（电工理论与新技术专业论文）肿瘤细胞图像分割算法研究.pdf

a b s t r a c t t h ec 目t n c e rc e l la u t o r e c o g n i t i o ns y s t e m sa r es i g n i f i c a n ti nc o m p u t e ra s s i s t a n t d i a g n o s i s ，e s p e c i a l l yi nt h ei n s t a n c e s o fl a c k i n ge x p e r t s c e l ls e g m e n t a t i o ni st h e i m p o r t a n ts t e pi nt h ep r o c e s so fr e c o g n i t i o no fc a n c e rc e l l t h es e g m e n t e dr e s u l th a sa g r e a ta f f e c to nt h ec a p a b i l i t yo f f o u o w i n gr e c o g n i t i o na n da n a l y s i sa l g o r i t h m s h o w e v e r , s i n c ei m a g e sv a r i e t ya n dc o m p l e x i t y , b yn o wt h e r ei s n tas e g m e n t a t i o na l g o r i t h mt h a t f i t sa l lk i n do fi m a g e s i nt h i sp a p e r , t h ep r o b l e mo ft h ei m a g es e g m e n t a t i o no f o v e r l a p p i n gc e l l si sm a i n l ys t u d i e d f i r s t ，t r a d i t i o n a lp r e t r e a t m e n tt e c h n o l o g i e sa n d s e g m e n t a t i o nm e t h o d sa r ed i s c u s s e d w ec a nk n o wm e r i ta n ds h o r t c o m i n go ft h e m t h e nt h em a t h e m a t i c m o r p h o l o g y i sp r o d u c e d t h et r a d i t i o n a l p r e t r e a t m e n t t e c h n o l o g i e sa n dm a t h e m a t i cm o r p h o l o g yc a ne l i m i n a t eb a c k g r o u n dn o i s ei n t e r f e r e n c e e f f e c t i v e l yt o g e t h e r i ns e g m e n t a t i o ns t a g e , t h ed i s t a n c e - r e c o n s t r u c t i o ni su s e d ，w h i c h c a l l i m p r o v et h et r a d i t i o n a l w a t e r s h e d a l g o r i t h m ，e l i m i n a t e t h ep h e n o m e n ao f o v e r - s e g m e n t a t i o n k e yw o r d s c e l li m a g e ，i m a g es e g m e n t a t i o n ，m a t h e m a t i cm o r p h o l o g y , w a t e r s h e da l g o r i t h m ， d i s t a n c e - r e c o n s t r u c t i o n i i 肿瘤细胞图像分割算法研究 1 1 图像分割的定义 第1 章绪论 所谓图像分割就是根据某种均匀性( 或一致性) 的原则将图像分成若干个有意 义的部分，使得每一部分都符合某种一致性的要求，而任意两个相邻部分的合并 都会破坏这种一致性。根据上面的叙述，可以借助集合概念得到图像分割的比较 正式的方法定义： 令集合尺代表整个图像区域，对r 的分割可看作将r 分成若干个满足以下5 个条件的非空的子集( 子区域) 蜀，r 2 , - - , r 。： u r i = r ； j 叫 对所有的f 和j ，i j ，有r n r j = m ； 对f - 1 , 2 ，n ，有p ( 矗，) = t r u e ； 对f j ，有p 嘛o r ，) = f a l s e ； 对f _ 1 , 2 ，n ，冠是连通的区域。 其中以足) 是对所有在集合r 中元素的逻辑谓词，也就是预先设定的分割准 则，o 是空集。 上述条件指出分割所得到的全部子区域的总和( 并集) 应能包括图像中的所 有像素，或者说分割应将图像中的每个像素都分进某一个予区域中；条件指出 各个子区域是互不重叠的，或者说同一个像素不能同时属于两个区域；条件指 出在分割后得到的属于同一个区域中的像素应该具有按照分割准则确定的某些相 同的特性；条件指出分割后的结果中，不同的子区域具有不同的特性，没有公 共元素，或者说属于不同区域的像素应该具有一些不同的性质；条件要求同一 个子区域内的像素应当是连通的，即同一个子区域内的任两个像素在该子区域内 互相连通，或者说分割得到的区域是一个连通组元。 上述5 个条件不仅定义了分割，也对如何进行分割有指导作用。对图像的分割 总是根据一些分割准则进行的，条件与条件说明正确的分割准则应可运用于 所有区域和所有像素。而条件说明合理的分割准则应能帮助确定每个区域像素 郑州大学t 学硕卜学位论史 有代表性的特征。条件说明完整的分割准则应直接或间接地对区域内像素的连 通性有一定的要求或限定。 1 2 图像分割在图像处理中的地位 图像工程根据抽象程度和研究方法等的不同可分为三个层次：图像处理、图 像分析和图像理解。其中图像处理着重强调在图像之间进行变换以改善图像的视 觉效果；图像分析则主要是对图像中感兴趣的目标进行检测和测量，以获得它们 的客观信息从而建立对图像的描述；图像理解的重点是在图像分析的基础上，进 一步研究图像中各目标和它们之间的相互联系，并得出对原始成象客观场景的解 释，从而指导和规划行动。在这些技术当中，图像分割技术有着举足轻重的作用， 它是图像处理与图像分析之间的桥梁，没有图像分割图像分析也就无从谈起，因 此对于分割技术的研究是很有意义的，也是非常必要的。 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部 分常称为目标或前景( 其它部分称为背景) ，它们般对应图像中特定的、具有独特 性质的区域。为了辨识和分析目标，需要将感兴趣的目标区域分离提取出来，在 此基础上才有可能对目标做进一步的测量与分析。图像分割就是指把图像分成各 具特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是像素的灰度、 颜色、纹理等，预先定义的目标可以对应单个区域，也可以对应多个区域。 图像分割是一种重要的图像技术，是由图像处理进到图像分析的关键步骤， 在图像工程中占据重要的位置。一方面，它是目标表达的基础，对特征测量的精 度有重要影响；另一方面，因为图像分割及其基于分割的目标表达、特征提取和 参数测量等将原始图像转化为更紧凑的形式，使得更高层的图像分析和理解成为 可能。 图1 1 可以说明图像分割在图像工程中的位置。从图中可以看出：图形处理是 比较基础的操作，它主要在图像像素级上进行处理；图像分析侧重对像素集合一 一目标的表达测量描述；图像理解相对图像处理和分析而言，是高层操作，基本 上是对插述中抽取出来的数据符号进行运算推力。 圈1 1 图像分割在幽像：i ：程中的地位 f i g 1 it h es t a t u so f i m a g es e g m e n t a t i o ni ni m a g ep r o j e c t 图像分割在实际中已得到广泛的应用，例如在工业自动化、在线产品检验、 生产过程控制、文档图像处理、遥感和生物医学图像分析、保安监视，以及军事、 体育、农业工程等方面。概括来说，在各种图像应用中，只要需对图像目标进行 提取、测量都离不开图像分割。 1 3 图像分割技术的分类 对于图像分割算法的研究已经有几十年的历史了，多年来一直受到人们的高 度重视，借助各种理论至今已经提出了上千种算法，而且这方面的研究仍在如火 如荼地进行着。尽管在图像分割领域已经做了许多研究工作，但到目前为止，还 没有一种适用于所有图像的通用分割算法。所以在图像分割中，针对不同类型的 图像，需要采用不同的分割算法。现有的图像分割算法有很多，而且其发展与其 它很多学科和领域像数学、物理学、生理学、心理学、电子学、以及计算机科学 等都有着紧密的联系。由于没有适用于所有图像的通用分割算法，因此，每当在 其它相关领域出现新的理论和方法时，人们都试着将之应用到图像处理中，而且 往往会带来很大的突破。常见的传统分割方法主要有闽值化方法、区域化方法、 边缘检测法等等，另外还有许多结合特定学科理论、工具、方法如主动轮廓线法、 基于小波的分割算法、基于人工网络的分割方法、基于模糊集的分割方法等提出 的特殊分割算法。 由于现有的分割算法非常多，所以将它们进行分类的方法也提出了不少。但 总的来说对灰度图像的分割常可基于像素灰度值的两个性质：不连续性和相似性。 ， 郑州大学工学硕上学位论文 区域内部的像素一般具有某种相似性，而在区域之间的边界上一般具有某种不连 续性。所以分割算法可据此分为利用区域间特性不连续性的基于边界的算法和利 用区域内特性相似性的基于区域的算法。这两种分类方法解决了一个对偶问题， 每个区域可以用其封闭的边界来表示，而每个封闭的边界也表达了一个区域。由 于各种基于边缘和区域的算法的不同性质，它们就可能给出不同的结果和由此而 来的不同信息。另外根据分割过程中处理策略的不同，分割算法又可分为并行算 法和串行算法。在并行算法中，所有判断和决定都可以独立地和同时地做出，而 在串行算法中，早期处理的结果可被其后的处理过程所利用。一般串行算法所需 的计算时间常比并行算法要长，过程控制较复杂，但抗噪声能力也常较强。上述 这两个准则互不重合又互为补充，所以分割算法可根据这两个准则分成四类：并 行边界类；串行边界类；并行区域类；串行区域类。这种分类方法既可以满足上 述分类定义的五个条件，也可以包容一些综述文献中所提到的各种算法。例如基 于边缘检测的方法可以是并行的或串行的，主要取决于边缘连接或跟踪时采用的 策略，阈值分割法和像素分类法都属于并行区域类，而区域生长和区域分裂合并 法则属于串行区域类。 近年来，人们还提出了一些综合利用以上四类方法基本思想的混合算法，但 一般只是将分属四类的算法用不同的形式组合起来。由于尚无通用的分割理论， 因此现在已提出的分割算法大都是针对具体问题的。另一方面，对分割效果的评 价也没有通用的判断标准，其结果的好坏与根据分割要求、目的及应用有很大关 系。在实际应用中，往往需要把这些方法结合起来用以获得更好的分割效果。 1 4 医学图像处理简介 目前，随着图像处理技术在生物医学中的广泛应用，极大地推动了生物医学 的发展。医学图像在临床诊断、新药研制、基础研究等方面都占有非常重要的地 位。 依据所获取图像中的目标的大小，医学图像可分为宏观和微观两大类。宏观 图像主要是指应用医学成象技术制造的医疗仪器设备所获取的图像，如1 9 7 2 年英 国e m i 公司的工程师h o u s f i e l d 发明的用于头颅诊断的x 射线计算机断层摄影技术( x r a yc o m p u t e r dt o m o g r a p h y ，简称x - r a yc t 或c t ) ，根据人体截面的投影，经计 算机处理来重建截面图像：还有核磁共振成象( m a g n e t i cr e s o n a n c eh 1 1 a g e 简称帜i ) 和发射体断层成象( e m i s s i o nc o m p u t e dt o m o g r a p h y ，简称e c t ) ，正电子发射体断 肿瘤细胞图像分割算j 圭研究 层成象( p o s i t r o ne m i s s i o nt o m o g r a p h y ，简称p e t ) 与单光子发射体断层成象( s i n g l e p h o t o ne m i s f i o nc o m p u t e dt o m o g r a p h y , 简称s p e t ) 等新的图像成象技术。微观图像 则是指通过显微镜与计算机连接，获取微观世界中对象( 例如细胞、组织图像) 以改变长期以来对于细胞和组织形态结构只能靠人工观测，定性或半定量描述的 状况。 医学上用于观察和分析的显微图像种类非常丰富，包括各种细胞涂片、组织 或器官切片等。借助于光学显微镜、电子显微镜、或共聚焦激光扫描显微镜，人 们可以观察到细胞及组织的显微、超显微结构并分析其形态，从中获取诊断疾病 所需要的丰富信息。 随着技术的不断发展，人们对医学检测客观性的要求越来越高，检测手段从 过去的人工主观检测逐步发展到现在的主观检测和客观检测指标相结和。随之而 来的是医学图像显微分析的应用领域越来越广泛。如在医疗诊断方面，可进行细 胞自动分类计数、染色体分析、细胞识别等；在新药研制方面，将计算机图像分 析技术引入新药临床前评价中，可以检测药物介入后组织或细胞的最基本的变化 倩况，观察到药物对机体最直接的影响，并给出规范、准确的试验数据，比以往 动物试验更为准确、快捷。近年来，人们研制了许多用于细胞分析和自动识别的 系统，对细胞图像进行自动分析，统计细胞个数和测量各个细胞的有关参数，如 面积、周长、体积等。这些细胞分析和自动识别系统减少了主观干扰，减轻了相 关人员的工作负担，提高了分析的准确性。 总之，不论是在宏观领域还是在微观领域，医学图像技术都得到了很好的发 展和应用，随着计算机技术不断发展，医学图像技术的发展有以下趋势： 计算机成为医学图像设备的必要组成部分。自c t 发明以来，计算机逐渐与医学 设备成像部分融为一体。快速发展的计算机科技，特别是计算机图像处理、图像 学、多媒体、网络技术等，都为医学图像技术提供了强有力的支持。 从结构成像到功能成像图像处理技术不仅利用各种方法揭示人体内部的各种 结构，而且开始对人体的某些功能进行成像，例如用彩色多普勒超声观察血液反 流显示射血方向来诊断先天性心脏病。 图像信息网络化。远程医疗会诊在医学专家和病人之闯建立起全新约联系，使 病人在原地即可接受远地专家的会诊及其指导下的治疗与护理。“远程医疗”系 统的主题构架是以计算机网络为基础，通过高质量的摄像机和处理能力较强的计 算机、工作站等设施将大的医疗中心和医生诊室同病人的家庭联系起来。 郑州大学t 学硕卜学位论文 1 5 课题提出的背景及意义 恶性肿瘤也叫癌症，是目前危害人类健康最严重的疾病之一。目前，胃癌、 肝癌、肺癌、食管癌是死因中最主要的4 种恶性肿瘤，占全都恶性肿瘤死亡的7 4 3 。一般情况下，癌症患者在确诊后，8 0 左右已属晚期，失去了手术治疗的最 佳机会，因此，进行准确的早期诊断和治疗己成为迫切需要解决的问题。 目前，对肿瘤细胞的诊断一般由病理专家实施，专家在显微镜下观察患者的 细胞切片，运用自己在长期实践中积累的专门经验和知识做出诊断结论，因此最 终的诊断结果中没有任何定量化的病变信息，仅是专家凭其经验所得的一字结论。 这不仅费时又费力，而且由于医师的诊断经验、观察的仔细程度，病理图片的制 作质量等方面主、客观因素的影响，对同一幅病理图像，不同的医师分析诊断的 结果会有所不同，甚至会存在着巨大的差异。 对于初期肿瘤细胞的诊断，由于此时癌变细胞与标准细胞的差异较小，医师 可能会由于各方面主观因素的影响而遗漏这些处于萌芽阶段的致命癌细胞，导致 癌细胞的放任生长。如果图像处理在其中的应用能够根据细胞的病理学特征如形 状、颜色、密度等做出定量描述，自动识别出这些肉眼不易观察出的细微差别， 并将可疑细胞的定量信息报告给医师，则将极大的提高诊断的准确性。另外，发 现病变细胞后，对病变程度的判定也是由医师经过经验判断而得出的非定量的描 述性信息。由于各方面的主观原因，对病变程度的判断也会产生各种偏差，进而 影响后续治疗中的用药强度和剂量。如果提供一定量的病变信息，便可以找到与 之对应的定量的治疗方案，这样便可以极大地提高治疗的准确性和科学性，使患 者在最短时问内康复。 目前医学细胞图像定量分析已应用于病理诊断、病理管理系统、癌变分级分 类等多方面的医学研究领域，细胞学诊断是进行肿瘤诊断的重要手段。在生物细 胞结构和形态变化的研究中，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，急切需要对细胞内各细胞器结构变化、大分子分布变化进行量化分析 与处理。另外生物细胞之间信号传输机制、能量交换、信息处理原理的探讨和病 理学各种疾病发展的诊断研究中，同样需要这种量化分析，其主要手段之一就是 生物细胞图像的分割，这是生物研究逐步由定性描述走向定量研究的主要手段。 医学图像分割是开展医学在临床和生命科学研究领域广泛应用的一个先行步 骤，需要指出的是，各类图像分割算法多针对特定成象物理模型中的问题提出， 由于细胞组织切片、显微成像和数字化过程的复杂性，到目前为止还没有一种能 ，些塑些丝型丝墼二一 够对所有细胞图像都得到满意分割效果的分割方法，因此，图像的分割问题是医 学图像处理的重要研究课题和难题。 ，。，。，些些耋：耋茎耋竺耋耋，。，。，。，。一 2 1 细胞简介 第2 章肿瘤细胞图像简介 细胞的基本概念 细胞是生命活动的基本单位。一切有机体都由细胞构成，细胞是构成有机体 的基本单位；细胞是代谢与功能的基本单位，具有独立的、有序的自控代谢体系； 细胞是有机体生长于发育的基础；细胞是遗传的基本单位，具有遗传的全能性 细胞的结构 动物细胞主要有细胞核、细胞质和细胞膜组成，另外还有其它的组成部分。 图2 1 是一幅细胞的剖面图，给出了细胞详细的结构组成。 2 1 细胞结构图 f i g 2 1t h es t r u c t u r eo f ac e l l 细胞的共同特性 所有细胞的细胞膜均镶嵌蛋白质和山磷脂双分子层组成；所有的细胞都以核 糖体作为蛋白质的合成器；所有的细胞都含有记录遗传信息的载体：d n a 与r n a ； 所有细胞的增值都是一分列方式进行。 肿瘤绷胞图像分割算法研究 2 2 肿瘤细胞显微图像获取 活体组织检查和脱落细胞学检查是肿瘤病理诊断中最常用的方法。活体组织 检查是在病变部位用刀、钳等手术器具切取或钳取全部或部分肿瘤组织，也可用 穿刺针吸取肿瘤组织，然后通过在细胞闻质中填充化学试剂、烘干、切片、染色 等手段得到便于观测的肿瘤病理切片，放在显微镜下观察，最后做出诊断。脱落 细胞学检查是利用癌细胞之间粘附力小，易随分泌物、排泄物自然脱落的特点， 或医生用器械将癌细胞从粘膜表面刮下来，制成涂片，经染色后在显微镜观察， 做出细胞学诊断。化学试剂的填充和烘干等步骤是为了得到均匀、尽可能薄的切 片，在细胞和组织染上不同的颜色，是为了在显微环境下更清晰地辨认细胞的形 态和结构。 得到处理好的肿瘤病理切片后，通过显微图像采集装置，将切片图像采样、 量化成数字图像、储存入计算机，以备进一步处理。 2 3 肿瘤细胞的显微特征 就单个的细胞来说，细胞核主管细胞的分裂增值，细胞质则显示细胞的生活 机能状态。这两种主要功能，在癌细胞中失去平衡，即其增殖能力特别旺盛，面 生活机能则不完全；前者表现在胞核方面，后者表现在胞浆方面，即核增大而胞 浆减少，显示癌细胞的不成熟状态。 在形态上辨别癌细胞的主要依据是：与正常细胞相比，细胞核特性发生改变。 核的体积增大：癌细胞大小形态不一，但通常的是，它的细胞核通常比正常源 细胞的核体积要大，核浆比显著高于正常细胞，可达1 ：1 ，正常的分化细胞核浆 比仅为1 ：4 至l ：6 ( 如图2 2 和图2 3 ) 。 图2 2 正常细胞 f i g 2 ，2g e n e r a lc e l l 图2 3 癌细胞 f i g 2 3c a n c e l c e l l ，。圣些尘茎三耋茎坠耋兰垡窒二，。，。，。，。，一 核的外形不规则：正常上皮细胞的核为圆形或卵圆形，核的边缘整齐，大小一 致。癌细胞核常呈不规则叶状( 图2 4 ) ，有时呈巨核或者多核。 图2 4 叶状癌细胞 f i g 2 4c b j i c e tc e l lw i t hl o b a t i o n 核染色质分布不均：正常细胞核染色质分布均一，成细颗粒或细网状，核膜不 增厚。癌细胞核染色质明显增加，集结成粗颗粒，分布不均。如图2 5 a 幽2 5 染色质分布不均 f i g 2 5a c e l lw i t h o u tu n i f o r m i t yc h r o m a t i n 核染色质增多、染色较深：由于核染色质中核酸与嗜硷性染料结合，核染色质 呈蓝色，核染色质聚集到核膜，因而核膜增厚 核仁增大和数目增多：这显示细胞的功能或生长活跃a 肿瘤细胞图像分割算法研究 3 1 取样和量化 第3 章图像处理基础 为了产生一幅数字图像，需要把连续的图像f ( x ，y ) 数据转换为数字形式，需 要两种手段：取样和量化。 取样 如图3 1 所示，将x y 平面分配到一个网格上，且每一个网格中心的坐标是一 个笛卡儿乘积z x z 的元素对，即所有有序元素对( a ，b ) 的集合，其中a 和b 属于整 数集合z 。 图3 1 取样 f i g 3 1s a m p l i n g 量化 取值的数字化被称为图像灰度级量化，量化处理是将f 映射到整数集合z 的 处理。z 的最大取值，取决于像素的灰度级数g = 2 m ，如2 5 6 ( 2 8 ) ，如图3 2 所 示 f 图3 2 量化 f i g 3 2q u a n t i z a t i o n 通过取样和量化，可以得到一个数字化矩阵，矩阵中每一个元素的值对应于 一个f ( x ，y ) 的函数值，矩阵中每一个元素的下标对应于一个( 工，y ) 。 如果我们对三元色r g b 分别进行取样和量化，然后将得到的数字图像叠加， 就可得到彩色的数字图像。 3 2 彩色图像变灰度图像 通常获取的细胞图像都为染过色的彩色图像，而计算机处理中需要的往往是 灰度图像。灰度图像只含有亮度信息，不含有彩色信息，通常其亮度为0 到2 5 5 共2 5 6 个级别。 彩色图像模型中r g b 是最常用的模型，还有c m y 模型、c m y k 模型、 模型、y i o 模型等等。 y u v 模型是电视信号中常用的一种模型，y 分量的物理意义是亮度，u 和v 分量代表了色差信号。y 分量包含了灰度图的所有信息，只用y 分量就能完全能 够表示出一幅灰度图来。y u v 模型可以很方便的在灰度和彩色图之间切换，而 r g b 表示方法就做不到这一点。 y i q 模型与y 1 模型类似，分量y 含有全部的灰度信息，i 、q 与u 、v 表 示色调，用来描述图像色彩及饱和度的属性。y i q 和j v 这两种模型都是由亮度 和色调表示，只是表达方式不同。 r g b 模型与j v 模型的转换公式为： 卧 o o 3 9 5 2 0 3 2 0 5 8 7 - 0 2 8 9 - 0 5 1 5 r g b 模型与y i q 模型的转换公式： 根据公式我们可以得出： 0 9 5 6 - 0 2 7 2 2 0 3 2 0 5 8 7 - o 2 7 4 - 0 5 2 3 f ( i j ) = 0 2 9 9 r + 0 5 8 7 g + 0 1 1 4 b 其中i , j 为储存图像矩阵的下标 按照上述公式可将彩色图像转换为灰度图像。图3 3 与图3 4 给出示例。 图3 3 原始彩色图 f i g 3 3c o l o r f u lv e i li m a g e 1 3 ， 图3 4 转换后灰度图 f i g 3 4g r a y c e l li m a g e ( 3 1 ) ( 3 2 ) ( 3 3 ) ( 3 4 ) ( 3 5 ) 、 y u 矿 ，。，。l、j 删o l m 、l， r g 口 ，。，。l、， m m d；洲 ，。l = 、， r u y ，。l y f q v i i i 八 川脚册m 曲o 、，他旧旧 、i， 足g b ，。，l 、， 勉mm n 9 6 l捞”nn 仉m ，。l = 、， y ，q ，。l 3 3 图像增强 在各类图像系统中，图像的传送和转换过程( 如成像、复制、扫描、传输以及 显示等) 总不可避免地造成图像的某些降质。如在摄像时，光学系统的失真、相对 运动、大气流动等都会使图像模糊；在传输过程中，由于各类噪声污染，图像质 量也有所下降。我们有必要对这些降质图像进行改善处理。通常改善处理有两类： 一类是不考虑具体的降质原因，只将图像中感兴趣的特征有选择地突出，而衰减 其次要信息：另一类方法是针对特定的降质原因，设法去补偿降质因素，使改善后 的图像尽可能逼近原始图像。第一类方法能提高图像的视觉质量和可读性，如突 出目标轮廓，衰减各类噪声，将黑白图像转换成彩色图像等，即为图像增强技术。 第二类方法能提高图像质量的逼真度，一般称为图像复原技术。 就方法而言，图像增强可以分为空问域处理和频率域处理两大类。前者指在 空间域内对像素灰度值直接进行运算，如厌度变换、图像空域平滑和锐化处理、 伪彩色处理等。后者是在图像的某种变换域内，对图像的变换值进行运算，再将 结果反变换到空间域，是一种自j 接处理方法。 本文所要处理的细胞图像，由于在玻片的制作中形成的杂质、污点及采集过 程中带入的噪声，对正确统计细胞的个数及参数影响较大。为此，本文将彩色细 胞图像转换到厌度图像后，就可以采用成熟的灰度图像处理技术对它进行一系列 的增强处理，目的是去除杂质噪声的干扰，突出目标本身。 本章我们回顾了常用的图像增强技术并综合应用于细胞图像，可以看到，利 用这些增强预处理可以去除杂质噪声、增强对比度，改进了图像的质量，更利于 后续的分割操作。 3 3 i 灰度变换 线性灰度变换： 线性灰度变换方程为：d 一= f ( d 一) = 乃d 一+ 如 ( 3 6 ) 上式中参数戗代表线性函数的斜率，蠡为线性函数在y 轴的斜距，d a 代表 输入图像的灰度，d b 代表输出图像的灰度。 当f a l 时，输出图像的对比度将增大；当f a l 时，输出图像的对比度将减小当 厶= l 并且危不等于零时，会使所有的像素的灰度值上移或者下移，效果是使整个 图像更亮或者更暗；如果f a 0 时，暗区域将变亮亮区域变暗；在特殊情况下当f a = l 肿瘤细胞图像分割算法研究 伍= o 时输出图像和输入图像相同；当a = 1 ，f b = 2 5 5 时，输出图像的灰度正好相反， 也就是反色。 - f i 蔓t 3 5 中显示了不同参数下经过线性变换的肿瘤细胞图像： a ) 原灰度图 价a = 2 ，f b = 1 0 0 曲f a = 2 ，f b = 2 0 0d ) 取反 图3 5 不同参数f 经过线性变换的效果图 f i g 3 5l i n e a rt r a n s f o r m 非线性灰度变换 增强图像对比度实际是增强原图的各部分的反差，除线性灰度交换以外，还 存在着非线性的灰度交换，主要有对数变换、幂次变换、分段线性变换 对数变换的一般表达式为： j = c l o g ( 1 + r 1 ( 3 7 ) 其中c 是一个常数，此种变换常用做将窄带低灰度输入图像影射为一宽带输出值 可以利用这种变换来扩展被压缩的高值图像中的暗像素。 幂次变换的基本形式为： 郑州大学t 学项l 学位论文 j = c p + ，) ” ( 3 。8 ) 其中c 和m 为正常数，同对数变换类似，幂次变换可以把输入窄带暗值映射到宽带 输出值。 分段线性变换是用几段折线代替线性变换中的直线，它的优势在于其形式可 以任意合成，其缺点是需要更多的用户输入。最简单的分段线性函数是对比拉伸 变换。 3 3 2 直方图均衡化 这个方法的基本思想是把原始图的直方图变换为均匀分布的形式这样就增 加了像素灰度值的动态范围从而达到增强图像整体对比度的效果。 p , ( s 0 2 n d n 其中0 s k 1k = o ，1 ，l - 1 ( 3 9 ) 这里弘g t ) 代表原始图第k 个狄度级的出现的概率。以甩女为自变量，以p , ( s k ) 为 函数得到的曲线就是图像的直方图。 这里增强函数需要满足2 个条件： ( 1 ) e h ( s ) 在0 s k 1 范围内是1 个单值单增函数，这里e h ( ) 代表一个厌度变 换 ( 2 ) 对o s j s 三一l 有o 三曼略) l 上面第1 个条件保证原图各狄度级在变换后仍保持从低到高( 或从高到低) 的 排列次序，第2 个条件保证变换前后灰度值动态范围的一致性。 可以证明累积分布函数( c d f ) 满足上述2 个条件，并能将s 的分布转换为t 的均 匀分布。事实上s 的c d f 就是原始图的累积直方图，在这种情况下有： 厶= e h ( s o = 圭等= kp o r ) 其中o s k l l 【：o ，01 ，l 一1 i = o ，i = 0 ( 3 1 0 ) 图3 6 显示了肿瘤细胞图像的直方图均衡处理结果： 。，尘墼些堡鬯型垄坠，。，一 a ) 原图 b ) 直方图均衡化后 c ) 原图直方图 1 7 郑州大学t 学硕f 学位论文 d ) 均衡化后的直方幽 图3 6 舯瘤细胞图像的直方图均衡化 f i 9 3 6h i s t o g r a me q u a l i z a t i o no f c a n c e rc e l l 从上图可以看出，直方图均衡化能自动地增强整个图像的对比度，但它具体 增强效果不易控制，处理的结果总是得到全局均衡化的直方图。 3 3 3 平滑处理 平滑是常用的数字图像处理技术之一，它的主要目的就是减少图像的噪声。 在频率域中，由于噪声通常代表一种高频分量，可以用各种形式的低通滤波器达 到平滑的目的。空间域则往往采用范本操作，它实现了领域运算，即运算后某个 像素点的值取决于其自身和邻域点的值。平滑滤波器主要有两种即线性平滑滤 波器和非线性平滑滤波器。 线性平滑滤波器 假定有一幅n 个像素的图傻，o ，力，模板操作后得到新的图像g o ，力，s 为 选定的模板窗口，如3 * 3 ，5 * 5 ，一为范本矩阵，m 为范本矩阵的系数。则 如力满足： g ( x ，y ) = m 骱，( 石，j ，) ( 3 1 1 ) 常用的平滑范本有： 肿瘤细胞图像分割劈注研究 b o x 范本： 高斯范本： 土f ： 91 1 l 1 j f ，l2l 、 上i2 42l 1 6 l l 2 1 j ( 3 1 2 ) ( 3 t 3 ) b o x 范本是通过被处理的点和其周围8 个相邻点的平均来去掉突出的点，从而 滤掉一定的噪声。它虽然考虑了领域点的作用，但并没有考虑各点位置的影响， 所以平滑的效果并不理想。而高斯模板既考虑了领域点的作用，同时也考虑了位 置的影响，距离被处理点越近的点，其中心加权系数越大，平滑效果好于平均值 范本。 图3 7 为采用3 * 3 窗口的b o x 范本和高斯范本进行处理后的效果图。 非线性平滑滤波器 平滑处理技术很多，但均对图像清晰度有不同程度的影响，其中中值滤波对 图像清晰度的影响较小。中值滤波是一种非线性信号处理技术，对抑制图像中的 孤立噪声有效，而对图像的轮廓边缘亦能加以较好的保护。以n * n 中值滤波为例， 它计算灰度级图像f 中以像素( i ，j ) 为中心的n * n 屏蔽窗口内灰度的中值，作为 该像素点滤波后的灰度值。 中值滤波可能从某种程度上破坏部分图像细节( 滤波窗口越大，这种破坏越 严重) ，并且对于某些作用较为均匀缓和的噪声滤波效果不佳。经过实验，发现 采用对大多数组织细胞图像而言，5 * 5 窗口进行中值滤波的效果最好，既可以有 效的去除图像中的噪声，又对图像清晰度的影响很小，采用5 * 5 窗口进行中值滤 波处理后的效果图如图3 7 所示。 郯州大学t 学硕 。学位论文 b 、 印缈 ( a ) 原图( b ) b o x 范本滤波的结果图( c ) 高斯范本滤波的结果幽( d ) 中值滤波结果图 图3 7 各种平滑滤波处理后的效果幽 f i g 3 ，7s e v e r a ls m o o t h n e s sf i l t e r s 3 3 4 锐化处理 与图像平滑处理通过抑制噪声造成图像模糊相对应，图像锐化处理的目的是使 模糊的图像更加清晰起来。如果说空间域的平滑处理大致相当于频域处理中的抑 制高频分量技术的话，锐化处理则是相当于检测频率域中高频分量的部分，并将 之提取强化，相当于高通滤波处理。 图像的模糊实质可以被认为图像受到平均或积分运算造成的，因此可以对图 像进行逆运算如微分运算来使图像清晰化。从频谱角度来分析，图像模糊的实质 是其高频分量被衰减，因而可以通过高通滤波操作来清晰图像。但是能够进行锐 化处理的图像必须有较高的信噪比，否则锐化后图像信噪比反而更低，从而使噪 肿瘤细胞图像分割算法研究 声的增加比信号还要多，因此一般是先去除或减轻噪声后再进行锐化处理。 这里主要讨论两种常用的锐化方法：线性微分锐化技术( 其代表为拉普拉斯锐 化) 和非线性微分锐化技术( 代表为梯度锐化) 。 梯度锐化 设图像为f ( x ，y ) ，定义f ( x ，y ) 在点( x ，y ) 处的梯度矢量为： 一_ l o | | f 梯度有两个重要的性质： 1 梯度的方向在函数f ( x ，y ) 最大变化率方向上 2 梯度的幅度用f i f ( x ，y ) 表示其值为： g 叭训肛厮 ( 3 1 4 ) ( 3 1 5 ) 由此得出这样的结论：梯度的数字就是f ( xy ) 在其最大变化率方向上的单位 距离所增加的量。 对于离散的数字图像，上式可以改写成： g 【m ，) 】= 厄而f 鬲五两i 而万丽万而 ( 3 1 6 ) 如果直接采用梯度值g f ( x ，y ) 来表示图像，即令g ( x ，y ) = g f ( x ，y ) ， 则由上面的公式可见：在图像变化缓慢的地方其值很小( 对应图像较暗) ；而在线 条轮廓等变化较快地方的值很大。这就是图像在经过梯度运算后使其清晰从而达 到锐化的目的。 由于在图像变化缓慢的地方梯度较小，所以图像会显得很暗，通常的做法是 给一个阈值，r ，如果g f ( x ，y ) 小于该阈值t ，则保持原灰度值不变；如果大 于或等于阙值t ，则赋值为g i f ( x ，y ) ： 郑州大学t 学硕j 学位论文 小 j 、一jg f ( x ，) ，) 】( g 【( 工，y ) 】d ( 3 ，1 7 ) g 2 八工，y ) ( g ( 五y ) 】 t ( 4 5 ) g - 1 0f 0 ) d o m = m + i i f ( 新出现点的像素值= m ) i f ( 此像素点周围8 邻域标志位都为0 ) i f 【周围2 4 邻域标志位都为o ) f 为新种子，种子数加l ，并将此时种子数的值赋给该像素的 标志位 e l s e 为已标记种子的扩展区域，将不为0 的标志位的值赋给该像 素的标志位) ) e l s ei f ( 此像素周围8 邻域标志位都相同) 肿瘤细胞图像分剌算法研究 域相同 为同一个种子点扩展区，将这个像素点标志位的值赋成与周围8 邻 e l s e ( 为边界点，将此像素点的像素值赋为0 最终的分割结果如图4 1 5h ) 曲 c ) c 1 b ) f ) 郑州人学t 学硕f 。学位论文 图4 1 5 改进流域算法分割图 f i g 4 1 5i m p r o v e dw a t e r s h e da l g o r i t h m 分割过程主要是前期的预处理技术和后期的距离变换技术。使用高斯平滑， 即可初步的消除噪点，保护图形边缘，更重要的是，对于细胞核染色质分布不均 匀这种情况加以改善，为图像的精确二值化及后续的流域处理做好准备。二值化 后图像出现多个小的黑色干扰区域，以及图像轮廓不平滑，引入数学形态学滤波 腐蚀、开操做、膨胀加以改善，腐蚀具有消除物体边界点、去除细小连通、 收缩图像的作用，开操作使对象轮廓变得光滑，断j 丌狭窄的间断和消除细的突出 物，膨胀使腐蚀、开操做后的图像尽可能恢复原来轮廓。形态学滤波处理后的图 像经过距离变换，不能直接求反应用流域分割算法，否则会造成过分割，这是因 为经过预处理后黑色干扰区域处理得还不够彻底，需要进一步进行距离的重建加 以改善，然后去反，得到最后分割，实验证明，取得了比较好的效果。 4 4 3 结论 本节重点介绍针对重叠或粘连目标图像的分割方法，提出一种基于流域变换 的改进分割算法。重叠目标的分割一直以来都是图像分割算法研究的难点和热点， 当目标之间发生重叠时，其连接处的边缘信息与目标轮廓相比要微弱的多，很多 阈值化方法或基于边缘检测的方法对于这样的微弱边缘的响应不够强烈，因而很 难检测出正确的边缘，或者得到的边缘不是单像素的。而流域变换是对微弱边缘 很敏感的一种算法，并且其分割线是单像素宽的闭合曲线，所以非常适合此类图 像的分割问题。 肿痛细胞图像分割算法研究 但是流域算法存在一个致命的缺点，就是过分割问题严重，本文从改进预处 理与流域变换参考图像的质量着手改善这一问题：高斯平滑滤波对所处理的核染 色质不均匀的对象很有针对性；形态学滤波具有一定的通用性，可以消除小噪点 和不规则边缘的干扰；而距离图反映的是图像中像素的位置信息，距离重构的“削 峰”处理可以使低灰度区小的干扰区域得到削弱，也可以使高灰度区特征相似的 区域得以合并，在不影响分割质量的前提下将流域变换参考图像的质量大幅提升。 流域变换结果表明对过分割问题的改善效果是比较明显的。 郊州欠学t 学硕 学位论文 5 1 结论 第5 章结论和展望 本文对图像处理中一项关键技术一分割技术进行深入的讨论和研究，以被处 理对象特征、预处理技术、分割算法的研究为主线，对现有比较成熟的的预处理 技术和分割算法进行分析、比较，对较新的前沿技术也有一定的介绍。其目的是 为本文的主要研究对象作准备。 本文的主要研究的是粘连肿瘤细胞灰度图像分割的问题。检测粘连细胞最主 要的任务就是检测重叠处的边缘，基于区域的流变算法对微弱边缘响应良好，适 合于重叠目标图像的分割，但是传统的流域算法有一个致命的缺点就是过分割问 题，本文从预处理技术及流域算法的距离函数着手，提出一种改进的流域分割算 法。该算法引入距离重构概念，使得低灰度区小的干扰区域得到削弱，高灰度区 特征相似的极点( 区域) 得以合并，得到最有意义的分割区域，有效地改善了过 分割问题。 但同时应该看到，在距离重构中，“削峰”高度h 的选择问题，不具备子适应 性和自动性，以靠经验比较严重；再者针对不同的对象的具体特征，应当对症下 药，附以适合的预处理手段，才能收到良好的效果，因此，本文的处理手段具有 有一定局限性，通用性还不够强。 5 2 展望 图像分割是计算机视觉中最基本最重要的研究内容，是成功进行图像分析、 理解和描述的关键技术，图像分割结果的质量直接影响丽后进行的分析、识别和 解释的质量，因此对图像分割技术进行更深入地研究是十分必要和有价值的。虽 然已提出的算法很多但到目前为止还没有一种通用的图像分割算法，往往需要根 据不同的分割环境设计、选择分割算法。随着计算机技术的发展，将图像分割用 于病理学诊断是医学发展的一个重要趋势，计算机有能力接受大量的过去病例资 肿痛细胞图像分割算法研究 辩，综合各病理医生的经验，定量分析各种临床表现，并有可能从提供的临床表 现中获取比较多的信息。恶性肿瘤是目前危及人民健康乃至生命的严重疾病之一， 而早期诊断是治疗的关键，在各种诊断方法中，细胞学诊断是比较准确可靠的方 法之一，具有简便、安全、正确、经济等特点，因而对图像分割算法的研究并将 其应用到肿瘤早期诊断中是一项十分有意义的工作。 图像分割作为计算机视觉中的一个重要方向，仍有许多共性的问题没有解决， 依据现有的工作基础和实际使用的要求，还可以在以下方面作进一步研究： l 、分割的自动化程度是大家一直以来关心的问题，如何能够自动得到更为精 确的分割是图像分割算法的一个难点。 2 、任何一种图像分割方法，都必须在结合图像本身特征的基础上，才能实现 一定范围内的准确分割，现在还没有通用的分割方法。找到通用性的算法依然是 一个重点及难点。 3 、从更加精确和完善的角度出发，可将二维的细胞进行三维重建，从三维的 角度研究图像中的细胞更加客观，可以获取更多的有价值医学信息。 参考文献 参考文献 【l 】m i l a ns o n a k a , v a c l a vh l a c a c ，r o g e rb o y l e 图象处理、分析与机器视觉( 第二 版) 人民邮电出版社，2