一种基于粒子群优化itti模型的白细胞区域提取方法
【技术领域】
[0001] 本发明设及图像处理技术领域，更具体地说，设及一种基于粒子群优化ITTI模型 的白细胞区域提取方法。
【背景技术】
[0002] 白细胞作为"人体卫±"，在与疾病斗争中起着重要的作用，不同类别的白细胞数 量、形态发生异常对疾病的诊断都具有较高的价值。在实际应用中，病理检验人员发现病变 的过程主要是通过在显微细胞图中寻找异常部分，而人工操作方式不可避免地产生工作量 大、容易疲劳从而导致漏判、错判等问题。如果利用计算机自动提取细胞图像中人眼感兴趣 的白细胞部分，那么可W显著提高人眼甄别异常的白细胞工作效率，对提取显微细胞图像 感兴趣区域具有实际的应用价值。因此，在骨髓细胞图像中让计算机自动提取感兴趣的白 细胞区域成为医学图像处理的迫切需求。
[0003] 目前，科研人员对图像感兴趣区域提取的方法存在着诸多研究，如基于注视点的 方法、基于视觉注意模型的方法、基于特定对象分割的方法。在面对一个复杂场景，人类视 觉系统会不由自主地、快速地将注意力集中在少数几个显著视觉对象上，并优先处理，该原 理表明模仿人类视觉系统的计算模型更有利于快速提取图像感兴趣区域。感兴趣区域 (Regions of Interest，R0I)，就是在图像中引起人们兴趣和帮助进行图像理解的区域，通 常彼此是连通的具有某种相似属性的"有意义"的像素集合。在检测医学骨髓细胞图像过程 中，人眼会不自觉地将视线集中在白细胞区域，表明了白细胞区域是图像的感兴趣区域，利 用计算机视觉模型提取骨髓细胞图像中的白细胞区域，为检测白细胞形态、数量及病理分 析工作的关键前提，同时在专业应用中对细胞病理检测分析也奠定了技术基础。
[0004] 视觉显著性的研究主要集中于四种模型，即光谱剩余模型、化-Rajan-化ia模型、 stenti化rd模型、ITTI视觉注意模型，由于分析医学显微细胞需经过瑞氏染色法处理，使得 染色后图像颜色较为分明，研究发现细胞图像颜色特征贡献比较突出，而ITTI视觉模型主 要利用颜色特征、方向特征、亮度特征进行图像感兴趣区域提取，充分利用染色处理后的特 征优势使得ITTI视觉模型是较为合适的选择。但传统ITTI视觉模型存在提取图像显著性区 域的准确度不高，无法提取完整的感兴趣区域的问题，一直无法达到较好的提取效果。ITTI 模型是显著性区域的检测算法，其驱动模式符合人眼观察事物的处理过程，其核屯、是研究 多个低层视觉特征的显著性特征算法，本发明充分利用运个优势特点，并进行改进可W较 为完整的提取骨髓细胞图像中的白细胞区域。
【发明内容】
[0005] 1.发明要解决的技术问题
[0006] 本发明根据人眼对不同显著性特征贡献不一致的原理，改变传统ITTI视觉模型中 显著性特征结合的方式;并针对化SU提取显著图的感兴趣区域产生的阔值不精确，运行时 间长等问题，引入了基于粒子群优化算法的化SU算法，提供了一种基于粒子群优化ITTI模 型的白细胞区域提取方法，本发明首先利用高斯金字塔分解出方向、亮度、颜色特征分量， 再经过中央周边算子和多尺度归一化运算得到Ξ个分量的显著性特征图，然后采用改进的 自适应系数相融合的方式得到显著图，最后利用基于改进的粒子群优化算法的化SU法对显 著图进行感兴趣区域的提取，本发明可W有效地提取骨髓细胞图像中的白细胞区域。
[0007] 2.技术方案
[0008] 传统的ITTI视觉模型应用在骨髓细胞图像中，提取的白细胞区域会有较多的噪 声，使图像不清晰、不完整，效果难W满足病理检测人员的实际需求。本发明在传统ITTI视 觉模型的基础上进行自适应系数结合显著性图的改进，并引用基于改进粒子群优化算法的 化SU法提取显著图中的感兴趣区域，可W得到较为完整、清晰的白细胞区域。
[0009] 为达到上述目的，本发明提供的技术方案为：
[0010] 本发明的一种基于粒子群优化ITTI模型的白细胞区域提取方法，其步骤为：
[0011] 步骤一、在医院血液内科采集经瑞氏染色法处理的骨髓细胞图像；
[0012] 步骤二、将步骤一所得骨髓细胞显微图像通过高斯滤波与隔行向下采样，分解出 颜色特征金字塔、亮度特征金字塔、方向特征金字塔；
[0013] 步骤Ξ、经过步骤二所述Ξ种特征金字塔，再利用中央-周边差算子计算出12个颜 色、24个方向、6个亮度共计42个多尺度显著性特征图；
[0014] 步骤四、对于步骤Ξ所得不同尺度的显著性特征图，分别对Ξ种显著性特征图采 用归一化处理后再进行多尺度间求和，分别得到颜色显著图、亮度显著图、方向显著图；
[0015] 步骤五、利用自适应系数融合的方法将步骤四所得Ξ类显著图合并成最终的显著 图；
[0016] 步骤六、利用基于粒子群优化算法的化SU法提取骨髓细胞图像中感兴趣区域。
[0017] 更进一步地，在原始的ITTI视觉模型中采用的是平均值求和的方法融合Ξ类显著 图，即假设经过多尺度归一化得到的颜色、亮度、方向的显著图分别用RGB〇〇、I〇〇、0〇质示，贝U 运算公式如下所示：
[001 引
[0019] 上式S表示融合后的显著图，采用平均值计算方式求得显著图，只是简单的将Ξ类 显著性特征等量平均加权，没有充分考虑到人眼对显著性特征的贡献不一致的原理，实践 发现，通过运种方法提取白细胞区域会产生较多噪声，影响对白细胞区域的判别。步骤五改 进利用自适应系数融合的方法求得最终显著图的计算公式如下：
[0020] Si = RGBoo(l-P)+P*Ioo
[0021] S = Si(l-P2)+P2*Ooo
[00剖其中RGB00、I00、000分别表示颜色显著图、亮度显著图、方向显著图；P表示骨髓细胞 图像中亮度所占的比例，引表示颜色显著图和亮度显著图通过自适应系数融合后的显著 图；P2表示图像Si在原始细胞图像中像素面积所占的比例，S表示图像Si和方向显著图融合 后的最终显著图。
[0023] 更进一步地，粒子群优化(Particle Swarm Optimization，PS0)算法是基于群体 智能理论的优化算法，它通过群体中粒子间的合作与竞争产生的群体智能指导优化捜索。 该方法由美国的Kennedy和化erhad受鸟群觅食行为的启发于1995年提出，该算法的基本 原理是设种群共有N个粒子，捜索空间为D维空间，则粒子i(l含i含N)的位置可表示为XI，其 飞行速度表示为Vi，经过的最佳适应值的位置记为pbesti，记全局最佳适应值的位置为 gbesti，在每一次迭代中，粒子通过跟踪pbesti和gbesti来更新其速度和位置，骤六对粒子 群优化算法进行改进，原速度和位置更新公式为：：
[0029] 上式中，k表示迭代次数;W表示惯性权重;Cl、C2、C3表示加速因子;ri、Γ2、Γ3是相互 独立的随机数，取值范围在(0，1)区间;XI表示粒子的初始位置。
[0030] 更进一步地，步骤六采用非线性的惯性权重W:
[0031]
[0032] 式中，Wmax、Wmin分别表示最大和最小的惯性权重初始值，k表示当前迭代次数，G表 示最大迭代次数。
[0033] 更进一步地，Otsu法迭代次数k为100,初始粒子个数为图像横向像素个数，惯性权 重W最大值与最小值分别为0.9、0.4，加速因子Cl、C2、C3都为2。
[0034] 更进一步地，步骤六基于粒子群优化算法的化SU法提取骨髓细胞图像中感兴趣区 域后，采用形态学中的先膨胀后腐蚀的闭运算对图像进行处理，得到骨髓细胞