效率。
【附图说明】
[0029] 图1为本方法流程图；包含四个主要部分，分别为预处理、边界编码、凹点检测与 分割。
[0030] 图2预处理结果示意图，（a)为原始图像（b)为预处理后图像（c)为（b)中部分 放大图像。
[0031] 图3为Freeman编码原理图，（a)为当前点与下一个点的八个方向和编号，当前点 为中心点，（b)为编码示意图，*点为当前点。
[0032] 图4为两个凹点直接分割结果图，（a)为先将两个凹点直接分割后结果，（b) (c)为 (a)中虚线框中含两个凹点的细胞放大后轮廓图，带圆圈的*号为检测出的凹点。
[0033] 图5为多个凹点的粘连细胞结构图，（a)为检测出多个粘连细胞的凹点和标记点 的结果，（b) (c)为（a)中虚线框中含多个凹点的细胞放大后轮廓图，带圆圈的*号为检测 出的凹点，标记为M的点为检测出的标记点。
[0034] 图6为多个凹点的粘连细胞分割结果图，（a)为最后分割的结果，（b) (c)为（a) 中虚线框中放大细胞