本发明属于医学图像处理领域，尤其涉及一种基于饱和度聚类的骨髓白细胞定位方法。
背景技术
骨髓中的白细胞种类多样，经染色后不同种类白细胞的颜色差异也较大。相对于外周血，骨髓中的白细胞密度更大，部分患者的血涂片出现细胞黏连现象。因此骨髓白细胞的定位一直都是一个富有挑战性的课题。近年来，专家以及广大技术人员提出了许多有效的解决方案。但是大多数方案只能解决特定的问题，没有提出一个普遍的方案能适用于多数场景。
目前骨髓白细胞的定位主要是基于阈值算法，将白细胞从背景和红细胞中分离出来。例如wu等人的文章“anovelcolorimagesegmentationmethodanditsapplicationtowhitebloodcellimageanalysis”(signalprocessing,20068thinternationalconferenceon)运用ostu阈值算法分割定位白细胞；ko等人的文章“automaticwhitebloodcellsegmentationusingstepwisemergingrulesandgradientvectorflowsnake”(micron,2011,42(7):695-705)首先运用阈值算法大致估计细胞的位置，然后利用均值漂移做进一步优化。同时也有学者提出了其他有效方案，例如dorinilb等人的文章“whitebloodcellsegmentationusingmorphologicaloperatorsandscale-spaceanalysis”(computergraphicsandimageprocessing，2007:294-304.)应用形态学处理的方法分割定位白细胞；此外还有像聚类的方法。但是这些方法均具有一定局限性，例如阈值算法中的ostu阈值算法，其中一个假设就是背景和前景的区域面积大致相同，实际骨髓数字图片中白细胞比例可能很大，或者没有白细胞，而且白细胞的颜色分布在一个很大区间，甚至和染色较深的红细胞有重叠。因此，虽然阈值可以适用于大多数数字图片，但是一些特殊情况下该方案不能很好的定位白细胞。当白细胞的颜色分布比较分散时，聚类算法也出现同样问题。
技术实现要素：
本发明的目的在于提供一种基于饱和度聚类的骨髓白细胞定位方法，通过该方法提供一种白细胞定位算法，针对骨髓中的白细胞密度更大，部分患者的血涂片出现细胞黏连现象的问题，能够更加精确的选择出白细胞的区域。
本发明是这样实现的，一种基于饱和度聚类的骨髓白细胞定位方法，包括如下步骤：
(1)对骨髓白细胞图片进行中值滤波去除部分噪点；
(2)对骨髓白细胞图片进行颜色变换，将图片从rgb(红绿蓝)通道转换到hsv(颜色，饱和度，亮度)通道；
(3)对s(饱和度)通道应用k均值算法，将其分为3个部分，选择第一部分p1或者第一二部分p1+p2部分得到白细胞的区域，下面是选择的步骤；
(4)计算(3)中第一二部分h通道的平均值(h1,h2)，根据(3)中第一二部分的均值点(s1,s2)，计算(3)中第一二部分区域的面积比值(ratio)；
(5)统计多张图片中白细胞所在的部分，记录在p1或者p2部分时h1-h2，s1-s2和ratio的值；
(6)根据(5)中的记录结果，应用决策树算法，找出规律制定选择的条件；
(7)对(6)的结果进行形态学处理去除无关区域，同时填充点洞；
(8)对(7)中分离的白细胞进行定位。
作为优选，所述步骤步骤(3)中对s(饱和度)通道应用k均值算法，将其分为3个部分，其中第一部分p1为可能为白细胞区域，第二部分p2可能为红细胞区域或者既有红细胞也有白细胞，第三部分p3一般是背景区域，因此只需要选择p1或者(p1+p2)部分就可以得到白细胞的区域。
进一步地，所述步骤(4)中，计算(3)中第一二部分h通道的平均值(h1,h2)，根据(3)中第一二部分的均值点(s1,s2)，计算(3)中第一二部分区域的面积比值(ratio)，下面给出h1和h2的计算公式：
h1＝∑(p1.*h)/∑(p1)
h2＝∑(p2.*h)/∑(p2)
其中p1是二值图，属于第一部分的像素值为1，其它为0。∑(p1)为p1像素值的和，p1.*h表示相同位置像素相乘的结果；
p2是二值图，属于第一部分的像素值为1，其它为0。∑(p2)为p2像素值的和，p2.*h表示相同位置像素相乘的结果。
进一步地，所述步骤(6)中，根据(5)中的记录结果，应用决策树算法，找出规律制定选择的条件，其中决策树算法的损失函数加上叶子节点个数，用于剪枝防止过拟合；
进一步地，所述步骤(7)中，对(6)的结果运用形态学处理去除无关区域，填充白细胞区域的点洞，具体过程如下：首先，选择合适的结构元b对(6)中得到的二值图做腐蚀操作，去除无关区域；然后再做膨胀操作；
其中f为(6)中得到的二值图，
最后通过形态学重构填充f中的点洞。
g＝f
其中
相比于现有技术的缺点和不足，本发明具有以下有益效果：
1、本发明算法简单、有效、适用范围广。对比现有基于阈值的算法，本发明算法有更强的自适应性。
2、针对不同种类白细胞颜色分布范围广的问题，以及因染色导致红细胞颜色较深的情况。采用本发明专利的k均值算法和决策树算法结合，能够更加精确的选择出白细胞的区域。
这部分优点能否针对背景技术中采用的白细胞定位方法做更为具体的详述。
附图说明
图1是骨髓白细胞图片；
图2是经中值滤波的骨髓白细胞图片；
图3是对s通道应用k均值算法得到的三部分结果图；
图4是应用决策树算法选择后的结果图；
图5是去除无关区域并填充点洞的结果图；
图6是分离后的白细胞定位结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种基于饱和度聚类的骨髓白细胞定位方法，包括如下步骤：
(1)对图1的骨髓白细胞图片进行中值滤波，结果如图2所示：其中滤波模板大小为(5*5)。
(2)对骨髓白细胞图片进行颜色变换，将(1)中的经中值滤波的图片从rgb(红绿蓝)通道转换到hsv(颜色，饱和度，亮度)通道，其具体公式如下：
v＝max(r，g，b)
其中rgb值的范围为[0,1]；
对s(饱和度)通道应用k均值算法，将其分为3个部分：如图3所示，其中第一部分(p1)为可能为白细胞区域，第二部分(p2)可能为红细胞区域或者既有红细胞也有白细胞，第三部分(p3)一般是背景区域。因此我们只需要选择p1或者(p1+p2)部分就可以得到白细胞的区域，下面是选择的步骤；
(3)计算(3)中第一二部分h通道的平均值(h1,h2)，根据(3)中第一二部分的均值点(s1,s2)，计算(3)中第一二部分区域的面积比值(ratio),下面给出h1的计算公式：
h1＝∑(p1.*h)/∑(p1)
h2＝∑(p2.*h)/∑(p2)
其中p1是二值图，属于第一部分的像素值为1，其它为0。∑(p1)为p1像素值的和，p1.*h表示相同位置像素相乘的结果；
p2是二值图，属于第一部分的像素值为1，其它为0。∑(p2)为p2像素值的和，p2.*h表示相同位置像素相乘的结果；
(4)统计多张图片中白细胞所在的部分，记录在p1或者p2部分时h1-h2，s1-s2和ratio的值；我们在实施过程中一共统计230张图片，其中120张图片中的白细胞在第一部分(p1)，110张图片中的白细胞在第一二部分(p1+p2)，同时我们还收集了部分无白细胞的图片；
(5)根据(5)中的记录结果，应用决策树算法，找出规律制定选择的条件，其中决策树算法的损失函数加上叶子节点个数，用于剪枝防止过拟合，选择后结果如图4所示；
(6)对(6)的结果运用形态学处理去除无关区域，填充白细胞区域的点洞，结果如图5所示。具体过程如下：
首先，选择合适的结构元b对(6)中得到的二值图做腐蚀操作，去除无关区域，然后再做膨胀操作。
其中f为(6)中得到的二值图，
最后通过形态学重构填充f中的点洞。
g＝f
其中
(7)对(7)中分离的白细胞进行定位，结果如图6所示。
上述基于饱和度聚类的骨髓白细胞定位方法具有的优点为：算法简单、有效、适用范围广；对比现有基于阈值的算法，本发明算法有更强的自适应性。其次应用将k均值算法和决策树算法结合，能够更加精确的选择出白细胞的区域。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。