细胞识别统计系统毕业设计

1、西安工业大学北方信息工程学院 本科毕业设计(论文)题目：基于VC+的细胞识 别统计系统设计系 别： 电子信息系 专 业： 通信工程 班 级： B070310 学 生： 刘晓林 学 号： B07031009 指导教师： 程光伟 杜岳涛 2011年 5月毕业设计(论文)任务书系 别 电子信息系 专业 通信工程 班级 070310 姓名 刘晓林 学号 HYPERLINK javascript:;07031009 (论文)题目： 基于VC+的细胞识别统计系统设计 2.题目背景和意义：随着计算机技术的不断发展,计算机技术在医学中的应用也越来越多,其中一个重要方面是对显微镜下血液细胞形态的自动图像识别。由

2、于图像中细胞形态多样、细胞常重叠、标本制作时染色不好等原因,使细胞自动图像识别过程的关键图像分割变得困难。又由于细胞种类较多,某些种类差别细微,因此对特征向量的选取和测定也提出了较高要求。开发出一个快速的细胞识别统计系统,能方便迅捷的对实际血液细胞情况进行分析,大大便利临床医学诊断. (论文)的主要内容(理工科含技术指标)：系统是一个医院中血液红细胞计数的实用系统。它主要是以病人的血液样本(玻璃切片)为原始数据，通过一系列的图像处理和分析，最后识别出血液中的红细胞来，同时给出红细胞的个数，得到红细胞个数之后，进行检测的血液量，就可以得出血液中红细胞的密度。 主要技术指标：(1)系统稳定，要求至

3、少能无错运行一个星期；(2)系统对细胞的计数误差不得超过5%；(3)要求系统能处理一些比较特殊的情况，如细胞粘连，或多个细胞处于采集图片的边缘；(4)时间要求，系统最后得出细胞数目并计算出细胞密度，时间不超过20s；(5)界面简单，容易操作。 (含起始时间、设计地点)： 11-3周，完成设计资料的收集、整理、文献翻译等前期工作和开题报告； 247周，完成细胞识别统计的理论准备，并通过matlab进行仿真实现，编写VC+源程序初版，与matlab进行分析对比； 3810周，对源程序初版进行修改并测试，按照技术指标完成所需的图像处理结果； 41112周，完成整个系统架构的搭建及编写图形用户界面程序

4、； 51314周，完成毕业设计论文的撰写； (论文)的工作量要求 实验(时数)*或实习(天数)： 400学时 图纸(幅面和张数)*： 其他要求： 1.5-2万字的毕业论文，5000字左右的外文资料翻译 指导教师签名： 年 月 日 学生签名： 年 月 日 系主任审批： 年 月 日基于VC+的细胞识别统计系统设计摘 要在过去的十年里，需要存储、传输和处理的信息数量成指数级数地增加。这主要归因于两项技术的发展。一是多媒体系统在众多领域的应用，过去的计算机只能处理数字和文本信息现在却已代之以声音、图片、影像；另一项是INTERNET的大发展，它使信息能被许多人共享。正是由于这些原因，计算机医疗、远程医

5、疗服务因为其的快速、便捷，正被越来越多的医疗机构所采用。这也就要求我们采用更先进的图像处理技术和更适合网络传输的图像格式。本文的目的是设计红细胞识别统计系统，检测血液中红细胞的密度。采用，处理由高倍放大镜采集到的血液切片照片，并将照片根据需要转换成更适合网络传输的图片格式。综合运用图像平滑、阈值处理、孔洞填充以及图像腐蚀等图像处理技术，识别出血液中的红细胞，并统计其个数。对图像就行平滑处理后，再综合运用阈值处理、孔洞填充以及图像腐蚀等技术对图片就行处理，使图片便于以后的后续处理，最终使用递归算法对细胞个数进行统计，统计出需要的数据，给出科学的依据，方便应用于临床医学的研究和对病人情况的参考。关

6、键词：图像处理；图像平滑；阈值处理；孔洞填充；图像腐蚀；visual c+Design of a Erythrocyte Recognition and Statistics System Based on VC+AbstractIn the past decade, the need to store, transmit and process information to increase the number of exponential series. This is mainly due to the development of two technologies. First, t

7、he applications of multimedia systems in many fields, In the past, the computer can only deal with numbers and text messages, but now, they are already replaced by the sound, picture, image; the other is the great development of internet, it makes information be shared by a lot of people. It is for

8、these reasons, computer health, telemedicine services are increasingly being used by medical institutions because it is fast and convenient. This also requires us to use more advanced image processing technology and more suitable image format for network transmission. The purpose of this statistical

9、 system is designed to identify red blood cells ,then to detect the density of red blood cells in the blood. Using VC + +6.0, processed the blood photographs and pictures collected by high-powered magnifying glass as needed,then convert the picture to the format more suitable for network transmissio

10、n . Using image smoothing, threes holding, hole filling and image corrosion technology , identify the red blood cells, and the number of statistics.First, smoothing the image, then using threes holding hole filling and image corrosion technology to process the pictures on-line, make the image easy f

11、or later follow-up treatment. The final number of cells using recursive algorithm for statistical, gives a scientific basis, easily used in clinical research and patient reference.Key Words: Image Processing; image smoothing; threes holding; hole filling; image corrosion; VC+6.0目 录 TOC o 1-3 h z u H

12、YPERLINK l _Toc2936912831 绪论 PAGEREF _Toc293691283 h 1HYPERLINK l _Toc293691284概述 PAGEREF _Toc293691284 h 1HYPERLINK l _Toc293691285课题的背景和国内外相关研究 PAGEREF _Toc293691285 h 1HYPERLINK l _Toc293691286课题研究主要内容2HYPERLINK l _Toc2936912881.4本课题重点及难点2HYPERLINK l _Toc2936912891.4.1本课题研究的重点2HYPERLINK l _Toc293

13、6912901.4.2本课题研究的难点2HYPERLINK l _Toc2936912871.5本设计的结构安排2HYPERLINK l _Toc2936912912 数字图像处理简介 PAGEREF _Toc293691291 h 4HYPERLINK l _Toc293691292图像的基本概念 PAGEREF _Toc293691292 h 4HYPERLINK l _Toc293691293图像的定义 PAGEREF _Toc293691293 h 4HYPERLINK l _Toc293691294图像的表示 PAGEREF _Toc293691294 h 4HYPERLINK l

14、_Toc293691295图像的分类 PAGEREF _Toc293691295 h 4HYPERLINK l _Toc293691296数字图像的描述4HYPERLINK l _Toc293691297数字图像处理内容5HYPERLINK l _Toc293691298图像变换5HYPERLINK l _Toc293691299图像增强 PAGEREF _Toc293691299 h 6HYPERLINK l _Toc293691300图像恢复 PAGEREF _Toc293691300 h 6HYPERLINK l _Toc293691301图像压缩6HYPERLINK l _Toc293

15、691302图像分割 PAGEREF _Toc293691302 h 7HYPERLINK l _Toc293691303图像描述7HYPERLINK l _Toc293691304图像分类(识别)7HYPERLINK l _Toc2936913053 细胞图像识别统计系统8HYPERLINK l _Toc293691306血液细胞识别与统计系统8HYPERLINK l _Toc293691307系统模型及识别流程图8HYPERLINK l _Toc293691308系统中图像图形变换的算法与应用9HYPERLINK l _Toc293691309血液图像的平滑9HYPERLINK l _To

16、c293691310血液图像的二值化10HYPERLINK l _Toc293691311孔洞填充的目的及其方法 PAGEREF _Toc293691311 h 12HYPERLINK l _Toc293691312利用梯度信息进行修正 PAGEREF _Toc293691312 h 13HYPERLINK l _Toc293691313用腐蚀法去噪声 PAGEREF _Toc293691313 h 14HYPERLINK l _Toc293691314细化与骨架抽取 PAGEREF _Toc293691314 h 15HYPERLINK l _Toc2936913163.3.7初步处理后的图

17、像修正 PAGEREF _Toc293691316 h 17HYPERLINK l _Toc293691316应用中心点标注完成数量统计 PAGEREF _Toc293691316 h 18HYPERLINK l _Toc293691317 VC+环境下细胞识别统计的程序实现19HYPERLINK l _Toc2936913184 BMP图像文件 PAGEREF _Toc293691318 h 21HYPERLINK l _Toc293691319 BMP图像文件结构 PAGEREF _Toc293691319 h 21HYPERLINK l _Toc293691320 BMP图像文件的读取与

18、显示 PAGEREF _Toc293691320 h 22HYPERLINK l _Toc293691321 BMP图像显示效果 PAGEREF _Toc293691321 h 25HYPERLINK l _Toc2936913225 软件设计调试 PAGEREF _Toc293691322 h 26HYPERLINK l _Toc293691323图像处理初始程序界面 PAGEREF _Toc293691323 h 26HYPERLINK l _Toc293691324阈值选取后的图像界面 PAGEREF _Toc293691324 h 26HYPERLINK l _Toc293691325

19、经过阈值HSI选取后的图像 PAGEREF _Toc293691325 h 27HYPERLINK l _Toc293691326查找中心点后的图像 PAGEREF _Toc293691326 h 28HYPERLINK l _Toc293691327利用Sobel信息修正前后的图像对比28HYPERLINK l _Toc293691328填充孔洞后的图像29HYPERLINK l _Toc293691329腐蚀后的图像30HYPERLINK l _Toc293691330膨胀后的图像 PAGEREF _Toc293691330 h 30HYPERLINK l _Toc293691331再次平

20、滑后的图像 PAGEREF _Toc293691331 h 31HYPERLINK l _Toc293691332得出统计信息 PAGEREF _Toc293691332 h 31HYPERLINK l _Toc2936913336 总结与展望 PAGEREF _Toc293691333 h 33HYPERLINK l _Toc293691330 PAGEREF _Toc293691330 h 33HYPERLINK l _Toc293691331 PAGEREF _Toc293691331 h 33HYPERLINK l _Toc293691334参考文献 PAGEREF _Toc29369

21、1334 h 35HYPERLINK l _Toc293691335致 谢 PAGEREF _Toc293691335 h 36HYPERLINK l _Toc293691336毕业设计(论文)知识产权声明37HYPERLINK l _Toc293691337毕业设计(论文)独创性声明38附录391 绪论概述通过血细胞分析检测仪器可以提供多种医学数据，但众多专家认为，血涂片细胞形态学检查是观察血液病的一个极其重要、无法替代、必不可少的检查手段。没有血涂片细胞形态学的检查，很多血液系统的疾病难以确诊。如对一些贫血的鉴别诊断往往只能通过血涂片检查确定其形态学异常。然而,人工操作存在几个问题：(1)

22、效率低下；(2)人的主观因素导致的判断不一；(3)因持续工作视觉疲劳导致的错误判断等等。随着计算机图像处理与模式识别技术的发展，对血细胞显微图像实现计算机自动分析识别，在技术上是可行的。与人工分析方式相比，既提高了工作效率，又增强了分析的客观性和正确性。传统的计算机只能处理文字、数字或是简单的图形。近年来，随着计算机硬件技术的飞速发展和更新，计算机处理图形图像的能力大大增强。随着计算机技术的不断发展，计算机技术在医学中的应用也越来越多，其中一个重要方面是对显微镜下血液细胞形态的自动图像识别。红细胞识别统计系统主要用于血液检测，当扫描到病人的血液切片时，系统会自动对高倍放大的血液视图进行图像采集

23、，将提取到的原始数据保存为图像文件。然后通过一系列的图像处理和分析，识别出血液中的红细胞并统计其个数，最后得出红细胞的密度，快速地为医院临床诊断提供依据。课题的背景和国内外相关研究随着计算机技术的不断发展，计算机技术在医学中的应用也越来越多，其中一个重要方面是对显微镜下血液细胞形态的自动图像识别。由于图像中细胞形态多样、细胞常重叠、标本制作时染色不好等原因，使细胞自动图像识别过程的关键图像分割变得困难。又由于细胞种类较多，某些种类差别细微，因此对特征向量的选取和测定也提出了较高要求。在过去的十年里，需要存储、传输和处理的信息数量成指数级数地增加。这主要归因于两项技术的发展。一是多媒体系统在众多

24、领域的应用，过去的计算机只能处理数字和文本信息现在却已代之以声音、图片、影像；另一项是INTERNET的大发展，它使信息能被许多人共享。正是由于这些原因，计算机医疗、远程医疗服务因为其的快速、便捷，正被越来越多的医疗机构所采用。这也就要求我们采用更先进的图像处理技术和更适合网络传输的图像格式。本文介绍的是一个基于环境的血液细胞图片处理系统。这个系统可以处理由高倍放大镜采集到的血液切片照片，并将照片根据需要转换成更适合网络传输的图片格式。该系统可以方便地应用于临床医学诊断和网络远程医学诊断上。关于此课题，国内外相关学者已做了比较广泛的研究，并已提出了一些细胞图像分割方法，如经典的Snakes算法

25、、基于边界方法检测算子、基于纹理或颗粒度的分割方法，此外还有其他图像分割的方法，或区域方法或边界方法，但这些方法对血细胞图像的分割都没有达到一个较理想的效果。由于细胞图像分割的困难和血细胞某些种类差别的细微，使得对所有细胞实现自动识别在当前还是一个难题。目前，国内尚未见此类系统投入临床使用的报告。1.3课题研究主要内容本课题研究的系统是一个医院中血液红细胞计数的实用系统。它主要是以病人的血液样本(玻璃切片)为原始数据，通过一系列的图像处理和分析，最后识别出血液中的红细胞来，同时给出红细胞的个数，得到红细胞个数之后，进行检测的血液量，就可以得出血液中红细胞的密度。 主要技术指标：(1)系统稳定，

26、要求至少能无错运行一个星期；(2)系统对细胞的计数误差不得超过5%；(3)要求系统能处理一些比较特殊的情况，如细胞粘连，或多个细胞处于采集图片的边缘；(4)时间要求，系统最后得出细胞数目并计算出细胞密度，时间不超过20s；(5)界面简单，容易操作。 1.4本课题重点及难点1.4.1本课题研究的重点(1) 图像处理技术在VC+6.0环境下的处理编程实现;(2) 阀值的选取；如果选择不当，可能出现杂质保留过多或者出现半个细胞等现象，会给后续的图像处理带来很多困难。(3) 腐蚀次数的选择。1.4.2本课题研究的难点图像的定位分割。由于提取的图像边界、轮廓模糊，就要用到锐化处理，又由于图像中噪声的影响

27、，进而要用到图像的平滑处理，从而结合边缘提取算法和字符识别算法编写出图形用户界面程序构成一个完整算法程序实现则是研究的难点所在。本设计的结构安排(1) 绪论部分：介绍目前细胞识别统计技术的研究背景、发展水平及课题的研究意义；了解本设计所涉及的主要内容、能实现的功能以及重要的技术指标；对课题的目的明确。(2) 构建软件环境：熟悉有关本设计要用到的软件和有关图像处理技术的有关知识，对图像的格式转换有一定的了解，掌握本课题所用到的图片格式，方便设计的进行。(3) BMP图像文件：对设计中采用的BMP格式的文件有所了解；(4) 图像处理：对图像进行平滑处理、腐蚀、孔洞填充、边缘检测等处理，利用软件设计

28、并且实现系统中对细胞图像的各种处理功能。(5) 统计：对处理过的细胞图像分析，统计出图像中红细胞的个数以及密度。(6) 总结：对本次设计做一个系统的总结。2 数字图像处理简介随着科学技术的发展，数字图像处理技术得到了空前的发展，被广泛应用于 众多的科学与工程领域。可以说人们生产、工作和生活方式的方方面面都离不开数字图像处理技术。图像的基本概念图像的定义信号是信息的载体。更一般的意义上说，信号可以视为是指标空间 dD 到 值空间 uU 的映射 f，而图像则可以定义为一个映射，其值空间为亮度(包括颜色)，其指标空间由位置、时间、波长等组成。 图像的表示二维图像可以用二维亮度函数来表示。由于光是能量

29、的一种表现形式，所以 图像的亮度可以表示为 I = f ( x, y )，式中 I 为图像的亮度， ( x, y ) 是坐标，显然 0 f ( x, y ) +。光学图像一般是由物体表面反射的光形成的。虽然投射光也可以形成图像，但是没有特别说明时，一般指反射光形成的图像。f ( x, y ) 可以看成是由所看到的景物上入射光量及物体对光的反射系数共同确定的。如果用 i ( x, y ) 表示入射分量，用 r ( x, y ) 来表示反射系数，那么 I = f ( x, y ) = i ( x, y ) ? r ( x, y ) ， 其中 0 i ( x, y ) +， 0 r ( x, y )

30、 1 。全吸收时，r为0；全反射时r为1。这里i ( x, y )是由光源的性质来决定的，而 r ( x, y ) 取决于被照的物体。 图像的分类(1)根据指标空间D中元素d的连续与离散性可以分为连续图像和离散图 像。 (2)根据与时间有无关系可以分为静止图像和运动图像。 (3)根据有无颜色信息可以分为灰度图像和彩色图像。 (4)根据光谱的波长参数可以分为全光谱图像、多光谱图像和超光谱图像。(5)根据景物的投影域可以分为平面图像和立体图像。数字图像的描述由于计算机仅能处理离散的数据，所以如果要计算机来处理图像，连续的图 像函数必须转化为离散的数据集，这一过程叫做图像采集。图像采集由图像采集 系

31、统完成，如图所示。图像采集系统包括三个基本单元，即成像系统、采样系统和量化器。采样实际上就是一个空间坐标的量化过程，量化则是对图像函数值的离散化过程。采样和量化系统统称为数字化。成像系统采样系统量化器 图2.1 图像采集系统数字图像是连续图像 f ( x, y ) 的一种近似表示，通常由采样点的值所组成的 矩阵来表示：f(0,0)f(0,1)f(1,0)f(1,1)f(n-1,0）f(n-1,1) f(0,m-1)f(1,m-1)f(n-1,m-1)每个采样点叫做一个像素(pixel)。上式中，m，n 分别为数字图像在横、纵 方向上的像素数。在计算机中通常采用二维数组来表示数字图像的矩阵。 把

32、像素按不同的方式进行组织或存储，就得到不同的图像格式，把图像数据 存成文件就得到图像文件。在Windows系统中，最常用的图像格式是位图格式，其文件名以BMP为扩展名。图像数字化的精度包括两个部分，即分辨率和颜色深度。分辨率是指图像数字化的空间精细度，有显示分辨率和图像分辨率两种不同的分辨率。图像分辨率实质是数字化图像时划分的图像的像素密度，即单位长度内的像素数，其单位是每英寸的点数DPI(Dots per Inch)。显示分辨率则是把数字图像在输出设备(如显示器或打印机)上能够显示的像素数目和所显示像素之间的点距。图像分辨率说明了数字图像的实际精细度，显示分辨率说明了数字图像的表现精细度。具

33、有不同的图像分辨率的数字图像在同一设备上的显示分辨率相同。显示器是常见的图像输出设备，现在常见的显示器的分辨率一般可达1024768，点距为。数字图像处理内容图像变换由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。因此，往往采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少计算量，而且可获得更有效的处理(如傅立叶变换可在频域中进行数字滤波处理)。目前新兴研究的小波变换在时域和频域中都具有良好的局部化特性，它在图像处理中也有着广泛而有效的应用。图像增强突出图像中感兴趣信息、削弱不感兴趣的信息，改变图像的视觉效果和质量

34、的处理方法，其目的是为了使处理的结果更适合与人类视觉观察判断或机器识别分析，从而提高图像的使用价值。图像增强技术主要包括灰度对比度变换、直方图修正、图像平滑、图像锐化及彩色增强处理等。图像增强可以采用单一方法，也可以采用几种方法联合处理，以获得期望的增强效果。图像增强技术可以分为空域处理变换域处理。空域处理直接对图像的像素灰度进行调整。图像的对比度增强，灰度层次改善等处理方法均属于空域法处理。空域处理又可分为点运算和局部运算。输出结果仅与当前点有关的处理方法称为点运算，而输出结果与当前点邻域内多个像素相关的处理方法称为局部运算。 应该明确的是，图像增强处理并不能增加原始图像信息，只能增强人或机

35、器对某种信息的辨别能力。图像增强处理有可能造成某些信息的损失。一般说来，一部分图像信息的增强往往要以另外一部分图像的信息的削弱为代价。 图像恢复图像在形成、记录、处理和传输过程中，由于成像系统、记录设备、传输介质和处理方法的不完善，从而导致图像质量下降，这一过程称为图像退化。图像恢复的任务是使退化的图像消除或降低退化因素，以保真度为准则，尽可能地恢复原来的图像。图像增强和图像恢复都是为了改善图像质量。前者是以牺牲不感兴趣信息的质量为代价来提高感兴趣信息的质量，后者是以保真度为前提来改善图像质量。一般说来，图像增强是一个主观的过程，即增强的内容、增强的效果的评判都由主观决定。而图像恢复不仅根据人

36、的主观感受来判断，还常常要根据一些客观退化过程的先验知识将其模型化，并采用相反的过程进行处理，以便重建或恢复出原来图像。例如，锐化是图像增强过程，而通过去模糊函数去除图像模糊则是图像恢复技术。造成图像质量退化的因素包括光学系统的像差和畸变、光学成像衍射、成像系统的非线性、成像过程的相对运动、大气的湍流的扰动效应、系统噪声等。图像的退化可以理解为在空间频率谱上的畸变，因此图像恢复过程将包含对退化图像谱的调制，这可以通过空间滤波器或使用图像生成过程中的点扩展函数对图像进行卷积来实现。 图像压缩 数字图像是用点阵表示并且是用图像文件的形式存放的。通常，图像文件都是大型文件，而在实际应用中，常常需要传

37、递和交换图像文件，因此，需要设法把大型图像文件进行压缩，以减少存储、传输和处理的时间，节省存储资源和网络资源。图像压缩的可能性在于，首先，图像数据存在着较强的相关性，图像内部邻近像素以及视频序列中相邻帧对应像素的灰度相同或相近， 即含有大量的冗余信息。去除这些冗余就可以减少数据量。其次，图像的最终接收端往往是人们的视觉系统，它的感知或敏感范围有限。再次，图像的记录和显示设备接收信息量的程度也受本身的限制。最后，在许多实际应用中，只需保留部分有用的特征信息。 图像压缩就是要尽可能去除其中的冗余，以减少表示一个图像所需的数据 量。从数学的观点看，图像压缩实际上就是将一个二维的数据阵列变换为一个在

38、统计上无关的数据集合。图像冗余一般有：空间冗余、时间冗余、信息熵冗余、 结构冗余、知识冗余、视觉冗余等。 图像分割 为了进行图像的分析或识别，往往需要先将图像划分成若干个有意义的区 域。 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。这里特性可以使灰度、颜色、纹理或轮廓等，目标可以对应单个区域，也可以对应多个区域。 图像分割使计算机图像处理的一个基本问题， 是进行许多后续图像分析任务的先行步骤。图像识别、图像的可视化和基于目标的图像压缩都高度依赖于图像分割的结果。因此，图像分割一直得到人们的高度重视，提出了很多分割方法。然而，图像分割问题仍然是图像处理中的一个瓶颈，这

39、是因为，我们只能用图像信息中某些局部特征去分割区域，因此各种分割方法必然带有局限性。图像描述图像描述是图像识别和理解的必要前提。作为最简单的二值图像可采用其几何特性描述物体的特性，一般图像的描述方法采用二维形状描述，它有边界描述和区域描述两类方法。对于特殊的纹理图像可采用二维纹理特征描述。随着图像处理研究的深入发展，已经开始进行三维物体描述的研究，提出了体积描述、表面描述、广义圆柱体描述等方法。 图像分类图像分类(识别)属于模式识别的范畴，其主要内容是图像经过某些预处理(增强、复原、压缩后，进行图像分割和特征提取，从而进行判决分类。图像分类常采用经典的模式识别方法，有统计模式分类和句法(结构)

40、模式分类，近年来新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中也越来越受到重视。3 细胞图像识别统计系统3.1血液细胞识别与统计系统本系统是一个医院中血液红细胞计数的实用系统。它主要是以病人的血液样本(玻璃切片)为原始数据，通过一系列的图像处理和分析，最后识别出血液中的红细胞来，同时给出红细胞的个数，得到红细胞个数之后，进行检测的血液量，就可以得出血液中红细胞的密度。 主要技术指标：(1)系统稳定，要求至少能无错运行一个星期；(2)系统对细胞的计数误差不得超过5%；(3)要求系统能处理一些比较特殊的情况，如细胞粘连，或多个细胞处于采集图片的边缘；(4)时间要求，系统最后得出细胞数目

41、并计算出细胞密度，时间不超过20s；(5)界面简单，容易操作。 3.2系统模型及识别流程图红细胞识别统计系统的硬件部分主要包括:高倍放大镜、图像采集卡、摄像头和高档微机;软件部分则采用开发后台图像处理的各个模块。本课题拟采用图像分析和图像处理技术，在环境下编写一套程序对相关图像进行处理以达到细胞统计的目的，综合运用图像平滑、阙值处理、孔洞填充、边缘检测、图像腐蚀等技术，最终达到预期目的。系统主要由以下3个部分组成：图像输入、图像处理、数量统计。结构如图3.1所示。图像输入图像处理数量统计图3.1 细胞识别统计系统模型在系统图像处理的过程中，主要用到了以下的技术：图像平滑、腐蚀、直方图阈值处理、

42、剃度修正、细化、HIS系统模型等。系统处理的流程图如图3.2所示。源图像平滑HSI选取阈值直方图阈值处理填充孔洞腐蚀去除噪声利用梯度信息进行修正细化同时算出半径修正（其它法）数量统计（中心点，无中心点）图3.2 细胞统计识别系统流程图3.3系统中图像图形变换的算法与应用3血液图像的平滑图像平滑的目的是尽量减少或消除噪声的影响，改善图像质量。实现图像平滑的方法有很多，比如领域像素的加权平均、用高斯滤波、中值波等。一般视具体的情况选取最合适的一种。公式3.1是两个加权平均常用的算子。高斯滤波的本质也是加权滤波，只是滤波用的算子是由高斯公式计算得到的。中值滤波则是把原图像中一定领域内的像素值大小居中

43、的点像素作为新图像中对应点的像素。它的好处是既可以消除噪声又不破坏图像的边缘。在本统实现中，采用的是中值滤波，而且还要利用图像的边缘进行梯度运算。 (3.1)图像平滑处理前、后的图像如图3.3所示。在平滑处理过后，细胞图象的边缘会变得模糊，但噪声却明显减少，对于边缘后续会有相关处理。 处理前的图像 处理后的图像图3.3 图像平滑处理效果3血液图像的二值化在系统中我们采用了两种方法进行图像的二值化，结果发现效果都不错。这两种方法分别是直方图阈值法和HSI选取阈值法，我们采取两个方法叠加使用。直方图阈值处理方法对于图像我们可以先计算出图像的直方图，用来表示图像各个灰度级的分布。直方图的横坐标是灰度

44、级，纵坐标是该级别出现的频率。然后根据直方图选取阈值进行阈值分割。这里的阈值分割是把像素值处于一定范围内的点赋予特别的值，或者保持这些像素不变。图3.4、3.5分别是对图像的直方图以及阈值分割后的结果。对于彩色图象，我们采用R、G、B三色直方图阈值选取。图3.4 彩色分量直方图选取界面图3.5 阈值分割后的结果在系统的阈值选取过程中我们采用了手动选取和自适应阈值两种方法。手动选取是人为的设定一个数值作为阈值，而自适应阈值则是在对图像进行像素统计的基础上，由程序自动计算得到的一个阈值，本系统采用的是自适应阈值。在手动阈值选取的过程中，阈值的选择非常重要。如果选的不好，要么保留了很多噪声信息(此处

45、就是保留了背景中的杂质)，要么丢失了许多有用的信、(比如丢掉了细胞中颜色比较淡的部分，只留下半个或者小半个细胞)。我们一般选择颜色频率比较集中的区域来设定最大值和最小值。在自适应阈值选取过程中我们一定要选择最有颜色特征并且容易区分图像颜色区域的部分，另外，我们应该选取较小的部分来节约计算时间。HSI选取阈值处理 计算机处理图像时，常用的色彩空间主要有RGB(红、绿、蓝)、HSI(色调、色饱和度、亮度)。系统中我们选用HSI色彩空间，主要是因为它是从人的视觉系统出发的，更加符合人的视觉特性；它将亮度(I)与反映色彩本质特征的两个参数色调(H)、饱和度(I)都分开，使得处理的时候能够有更强的针对性

46、。这样选取后即使图像上有阴影或者是光线变化比较大的时候，都会减小其对阈值选取的影响。RGB色彩空间到HSI色彩空间的转换我们依据公式3.2来达到从RGB到HSI空间的转换。 (3.2)系统在得到平滑过后的图像后，对图像进行色彩变换，然后在HSI空间里进行HSI图像的阈值分割。图3.5是采用自适应阈值法在HSI空间的阈值选取界面。在过程中，程序会自动根据选取的颜色特征区域，记录下来区域的HSI值。图3.6是采用这种方法进行阈值分割后的效果图。 自适应阈值由系统根据选取区域计算 正确的自适应阈值会很好地将图像分割图3.5 阈值选取界面 图3.6 阈值分割后的效果图3孔洞填充的目的及其方法有些细胞的

47、图像类似图3.7所示，图3.8是孔洞填充后的细胞图像。 图3.7 有孔洞的细胞图像 图3.8 孔洞填充后的细胞孔洞的存在会对骨架算法有很大的影响,填充过后的图像更有利于系统识别,这样的图像对于系统的骨架算法进行是非常不利的，因为在以后利用骨架算法腐蚀的时候空洞就会越来越大。这样的情况很难得到正确的结果。这就需要使用孔洞填充的方法进行修正。孔洞填充的原理如下：在阈值处理时，如果像素在阈值范围内，则像素将被标志。孔洞填充将先统计所有连通的非标志区域面积，总会有一个或者几个面积特别大的区域，其它的都是面积相对较小的区域。较小或者很小的往往就是系统所要填充的孔洞了。在这里我们首先完成孔洞的填充，然后再

48、手动进行人工的选取，以此达成目的。3利用梯度信息进行修正系统采用的求梯度方法实际上是边缘检测的一种。边缘是指图像中灰度发生急剧变化的区域。图像灰度的变化情况可以用灰度的梯度来反映，对给定连续图像f(x，y)，其方向导数在边缘法线的方向上取得局部的最大值。f(x，y)在方向上沿r的梯度为公式3.3。的最大值条件是 (3.3)梯度最大值或为了减少计算量用因为本系统处理的图像为彩色图像，所以分别对R、G、B进行梯度计算，可以使用作为梯度值。本系统中我们采用Sobel算子进行离散情况下的边缘检测，对于给定的图像在两个正交方向上的梯度和为公式3.4和3.5。 (3.4) (3.5)则边缘的强度和方向由公

49、式3.6给出。 或为了减少计算量 (3.6)Sobel算子的模板有以下两个：一个是检测水平边沿的，另外的一个是检测垂直边沿的。我们采用边缘检测的目的主要是为了区别如图3.9所出现的重叠情况。如果这种点没有被排除，那么多个相连的细胞就无法区分了。细胞的重叠将会对数量统计造成影响图3.9 细胞重叠使用梯度信息进行修正的原理是根据分割区域和细胞内部颜色突变进行区分。而存在颜色突变的地方梯度值比较大。因此梯度修正就去掉所有梯度值很大的点，而不被标志。3用腐蚀法去噪声我们采用腐蚀的方法来消除边界点。这样，使边界向内部收缩的过程就可以消除小并且无意义的点。以下是我们的算法，我们循环使用和模板，其效果相当于

50、使用5乘5的模板。而且腐蚀操作不是一次达到目的的，要进行多次腐蚀才能达到效果，在本系统中就进行了多次的腐蚀，效果如图3.10所示。 阈值选取后的效果 腐蚀两次后的结果图3.10 腐蚀效果3细化与骨架抽取所谓细化，就是从原来的图中去掉一些点，但仍要保持原来的形状，即保持原图的骨架。所谓骨架，可以理解为图像的中轴，例如一个长方形的骨架是它的长方向上的中轴线;正方形的骨架是它的中心点:圆的骨架是它的圆心，直线的骨架是它自身，孤立点的骨架也是自身。文本的骨架是它笔画的中心线。细化(Thinnig)算法有很多，这里系统使用的是一种简单而且效果很好的算法，用它能够实现从文本或图像抽取骨架的功能。比如现在要

51、细化的对象是白纸字的文本，程序中为了处理的方便，采用256级灰度图，不过只用到了调色板中的0和255两项。那么怎样判断一个点是否能去掉呢?显然，要根据它的8个相邻点的情况来判断，下面给出几个例子，如图3.11所示。 (1) (2) (3) (4) (5) (6)图3.11 据某点的8个相邻点的情况来判断该点是否能删除(1)不能删，因为它是个内部点，我们要求的是骨架，如果连内部点也删了，骨架也会被掏空。(2)不能删，和(1)同样的道理。(3)可以删，这样的点不是骨架。(4)不能删，因为删掉后原来相连的部分断开了。(5)可以删，这样的点不是骨架。(6)不能删，因为它是直线的端点，如果这样的点删了，

52、那么最后整个直线也被删了。所以系统删除点采取的原则是：内部点不能删除；孤立点不能删除；直线端点不能删除；如果P是边界点，去掉P后，如果连通分量不增加，则P可以删除。根据以上原则可以做出了表3.1，来判断点可否删除。从0-255共有256个元素，每个元素要么是0，要么是1。根据某点(要处理的黑色点)的8个相邻点的情况查表，若表中的元素是1，则表示该点可删，否则保留。 查表的方法是，设白点为1,黑点为0。左上方点对应一个8位数的第一位(最低位)，正上方点对应第二位，右上方点对应的第三位，左邻点对应第四位，右邻点对应第五位，左下方点对应第六位，正下方点对应第七位，右下方点对应的第八位。按这样组成的8

53、位数去查表即可。例如图3.11所示中(1)对应表中的第0项，该项应该为0；(2)对应237，该项应该为0；(3)对应173，该项应该为1；(4)对应231，该项应该为0；(5)对应237，该项应该为1；(6)对应264，该项应该为0。表3.1 去除点判断表0011001111011101110011110000000100110011110111011100111111011101110011000000000000000000000000001100110011011101000000000000000000110011110111011100111100000001001100111101

54、110111001111000000001100110000000000110011110000000011001100110111001100111011001000使用这张表的算法如下：每次一行一行的将整个图像扫描一遍，对于每个点(不包括边界点)，计算它在表中对应的索引，若为0则保留，否则删除该点。如果这次扫描没有一个点被删除，则循环结束，剩下的点就是骨架点，如果有点被删除，则进行新的一轮扫描，如此反复，直到没有点被删除为止。 本系统细化处理过程的具体算法的如下。(1) 生成边界。假如一个被标志的点的四周有任何一个点未被标志，则此点为边界点。也可以使用八方向判断，即假如一个被标志的点的八方

55、向邻接点有任何一个未标志，则此点为边界点。系统中循环使用四方向和八方向。(2) 如果被标志点的连通区域内有任何一个点为非边界点，那么就去掉边界(相当于细化)；否则，则将所有的边界点(也就是整个连通区域)标志为临时的中心点。(3) 重复(1)、(2)两步，直到所有点都被访问。为了取得最终的中心点，还需要对所有被标志为临时中心点并且连通的像素取坐标平均值，将平均值作为最终中心点。对于圆形或者接近圆形的椭圆来说，一次腐蚀或者细化则半径减少1，因此根据腐蚀和细化的次数就可以得到半径的值。3初步处理后的图像修正经过前面的多步处理得到的结果可能有不少错误，因此需要进行修正。系统实现时需要进行的修正包括如下

56、几方面：去掉所有内部包含另外一个圆的大圆。一个圆内还包含着另外一个圆，即一个细胞完全包含了另外一个，这显然是错误的情况。为这种情况表现在图像上应该是一个细胞被另外一个细胞完全覆盖，这是连人眼也无法辨别出来的，计算机就更加不可能识别出来了。这种情况很可能是由于细化算法的误差造成的。如果不去掉其中的一个圆，那么在计数的时候就多数了一个细胞。去掉同时和两个圆相交，且不相交部分占圆总面积很小的圆。同两个或者两个以上的圆相交，并且不相交的部分面积占本身的圆面积的比例过小。这种情况比较容易出现，也是细化算法不精确导致的问题。如图3.12所示。图中两个细胞间很粗的连接部分导致细胞的标志错误，使用方法(2)就

57、可以识别这种错误并且标志出来。图3.14中的修正部分用两个像素的粗的圆表示出来。对于面积比较小的选取对象，如果其包含特征色小于总面积的2/3，则可以认为是由噪声造成的。图3.13中用实线划分的部分为所需要修正的部分，如果不进行修正选中的部分可能会被认为是一个细胞 图3.12 两个或两个以上的圆同时相交的情况 图像中含有细胞重叠的部分 图中显示出了所修正出的细胞图3.13 图像中需要修正的部分 图3.14 修正的部分用粗圆表示出来3应用中心点标注完成数量统计中心点标注法是将每一个中心点信息都存放在一个vector中(vectorm_vCenterPoints)，所以数量统计仅仅用()就可以得到。

58、因此，还可以轻松求得平均面积、平均半径等信息。以下是数量统计后得到的界面图3.15所示，在通过界面的显示我们就可以得到细胞个数、平均半径、面积等信息。来用此做为医疗诊断的依据。图3.15 系统统计结果界面细胞统计实现程序如下：void CCellView:ProcessCountSeeds(int wd, int ht, FLAGS *curf)/计数处理if (wdg_nMapWidth-1 | htg_nMapHeight-1)/判断点是否在图象内部return;FLAGS *next;g_nCellTotArea+;/细胞大小加1curf-visited=1;/访问设置if (ht0)/

59、不是边缘点next=curf-g_nMapWidth;if (next-marked & !next-visited)ProcessCountSeeds(wd,ht-1,next); / 递归处理上面的点if (htmarked & !next-visited)ProcessCountSeeds(wd,ht+1,next); /递归处理下面的点if (wd0)next=curf-1;if (next-marked & !next-visited)ProcessCountSeeds(wd-1,ht,next); /递归处理左面的点if (wdmarked & !next-visited)Proc

60、essCountSeeds(wd+1,ht,next); /递归处理右面的点VC+环境下细胞识别统计的程序实现通过VC+环境下的编程，我们实现了细胞的识别与统计。统计过程的主要的实现过程实现分为以下的几个步骤：平滑首先清空目标区域并申请与图像大小相同的空间，分别对图像中的点分R、G、B对其周围的9个点取平均。直方图实现图像的二值化先将图像由RGB空间转换到HIS空间，取得当前像素的HIS值，根据阈值循环判定当前点的范围，将在所求范围中的点设置为相应的值。空洞填充首先扫描整幅图像，将孔洞的大小置为0，判断像素的位置，将目标像素的内存清空。将在图像内部孔洞的大小加1后标志孔洞。利用Sobel算子进