基于压缩感知的延时视频序列运动细胞跟踪方法
【技术领域】
[0001] 本发明涉及一种延时视频序列运动细胞跟踪方法，特别涉及一种基于压缩感知的 延时视频序列运动细胞跟踪方法。
【背景技术】
[0002] 现有的延时视频序列运动细胞跟踪方法主要有两类：一类是基于参数模型的，实 时跟踪中需要对参数进行不断的更新；另一类是基于图像分割的，需要先分割图像得到细 胞区域。
[0003]文献"LouX，SchieggM，HamprechtF.ActiveStructuredLearningforCell Tracking:Algorithm,Framework,andUsability[J].IEEETransactionsonMedical Imaging, 2014. "公开了一种主动结构学习的运动细胞跟踪方法。提出了一种目标任务模型 的延伸构想，将更多的复杂的目标特征和事件考虑进模型，这种更加复杂的目标任务模型 增加了需要学习的参数。接下来从训练数据中利用最大边界结构学习方法主动学习最优参 数，从而实现了运动细胞的跟踪。文献所用特征扩展目标任务模型利用了更多的目标特征 数据，增加了算法的时间复杂性。
【发明内容】
[0004] 为了克服现有延时视频序列运动细胞跟踪方法复杂的不足，本发明提供一种基于 压缩感知的延时视频序列运动细胞跟踪方法。该方法将压缩感知引入到延时视频序列运动 细胞的跟踪中，首先对延时视频序列每一帧中运动细胞进行粗分割，依据分割结果确定每 个细胞所在的一个矩形检测窗口；然后，在该矩形检测窗口内，使用一族随机生成的滤波器 对原始细胞图像进行随机采样，将该矩形检测窗口内的图像变换到高维特征空间；接着，构 造一个随机稀疏矩阵，将窗口内的图像从高维特征空间映射到低维特征空间，形成对矩形 窗口内细胞图像信息的有效描述特征；最后，将所得的描述特征带入训练好的朴素贝叶斯 分类器，判定该窗口区域是否真的还有上一帧中附近位置出现的细胞，从而实现细胞跟踪。 这种基于压缩感知的延时序列运动细胞跟踪方法，将图像特征从高维特征空间映射到低位 特征空间，从而降低了复杂度。
[0005] 本发明解决其技术问题所采用的技术方案是：一种基于压缩感知的延时视频序列 运动细胞跟踪方法，其特点是包括以下步骤：
[0006] 步骤一、对于归一化后的一帧视频序列图像I，其中像素点s的像素值 表示为{I(S)e[0, 1]:seS}。定义一个宽度为M、高度为N的图像块S，S= {(X，y) :1彡X彡M，1彡y彡N}表示其中像素点的集合。定义7X7窗口大小的滤波器如 下：
[0007]
(1)
[0008] 式中，η表示阈值，c(s)<η表示滤波器窗口内像素值小于阈值η的像素点个数， 表示滤波器窗口内像素大于等于阈值η的像素点个数，Γ(s。）表示滤波后的滤波器窗口中 心点像素s。的像素值。
[0009] 用式（2)的滤波器窗口在图像上逐点遍历之后，得到分割后细胞图像和背景。 [0010] 用四连通外接最小矩形边界框提取细胞的边缘，得到矩形图像块，作为细胞的原 始?目息〇erwxh。
[0011] 步骤二、对于某一细胞原始信息0erwxh，按照步骤一中定义的宽度为m、高度为N 的滤波器在原始细胞信息周围随机采样。经过滤波器采样后，得到某一细胞所有图像块信 息，包括正样本和负样本，且正负样本数量相等。
[0012] 将采样得到的某一细胞所有图像块0转化为向量形式，记作
[0013] 对于一帧细胞图像中所有细胞采样，利用压缩感知理论，由式（3)计算得到细胞 采样信息的降维稀疏表示特征Ve妒，
[0014] V=ΦΧ (3)Q为固定值50且远小于￥ΧΗ，Φ表示稀疏化矩阵，VeRSVfV 为所得到的降维样本信息。
[0015] 步骤三、由某一细胞采样得到的特征经过稀疏化压缩后的特征向量Ve妒，设计贝 叶斯分类器if:
[0016]
⑷
[0017] k取0或1，表示正样本或负样本，P(Yi= 0) =P(Y;= 1) = 0· 5 ;
[0018] 提取到的细胞每个样本的特征所有元素统计特性看作独立高斯分布，利用其期望 和方差，转换式（4)为：
[0019]
(5)
[0020] 经过下式计算得到结果H(YJ，
[0021]
(Ο)
[0022] 比较结果H(YJ大小，使结果最大的特征向量Vi，且结果大于阈值ΤΗ，认为此特征 向量1为跟踪的结果；如果结果小于阈值ΤΗ，则跟踪的细胞消失。
[0023] 所述阈值Τη=0·35。
[0024] 本发明的有益效果是：该方法将压缩感知引入到延时视频序列运动细胞的跟踪 中，首先对延时视频序列每一帧中运动细胞进行粗分割，依据分割结果确定每个细胞所在 的一个矩形检测窗口；然后，在该矩形检测窗口内，使用一族随机生成的滤波器对原始细胞 图像进行随机采样，将该矩形检测窗口内的图像变换到高维特征空间；接着，构造一个随机 稀疏矩阵，将窗口内的图像从高维特征空间映射到低维特征空间，形成对矩形窗口内细胞 图像信息的有效描述特征；最后，将所得的描述特征带入训练好的朴素贝叶斯分类器，判定 该窗口区域是否真的还有上一帧中附近位置出现的细胞，从而实现细胞跟踪。这种基于压 缩感知的延时序列运动细胞跟踪方法，将图像特征从高维特征空间映射到低位特征空间， 从而降低了复杂度。
[0025] 以下结合【具体实施方式】详细说明本发明。
【具体实施方式】
[0026] 本发明基于压缩感知的延时视频序列运动细胞跟踪方法具体步骤如下：
[0027] 步骤一、细胞分割。
[0028] 对于归一化后的一帧视频序列图像I，其中像素点s的像素值表示 为{I(s)e[0, 1]:seS}。定义一个宽度为M、高度为N的图像块S，S= {(X，y) :1彡X彡M，1彡y彡N}表示其中像素点的集合。定义7X7窗口大小的滤波器如 下：
[0029]
(:7)
[0030] 定义滤波器窗口中心像素点为s。，设置阈值1\为0. 19,统计窗口中所有大于阈值 !\的像素点s的个数c(s)，取像素点个数c(s)的阈值η为35,c(s) <n表示滤波器窗口 内像素值小于阈值η的像素点个数，表示滤波器窗口内像素大于等于阈值η的像素点个数， I'（s。）表示滤波后的滤波器窗口中心点像素s。的像素值。
[0031] 用式（8)的滤波器窗口在图像上逐点遍历之后，得到分割后细胞图像和背景。
[0032] 用四连通外接最小矩形边界框提取细胞的边缘，得到矩形图像块，作为细胞的原 始信息〇e Rwxh。
[0033] 步骤二、特征提取。
[0034] 随机采样细胞信息。首先，对于某一细胞原始信息0eRWXH，按照步骤一中定义的 宽度为M、高度为N的滤波器在原始细胞信息周围随机采样（等同于这一细胞原始信息的宽 度W和高度H)。经过滤波器采样后，得到某一细胞所有图像块信息，其中包括正样本和负样 本，且正负样本数量相等。
[0035] 将采样得到的某一细胞所有图像块0转化为向量形式，记作
[0036] 对于一帧细胞图像中所有细胞采样，利用压缩感知理论，由式（3)计算得到细胞 采样信息的降维稀疏表示特征Ve妒，
[0037]V=ΦΧ (9)Q为固定值50且远小于WXH，Φ表示稀疏化矩阵，V e Rq， te V为所得到的降维样本信息。
[0038] 步骤三、细胞跟踪。
[0039] 首先，由某一细胞采样得到的特征经过稀疏化压缩后