一种基于粒子群及模糊均值聚类的细胞图像分割方法与流程

本发明涉及一种基于粒子群及模糊均值聚类的细胞图像分割方法，属于数字图像处理领域，主要涉及智能优化和图像分割技术。在各类基于细胞图像的应用系统中有广阔的应用前景。

(二)

背景技术：

智能优化算法与传统优化算法相比，并不需要获知最优解决方案的数学特征，而是对问题进行启发式的算法从而获取最优解，其本身并不一定能获得实际的最优解，但是能在较短的时间内得到与实际最优解接近的近似解，因此得到了广泛的应用。智能优化算法是模拟自然界的现象，在搜索过程中不断调整策略来更好地搜索，根据模拟的自然界现象的不同，主要智能算法有蚁群算法，粒子群算法，遗传算法，模拟退火方法。蚁群算法(参见文献：多里戈等.蚁群系统：群体协同优化，美国电气电子工程师学会系统、人和控制论汇刊B部分，26(1):29-41,1996(M.Dorigo,V.Maniezzo and A.Colorni.Ant system:optimization by a colony of cooperating agents,IEEE Transactions on SMC-Part B,26(1):29-41,1996.))是模拟蚂蚁觅食过程中总是朝着食物的方向而不停变更路线来获得最优解的算法。粒子群算法(参见文献：肯尼迪等.粒子群优化，神经网络，1995.(J.Kennedy,R.Eberhart.Particle Swarm Optimisation,Neural Networks,1995.Proceedings.))是模拟鸟群的觅食过程，在觅食过程中每只鸟总是朝着食物但是速度和路径不同，关键是确定每个粒子的适应度。而分数阶粒子群算法是在粒子群算法基础上用分数阶速度代替原来速度的改进算法，具有更好的收敛速度和准确度。遗传算法(参见文献：霍兰.《自然和人造系统中的适应性》，密歇根大学出版社，1975(Holland J."Adaptation in Natural and Artificial Systems."University of Michigan Press,1975.))是模拟在自然界生物进化过程中优胜劣汰的原理，通过选择、交叉和变异算子来模拟生物种群的整体进化过程。模拟退火算法(参见文献：科尔帕特利克等.“模拟退火优化”，自然220(4598):671–680.(Kirkpatrick,S.；Gelatt Jr,C.D.；Vecchi,M.P.(1983)."Optimization by Simulated Annealing".Science 220(4598):671–680.))是模拟固体退火的过程，原理是物体内部的内能随着温度的变化而成正反馈变化，当固体处于常温的时候其内部粒子处于基态，当从高温下降的速度足够慢的时候内部粒子处于平衡态，用固体内能模拟目标函数，用温度模拟参数变化。

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程，它是由图像处理到图像分析的关键步骤。随着图像分割技术的发展，其应用也愈加深入和广泛。需要对图像目标进行提取、测量的工作都离不开图像分割，该技术已在交通、医学、遥感、通信、军事和工业自动化等诸多领域得到广泛应用。基于阈值的算法(参见文献：大津.一种基于灰度直方图的阈值选取方法,美国电气电子工程师学会系统、人和控制论汇刊,1979,9:62-66.(Otsu N.A Threshold Selection Method from Gray-Scale Histograms[J].IEEE Trans on Smc,1979,9:62-66.))是选定阈值，根据阈值做出分割。因此，选取阈值是关键，比如最常用的全局阈值选取中利用图像的灰度直方图信息得到用于分割的阈值，包括峰谷法、最小误差法、类别方差法和最大熵法都是常用的阈值检测方法。基于阈值算法的优点是计算简单，运算效率高、速度快，缺点是只考虑灰度信息而忽略了空间信息，从而对噪声敏感，也不适用于多前景的图像。基于边缘的分割(参见文献：坎尼.一种边缘检测的计算方法,美国电气电子工程师学会模式分析与机器智能汇刊,1986,PAMI-8(6):679-698.(Canny J,.A Computational Approach to Edge Detection[J].Pattern Analysis&Machine Intelligence IEEE Transactions on,1986,PAMI-8(6):679-698.))是首先进行边缘提取，认为边缘内的区域具有同一属性，然后进行边缘连接把边缘闭合起来形成区域。所谓边缘是指其周围像素灰度有阶跃变化，即梯度足够大的那些像素的集合，它是目标和背景之间的分界。区域生长法(参见文献：亚当斯等.区域生长法,美国电气电子工程师学会模式分析与机器智能汇刊,1994,16(6):641-647.(Adams R,Bischof L.Seeded Region Growing[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,1994,16(6):641-647.))利用局部空间信息，将相似的相邻像素集作为区域按相似度向邻域扩张，主要有区域生长法(region growing)和分裂合并法(split and merge)。基于小波分析的算法(参见文献：安东连尼等.基于小波变换的图像编码,美国电气电子工程师图像处理期刊,1992,1(2):205-220.(Antonini M,Barlaud M,Mathieu P.Image coding using wavelet transform[J].IEEE Transactions on Image Processing,1992,1(2):205-220.))是对时间或空间频率的局部化分析，具有良好的时频局部化特征、尺度变化特征和方向特征，在图像分割中主要是利用小波变换检测图像的边缘点，按一定策略构成轮廓，从而实现图像分割。基于神经网络的算法(参见文献：杨.基于神经网络的彩色图像文本定位,模式识别快报,2001,22(14):1503-1515.(Jung K.Neural network-based text location in color images[J].Pattern Recognition Letters,2001,22(14):1503-1515.))将神经网络理论和技术引入图像空间聚类分割领域，打破了传统聚类方法使用条件的限制，为构造各种聚类新方法奠定了基础。基于环形最短路径的算法(参见文献：孙等.图像处理中的环形最短路径应用,模式识别,2003,36(36):709-719.(Sun C,Pallottino S.Circular shortest path in images[J].Pattern Recognition,2003,36(36):709-719.))可以用来解决类圆形区域的分割问题，通过极坐标与直角坐标系的转换，使用最短路径算法求出图像边缘。基于聚类的算法(参见文献：卡农等.一种模糊C均值聚类算法的有效应用,美国电气电子工程师学会模式分析与机器智能汇刊,1986,PAMI-8(2):248-255.(Cannon R L,Dave J V,Bezdek J C.Efficient Implementation of the Fuzzy c-Means Clustering Algorithms.[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,1986,PAMI-8(2):248-255.))将图像分割当作一个聚类问题，聚类算法被广泛应用于图像分割，如K均值算法、FCM(fuzzy c-means)模糊聚类算法、ISODATA算法等。

细胞分割是将细胞图像中的细胞和背景分割开以得到较为精确的细胞轮廓和细胞个数，从而为医学研究提供基础信息。通过在模糊聚类法中引入局部区域和全局区域信息，可得到更好的细胞分割结果(参见文献：贾里弗等.适用局域及全局区域信息的模糊聚类细胞分割,2014年美国电气电子工程师模糊系统国际会议.(Amin Gharipour,Alan Wee-Chung Liew.Fuzzy clustering using local and global region information for cell image segmentation,2014IEEE International Conference on Fuzzy Systems(FUZZ-IEEE)))。通过引入隶属度、非隶属度、直觉系数的直觉模糊均值聚类方法，也可实现对人类细胞图像的分割(参见文献：琪娅拉.一种新的直觉模糊均值聚类人类细胞分割方法，2009自然与生物启发计算世界大会.(Tamalika Chaira.A novel intuitionistic fuzzy c means color clustering on human cell images,Nature&Biologically Inspired Computing,2009.NaBIC 2009.World Congress on))。

形态学运算可以有效地将前景与背景进行分割，提取出具有共同特征的区域，通过多次形态学处理和阈值的选取，可以去除过度分割部分并且可在很大程度上保持原有细胞的轮廓。

图像的距离变换是一种针对栅格图像的特殊变换，是把二值图像变换为灰度图像，其中每个像素的灰度值等于它到栅格地图上相邻物体的最近距离。

水域分割是模仿地图浸没过程的一种形态学分割算法，其本质是利用图像的区域特性来分割图像，它将边缘检测与区域生长的优点结合起来，能够得到单像素宽、连通、封闭且位置准确的轮廓，因此是应用比较广泛的一种图像分割方法。

利用分数阶粒子群优化算法和直觉模糊均值算法交替优化，并引入空间信息优化隶属度矩阵，将结果进行若干形态学操作，进而利用距离变换及水域分割，可得出完整且精确的细胞分割结果。基于此，本发明提出一种添加边缘信息的结合分数阶粒子群优化的与直觉模糊聚类相结合的细胞图像分割方法。

随着现代科技的发展，通过计算机对细胞的医学图像进行分割、提取、分析，在医学诊断和医学图像处理领域有着重要的作用。细胞分割是细胞特征提取和细胞识别的基础。从医学图像中提取精准的细胞图像是极具挑战性的课题。人们已经提出了若干针对细胞分割的方法，比如阈值方法、分水岭方法、模糊聚类方法，但是这些方法都有着各自的缺点，比如细胞分割边缘不够准确，低灰度的细胞难以分割出来，细胞之间存在粘连。

(三)

技术实现要素：

1、目的：

为了解决上述问题并弥补传统方法的不足，本发明提供了一种基于粒子群及模糊均值聚类的细胞图像分割方法。该方法首先选取合适的参数，初始化粒子群及相关数据，然后进行分数阶粒子群和直觉模糊聚类交替迭代优化，随后将结果和标准的模糊均值聚类结果比较，通过差异图像选择形态学优化方案，最后对结果图像进行距离变换和水域分割，从而得到最终结果，改进的算法中结合了两种迭代优化算法，改进了直觉模糊均值聚类的隶属度，并且考虑了图像的空间信息，因此抗噪性和分割质量都有了明显的提高。

2、技术方案：为了实现这个目的，本发明的技术方案如下，首先选取合适的参数，初始化粒子群及相关数据；然后，开始分数阶粒子群和直觉模糊聚类交替迭代优化；随后，将结果和标准的模糊均值聚类结果比较，通过差异图像选择形态学处理方案，改善边缘和去除噪声；最后，对结果图像进行距离变换和水域分割，得到最终结果。从而达到将细胞从细胞图像中分割出来的目的。

本发明是一种基于粒子群及模糊均值聚类的细胞图像分割方法，该方法具体步骤如下：

步骤一：读取目标图像，选取合适的优化参数：分数阶粒子群优化的分数阶阶数、粒子群容量、惯性系数、加速系数、最大速度，直觉模糊均值聚类的相关参数，初始化粒子群，计算出相关隶属度矩阵、适应度。

步骤二：分数阶粒子群和直觉模糊均值聚类交替迭代优化，在每次迭代中引入由全局最优点的参考图像得出的交叉点集，改进隶属度矩阵。

步骤三：为了改善边缘准确度和去除噪声，将上一步结果和标准的模糊均值聚类分割结果做比较，由差异图像中细胞区域的大小选择形态学操作。

步骤四：将上一步结果作距离变换，再作水域分割，得出最后结果。

3、优点及功效：细胞图像噪声很多，目标灰度并不均匀，并且粘连现象严重。虽然很多图像分割方法都可以对细胞进行较为有效的分割，但是很多方法不能分割出低亮度的目标，并且边缘贴合也并不完善，细胞粘连现象严重。本实验的结果充分说明了本发明的有效性。用于实验的细胞图像包含了各种类型的细胞，经过本方法的处理都取得了很好的实验效果，充分说明本发明可广泛应用于细胞图像分析系统，具有广阔的市场前景与应用价值。

(四)附图说明

图1为本发明一种基于粒子群及模糊均值聚类的细胞图像分割方法的原理框图。

图2a为第一组数据的样图之原图。

图2b为第一组数据的样图之本方法结果。

图3a为第二组数据的样图之原图。

图3b为第一组数据的样图之本方法结果。

图4a为优化分割过程图之标准模糊均值聚类结果。

图4b为优化分割过程图之本方法迭代结束后得到的初步结果。

图4c为优化分割过程图之差异图像。

图4d为优化分割过程图之经过形态学操作后的差异图。

图4e为优化分割过程图之将差异图加回标准结果后的结果。

图4f为优化分割过程图之经过距离变换和水域分割后的最终结果。

(五)具体实施方式

为了更好地说明本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。

本发明的原理框图如图1所示，本发明的具体实施步骤如下：

将原始细胞图像记为f：

步骤一：选取合适的优化参数，包括判断继续迭代的适应度阈值ε₁，判断最后差异图像细胞区域大小的阈值ε₂，直觉模糊均值聚类方法中的阶数para1，相关直觉系数para2、para3，分数阶粒子群优化系数包括分数阶阶数para4，惯性系数w，加速系数c1、c2，最大速度Vmax和粒子群容量pop，随机进行粒子群的初始化，得到初始粒子群{Center}₀，对应隶属度矩阵{U}₀，初始速度{V}₀和初始适应度{fitness}₀。(下标表示循环次数)

其中初始适应度选取为粒子对应模糊均值聚类目标函数的倒数：

${\mathrm{obj}}_{ij}=\underset{p=1}{\overset{c}{\Σ}}\underset{q=1}{\overset{n}{\Σ}}{\left({\left(U_{pq}\right)}_{ij}\right)}^m{d}^2(A_q,{\left({\mathrm{Center}}_p\right)}_{ij});$

fitness_ij＝(obj_ij)^-1；

步骤二：进入分数阶粒子群优化和直觉模糊聚类交叉优化的循环，循环步骤如下：

1.根据上一步循环的适应度，选取每个粒子的局部最优解Pb和所有粒子的全局最优解Gb。

2.计算每个粒子的速度{V}_i，从而得到初步的新粒子位置{Center}_i，进而得到初步的新隶属度矩阵{U}_i，这里选取一定系数para2将隶属度和非隶属度结合在一起，作为新的隶属度。(i表示循环次数，j表示粒子编号，p表示聚类中心编号，q表示像素点编号)

V_ij＝w·(V_i-1j)^(para4)+c1·(Pb-Center_i-1j)+c2·(Gb-Center_i-1j)；

Center_ij＝Center_i-1j+V_ij；

(D(a,b)表示距离函数，这里取为欧式距离)；

U_ij＝para2·(1-U_ij.^para3).^(1/para3)+U_ij；

3.由全局最优解得出临时参考结果图像f_ref，由此图像根据凹凸性质，从边缘取出邻域曲线为凹曲线的点集，经过简单的区域去重，即得到可能的交叉点集Pc，由此点集得出隶属度改进矩阵M，将其与初步的新隶属度矩阵相乘，得到用于下一步迭代的隶属度矩阵，进一步得到用于下一步迭代的粒子位置。

U_ij＝M.×U_ij；

${\left({\mathrm{Center}}_p\right)}_{ij}=\frac{\underset{q=1}{\overset{t}{\Σ}}{\left({\left(U_{pq}\right)}_{ij}\right)}^m\·A_q}{\underset{q=1}{\overset{t}{\Σ}}{\left({\left(U_{pq}\right)}_{ij}\right)}^m};$

4.由每个粒子的历史直觉模糊聚类目标函数及交叉点集的个数计算出新的适应度。

${\mathrm{obj}}_{ij}=\underset{p=1}{\overset{c}{\Σ}}\underset{q=1}{\overset{n}{\Σ}}{\left({\left(U_{pq}\right)}_{ij}\right)}^m{d}^2(A_q,{\left({\mathrm{Center}}_p\right)}_{ij});$

(为第j个粒子的平均模糊均值聚类目标函数值，σ_j为对应的标准差)；

步骤三：循环结束后得到近似最优解，即最终粒子位置Center，和对应的隶属度矩阵U，从而得出对应的结果图像f_result，为了结合标准模糊聚类粘连较少的优势，和标准糊聚类结果f_fcm对比，由差异图像f_diff选择改进步骤：

1.若差异巨大，则舍弃基础的模糊聚类结果，对图像进行形态学开运算，获得进一步优化结果。

2.若差异较小，则由差异图像，进行形态学腐蚀、闭运算、腐蚀处理，获得进一步优化处理。

(每次变换的结构元素都为圆盘型，但是半径互不相同，若为选项1亦然)

f_result＝f_fcm+f_diff；

步骤四：对上一步得到的结果进行距离变换和水域分割，得到最终结果。

图4a、b、c、d、e、f给出了后续处理前后的对比图。

为了展示本发明的效果，图2a、图2b及图3a、图3b给出了两组数据图样的原图和本方法结果的对比图，由分割结果可以看出，采用改进的粒子群优化及模糊均值聚类相结合的细胞图像分割方法得到的分割结果能够很好地识别灰度值较低的细胞区域，去除了绝大部分噪声，并且有着较少的细胞粘连，能够取得较好的分割结果。