《基于遗传算法的直方图熵阈值分割方法的细胞分割及信息提取研究》12000字（论文）

基于遗传算法的直方图熵阈值分割方法的细胞分割及信息提取研究摘要计算机技术飞速发展，人工智能和图像处理技术逐渐成为医疗诊断中不可或缺的手段。目前医院所用的白细胞分割提取方法十分依赖人工，耗时费力。此时数字图像处理提取血细胞图像中的白细胞以及信息识别的优势便得以体现。血液白细胞的分类计数过程中，最为关键的步骤便是白细胞分割及信息提取部分。常用的数字图像处理方法例如阈值分割法，边缘检测法，区域生长法等虽然能提高效率但是都具有明显的缺陷。为了完善常规阈值分割方法的不足，本文主要采用基于遗传算法的直方图熵阈值分割方法，通过遗传算法的优势更高效的寻得最佳阈值，先通过直方图熵法对图像进行处理，再测量灰度图的熵获得最佳阈值，然后选择合适的遗传算子得到下一代群体，最终通过最佳阈值对图像进行分割。然后对分割效果图进行信息提取，首先对分割图进行边界追踪，随后对追踪后的分割图进行区域标记，最后便可以对标记好的白细胞区域进行相关特征信息提取。在3幅仿真图像及3幅白细胞信息提取表格表明，本课题算法较常规算法来说，分割精度更高，信息提取更加完善。能够用于医疗诊断中。关键词：白细胞提取图像预处理阈值分割遗传算法目录摘要 IITOC\o"1-3"\h\uAbstract III1前言 11.1课题背景 11.2国内外研究现状和发展趋势 11.2.1国外研究现状 21.2.2国内研究现状 32白细胞图像分割及提取方法方法研究 42.1图像分割概述 42.2常用的图像分割方法研究 43直方图熵结合遗传算法细胞图像多阈值分割 73.1遗传算法与直方图熵法介绍 73.2遗传算法与直方图熵法细胞图像分割 83.3具体算法设计与实现 93.4细胞信息提取研究及实现 143.5本章小结 164实验结果及分析 174.1程序编辑器 174.2仿真图象分割结果对比 184.3分割图像信息提取分析 205结语 24参考文献 25一前言1.1课题背景外周血中细胞种类繁多，其中根据有无细胞核可以分为有核细胞和无核细胞两大类。有核细胞中我们常见的细胞有白细胞，巨核细胞，有核红细胞等；无核红细胞和血小板等[1]是五河细胞。他们各自的发育周期，发育过程及生理功能各不相同，健康人体内的细胞各项指标及比例是趋于某个特定值的，当人体内的细胞各项指标与这个特定值相差较大，则说明他身体具有生病隐患。例如，若患有细菌感染，淋巴肿大等疾病，则单核细胞比例会增大；当嗜酸性粒细胞数量增加时，那么患者可能是寄生虫感染或过敏，并且患者一般患有皮肤病等[2]。因此，外周血白细胞检测凭借其高效便捷的优点在医学检测中被广泛运用。目前，各大医院对白细胞的检测主要是利用血细胞分析仪、流式细胞仪和人工镜检等。对白细胞数量检测先用这些仪器进行初步检测，当发现异常时，则启用更加精准的人工镜检。这种方法是临床检验的最高标准，是由两名检验科医生耗费大量精力和时间利用显微镜进行细胞观察，最终得到检验结果。目前各大医院所采用的白细胞分析仪主要利用物理技术，如散射光检测技术、激光技术等。检测方法因为血细胞信号的获得方法不一样也不尽相同，但这些方法都十分繁琐并且耗费财力物力。所以，如何从采集到的外周血细胞图像中分割出单个的白细胞图像，并用图像处理技术实现白细胞的分类识别，受到了国内外研究学者的广泛关注，研究热度也越来越高。1.2国内外研究现状和发展趋势原来的白细胞分割与提取技术需要操作人员手动完成，血细胞分析仪等技术仪器诞生之后逐渐取代了原先的方法，但这种方法还不能完成对白细胞形态变化的观察。对白细胞形态特征的观察越来越智能化。目前，许多国内外研究人员都在进行外周血白细胞分类识别研究，主要手段有传统机器学习和深度学习。传统细胞识别方法大致步骤为：对细胞图像进行分割预处理，人工选择合适的细胞特征进分类，采取分割器进行分割。1.2.1国外研究现状阈值分割法、边缘检测法、基于区域的方法等是白细胞分割的主要方法有。常用的白细胞分类计数方法仪器法，手工镜检法，统计方法等。其中仪器法操作较为简单，手工镜检法对人工要求较高。YanLi等人[9]明确的说明了双阈值分割方式，其中的源头是通过HSV与RGB。第一步，将原始外周血细胞图像向灰度图像转化并将图像实施对比度拉伸，在将外周血细胞图像进行预处理之后再对其进行阈值分割，阈值的确定通过黄金分割法完成。第二步，后处理分割后的细胞图像，再采取形态学方法和中值滤波法消除噪声干扰。但是这种方法有个弊端就是在对灰度差异不大的细胞图像进行分割是效果不理想。S.Ravikumar[10]利用相关向量机（RVM）拟合直方图得到稀疏相关向量，然后采取合适的阈值分割得到白细胞图像。Xin等人[11]通过K均值聚类对图像中的前景图像进行提取，再通过凹陷分析，利用接触细胞初步分割白细胞；随后以前面粗分割当作自动标记，并且会培训整个向量机分类器，进而会对图像使用像素提取的方式将完善的向量机分类，以确保分割结果更精确。Candradewi等人[12]使用移动K均值算法对细胞核及细胞质进行分别分割，随后用基于标记的流域变形方法将二者合成为完整的白细胞图像，其缺陷是分割速度较慢。Andrade等人[13]在五个公共数据集上对以往文献中的分割方法依次进行实践，发现这些方法分割准确率在58.44%~97%不等，还对分割领域的常用方法进行了总结。但是，以上方法任然不是通用方法。Miao等人[14]采用分水岭算法对白细胞进行分割这种方式还用到了图像增强的方式使得白细胞区域更加突出以达到更好的分割效果。RoopaB等人[14]只将细胞和特征纳入考虑范畴，例如体积，周长等作为分类依据，使用混合分类器将白细胞分为五类。AhmedT等人[15]采用直方图均衡化和Zack阈值估计算法来分割外周血细胞，对细胞纹理，形状，颜色等特征并采取社会蜘蛛算法（socialspideroptimizationalgorithm，SSOA）对细胞特征进行简化，这种特征选取算法的优越性在多种分类器的实践下得到了检验。为了使医学检验技术方面更加高效快捷，近年来许多国外研究人员致力于如何提高外周血细胞的分割效果及信息提取效率的实验中。又因为现代图像处理技术愈发成熟，细胞分割及信息提取相关科技飞速发展。1.2.2国内研究现状国内医学检验方面发展较国外来说起点较慢，但是由于丰富的前人经验，其发展更高速，主要分为对单个白细胞精准分割和对白细胞图像分类两大研究方向。在研究初期，由于技术限制，只能得到白细胞灰色图像，这使得白细胞图像分类的难度大大提高。在科技飞速发展的背景下，白细胞图像分割与信息提取的技术愈发成熟。目前没有任何一种方法在白细胞分割中通用，研究人员们针对不同的细胞图像特征对白细胞分割方法展开研究。王康等人构造S分量与B分量融合图像，对白细胞进行分割。目前，只有高校在对白细胞信息识别分类进行研究，其主要研究内容是白细胞五分类，但是很少探索白细胞更多类别的分类识别。想要完成临床上的细胞分类识别还需要跟深入的研究。通过查阅资料和阅读文献发现，机器学习和图像处理算法任是白细胞图像的分类的主要操作方法，这些方法的步骤总结为：显微处理外周血细胞得到图像作为初始数据，再将细胞核与细胞质利用一些分割算法分离开，最终选用合适的分类特征利用分类器进行分类，其流程如图1.1所示。该方法适用范围广，操作原理也较为简单。但是不同的人员选择的标准不同，没有一个既定统一的选择标准适用于不同的数据集，并且细胞质和细胞核的精准分割也需要很大的工作量。图1.1传统白细胞分类方法得益于图像处理技术不断进步，采用MATLAB用灰度阈值分割法对白细胞进行分割及信息提取更容易实现。除此之外，成像技术的不断发展，得到更为清晰的细胞图像初始数据更加简单。这些都有助于白细胞分割及信息提取。利用MATLAB编程从边缘，区域生长，阈值等方面对初始图像进行处理使得白细胞分割及信息提取更加高效。二白细胞图像分割及提取方法方法研究采取各被检测这血液样本制作血涂片，在采用显微成像技术获取血涂片中的细胞图像，这个过程若通过人工目检法完成将会十分费力，所以，利用图像处理技术完成这一步骤能够提高不少效率，。显微成像采集的血细胞图像包含了红细胞，白细胞，血小板等。本课题研究的是白细胞图像分割及信息提取，所以应该将单个白细胞图像从外周血细胞中分割出来。2.1图像分割概述图像分割技术使用的主要是在图像内的关键信息，进而经过相似度原则把图像分成诸多内部能够达成共识但是同质连通领域具备不一样的特点，其中关键信息有纹理，亮度，颜色等，对于每个区域来说，像素点都会拥有显著差异。图像分割使用集合概念来描述时，能够将分割图像看成整体的集合R，所有分割区域可以被称之为非空子集，进而需要达到的标准为：（1）（2）对于所有的i和j,当（3）对于（4）对于（5）对于是连通的区域（标点是否需要改成中文标点）其中，条件（1）说明分割后得到的所有子区域组成整幅图像；条件（2）的意思是在图像内所有像素仅仅为子区域；条件（3）展示的是在相同子区域，像素拥有某种程度上的类似性；条件（4）展示的是在子区域不一样时，像素特征需要具备很大差别；条件（5）展示的是连通的区域（标点是否需要改成中文标点）2.2常用的图像分割方法研究目前，常用的图像分割主要从三个方面考虑：（1）阈值分割法：该方法可以分成以下两大类，首先是自动阈值选择法，这种方法能够分成最小误差阈值分割，迭代式阈值分割等；其次是人工选择法，这种方法本文不进行阐述。（2）区域分割方法：这种方法最关键的内容就是将区域的分割以及生长加以融合，对于生长来说，它主要是通过一些类似的性质，将“共性"像素元构成整个面域。对于分割来说，是从整体开始，分裂出多个不同性质的子区域。（3）边缘检测算法：采用微分算子与待分割图像进行卷积，从而获取图像的边缘轮廓。(a)阈值分割法，OTSU算法最关键的分割凭据是通过图像灰度特点为根源，对于分割阈值是否合适则需要用表征灰度分布是否均匀的度量—方差来运算，对于图像分割的最终结论，跟其能够有关联的主要是在背景的类间方差，如果背景跟目标的类间方差得到提高，就代表整体分割效果完善；如果背景跟目标出现错分的现象，类间方差会逐渐的下降，并且也会有不完善的分割效果，所以对于分割阈值最完善的时刻就是能够让类间方法最大时进行获取。但是常规阈值分割法十分容易受噪声的影响，并且对目标和背景之间的类间方差不大的图像分割效果较差。图2.1阈值分割流程图(b)区域生长法这种方法最关键的就是通过类似性质的一些像素，进而其组成的整个区域加以集合，第一步就是要在分割的领域找到一个能够当作生长起点的像素点，进而把子像素点周边的能够拥有类似性质的像素点放置于相同的地域。将所有的像素点能够作为新种子像素点，然后将以上的流程进行反复，直到不能够达到要求的周边像素点能够加以归纳，所以就成立了整个像素区域。区域生长开始的位置是像素点，并且通过设立的规则把周边所有的像素点融入当中，并且到不能够达到标准的像素点之后，能够逐渐的将生长停止。区域生长开始的位置是像素点，经过了需要的因素来合整篇能够将目标进行获取的区域。不过区域生长法也具有明显缺点即容易造成过度分割，使得提取不到完整的图像信息。图2.2区域生长分割流程图(c)边缘检测法该方法主要的作用是使用图像灰度改变当中显著的地域是边缘，并且对于这哥提点来说，它使用的是微分来将边缘像素点进行运算定位，而且边缘的特点能够通过灰度改变的特性将其区别成三种形状：阶梯状，脉冲状，屋顶状。作为图像的目标部分与背景的分界线，边缘检测算子的好坏将直接决定分割的结果。边缘检测法的缺陷在于其不能具有较好的区域结构，不能同时兼顾分割精度和抗噪强度两方面。图2.3边缘分割流程图三直方图熵结合遗传算法细胞图像多阈值分割为了解决前文提到的三种方法所具有的缺陷，所以本课题从阈值分割角度出发，通过引入遗传算法的优势来辅助寻得阈值分割所需的最佳阈值，而采用直方图熵法则可以有效针对目标和背景之间的类间方差不大的图像分割情况，在直方图中我们可以明了的寻得分割所需要的阈值而不再过度依赖与目标和背景之间的较大类间方差。3.1遗传算法与直方图熵法介绍（1）遗传算法遗传算法是通过生物进化轮之后，模仿的经过遗传学原理的推进的整个过程中的一类算法。它能够使用在诸多场景，它最关键的作用就是将最优解找到，这种算法第一个说到的教授来源于一所美国的大学，所以遗传算法逐渐问世，也就是在那个时候人们才开始慢慢知道遗传算法的。美国的这个教授所提出的遗传算法在当时只是粗略的提了有这么一个思想，相对于今天的遗传算法来说，当时所提出的遗传算法比较简单，在现在看来当时的遗传算法被叫做简单遗传算法。这种算法的优势是操作步骤简便，没有求导以及函数连续性等限定条件，直接处理结构对象。遗传算法属于一种在将问题处理的过程中使用的一种算法，在诸多通用问题上都能够将这种算法予以使用。搜索算法拥有着以下特点：首先，通过适应度函数来讲所有运算的备选解的数值都进行保存，将另外那些备选解进行排除；其次，通过探究的问题中任意出现一种能够表示种群的解集；再次，依照探究的疑问来选取完善的适应度函数，进而将备选解的适应情况进行计算；最后，把保管的备选解实心多线路共同进行运作，进而将新的备选解合成，随后将备选解重复以上的步骤；遗传算法拥有如下几个优点：首先，由于遗传算法解决的问题时整个集，也可以说成为它解决的是所有代的集体，并且能够将所有个体一起进行解决，进而能够将降低了局部最优解的问题，而且这个计算方法拥有着可操作性，很容易实现；其次，遗传算法使用的不是稳定性的规则，而是使用一种概率的变化准则，进而将其探索的方向进行全方位的指示，拥有着自适应以及自组织性。这种算法使用整个进化的进程当中获取的信息自行组织进行探索的过程当中，能够适应更多物体的个人生存的几率就会更大，并且能够用欧完善的基因架构；最后，使用遗传算法将需要处理的疑问进行探究解决的过程当中，使用的大多是自疑问的解集开始逐渐的摸索，并不是在单一解就进行解决的，对于那些传统优化算法，它就是在单一解就开始进行问题的结局，这样可能会导致我们只得到局部解，而离最优解有很长的一段距离。但是遗传算法的解决方式是从整个解集入手，这样就会在很大领域上将完善的最优解进行探索，这就是二者最关键的差别。直方图熵法大致步骤为制作细胞图像的直方图假设灰度直方图相对来说出现了显著的双峰样式，进而选取的是两峰间的谷底来将匹配的灰度值当作阈值。详情见下图3-1。1f(x,y)>tG(x,y)=（3-1）0其他3.2遗传算法与直方图熵法细胞图像分割直方图熵结合遗传算法细胞图像多阈值分割步骤1）采用直方图熵法对图像进行处理，其核心内容即将每个像素点可以匀称的分置于任意的灰度级，这样的意义是以前图像的对比度进行完善化，使用直方图熵法，进而给灰度图加以完善的处理，进而能够得出256个元素a[i]i=1,2。2）对染色体加以编码，而且八位二进制能够跟256完善的进行匹配，进而把所有的染色体编码当成八位二进制，并且所有的染色体都可以拥有跟自己匹配的分割阈值。3）测量灰度直方图的熵，根据适应度函数，求得最佳阈值。4）按照遗传算法，选择合适的遗传算子，得到下一代群体5）直接找到最大值，否则继续执行第三步6）根据求得的最佳阈值来分割图像图3.1直方图熵结合遗传算法细胞图像多阈值分割步骤流程图3.3具体算法设计与实现阈值法具有算法简单，操作简便等特点，是图像分割最常用的方法。而该方法的分割效果十分依赖合适的阈值选择，因为遗传算法是非常高效的全局优化算法，有助于寻得最合适的图像分割阈值，所以本课题采用了基于遗传算法优化的直方图熵分割方法。该方法同时具有优良的实时性和高质量的分割效果。具体算法实施流程如下：（1）编码方式将阈值以编码的形式表示成位串结构数据。在此我们的图像灰度值区间是0-255级共计256级，其符合八位二进制编码的表示形式，即我们可用00000000-11111111之间的一个八位二进制编码表示其中的一个分割阈值。（2）设置初始化参数（3）计算适应度所有的个体都具备不同的适应度，适应度越大，表明这个个体各方面性能越好，越容易遗传到下一代。为了得到更加精确的分割效果，我们需要使得目标和背景的熵值差异越大越好。在此我们的适应度函数选用图像灰度的熵函数，函数如下：(3-2)（4）对群体进行选择，交叉，变异等遗传操作，形成下一代群体选择算子图3.2选择算子部分代码交叉算子交叉算子最关键的作用就是在新个体出现时，并且它拥有着自己显著的特点，在交叉过程中，一边要保证不破坏每个个体编码串的优良模式，一边要保证优良新个体的产生。交叉的概念就是将两个前一代的个体部分的架构进行交换以后能够进行重组，随后合成新个体的整个运行流程，经过交叉以后的遗传算法的探索水平能够得到显著的增强。交叉算子会通过所有交叉的可能性在整个群体内的个体进行某种基因任意的变换，进而可以出现更完善的基因组合，并且将这些基因组合完善，交叉算子代码如下：图3.3交叉算子部分代码3）变异算子变异算子的概念就是在个体串当中发生的基因座内的基因值来进行改变，通过个体编码不同的展示方式，能够得到二进制和实时变异两类。变异算子拥有下面两个操作流程：首先在所有的个体都会通过提前设立好的变异几率来对其变异的情况进行辨别；其次是在变异的个体可能变异的方式是随机选择变异位。该算子以一定概率将选定个体的某一位取反，例如1变为0，0变为1。图3.4变异算子部分代码（5）计算最佳直方图熵图3.5计算最佳直方图熵部分代码图3.6计算最佳直方图熵部分代码补充（6）根据最佳阈值分割图像图3.7根据最佳直方图熵分割图像部分代码图3.8根据最佳直方图熵分割图像部分代码补充1图3.9根据最佳直方图熵分割图像部分代码补充2图3.10根据最佳直方图熵分割图像部分代码补充33.4细胞信息提取研究及实现图像信息提取具体步骤：(1)载入图像，图像分割前文已对细胞图像进行了分割工作，现对得到的分割效果图中白细胞进行信息提取。信息提取原图转化成二值图，变成一个不规则的图形了，应在继续对这个区域做处理，但这不影响我们论文的主题，所以先忽视。(2)使用bwboundaries函数展示的图像内目标的bwboundaries函数能够将需要追逐的对象外边界进行追踪，还有目标内孔的边界，其中有以下几个返回特性：首先是元胞数组B；其次是返回标号矩阵L；最后返回N，N为整个目标的数目，详情见下图3.11.（3）标记区域使用的将测试图像内一直拥有的目标进行标记的是bwlabel，将它们进行伪彩色化，进而将他们所有的数字标记展示相互融合。图3.12标记区域部分代码（4）特征表达使用regionprops函数对图像中的每个目标提取下面的二值特征，直接使用它统计信息，在workspace可以查看。图3.13提取各目标二值特征部分代码随后是将数据进行分析，将所有图行间距较大的特点进行查找，随后将阈值进行定义，并且制作分类器，进而能够更加显著的将特征矢量图进行绘画。图3.14制作分类器分析数据部分代码3.5本章小结本章主要介绍了白细胞图像的分割及信息提取方法。首先对外周血细胞图像进行降噪等预处理，然后从三个方向对白细胞的分割进行了实验，首先是阈值分割法（OTSU），其操作简便，计算量小，但是只能对单一目标进行分割，且对目标和背景之间的类方差有要求（越大效果越好）。其次是区域生长法，其操作要求只要掌握了起始种子点，相邻像素归纳规则和终止生长规则，要得到实验结果也较为简便，且图像分割结果较OTSU更佳。最后是直方图熵结合遗传算法细胞图像多阈值分割法，虽然这种方法操作步骤较前两种方法来说更加繁琐，但是该方法结合了遗传算法没有求导以及函数连续性等限定条件和直方图熵法便于寻找最佳阈值的优点最终得到的分割图像是效果最好的。然后再对提取信息进行数据分析，查看各个图行差距比较大的特征，然后定义阈值来制作分类器。也可以更清晰地表达画出特征矢量图。四实验结果及分析4.1程序编辑器MATLAB不仅是一种广泛地被运用在矩阵算法设计开创，还有数据的分析和诸多有关的数值进行分析并且经过一系列的运算的高级科学。MATLAB最关键的就是进行矩阵的运算，因此其拥有下面几个特性：首先，图形功能强大；其次，架构简单，而且能够方便进行使用，整个库里的函数很完善，并且计算标记符很完善；再次，对整个程序没有局限性，相对来说程序设计拥有一定的自由度；最后是缺点，它跟很多相对高级的程序进行对比之后，该程序实施的速度慢。本课题使用的是MatlabR2017a版本，它对比以前版本来说，主要的优点有：首先，在2017b当中合成一个仅仅支撑一维向量的HDL代码模块，其作用是当作输出输入接口，不能够将输入输出接口当作矩阵的支撑，这样有时候排列的方式不是你想要的那种改起来就比较麻烦了。但是2018a中提到开始支持使用矩阵作为输入输出接口，这样用起来就会方便很多了；其次，之前使用生成代码时，大多是需要手写的硬件，其中拥有引脚配置，并且很多轮廓部位与底层的驱动加以配置，将最关键的运算方法先在接口处进行预存，随后在matlab内将建模代码加以合成，进而放置于以前的工程内，尽管matlab能够将合成代码的整个过程中的器件，攻击等进行选取，但是在matlab当中将轮廓部位的构件还有底层驱动进行展示是一个很繁琐的过程，不过在2018a内增加了iic配置模块，这个模块很多的轮廓部位构件对于很多使用的方法加以配置，这样的话，对于简单的工程全部开发都在matlab中就可能进行。最后，在visonHDLCoder中增加一些不容易吸引人眼球的性能，对于中文翻译以后，能够称之为“可分离的滤波器”。并且能够给予两个列向量，对其进行相乘以后，该矩阵能够跟事先预想的矩阵相同，不过矩阵也拥有一定的局限，好像是秩必须为一。这个对小尺寸的滤波器来说作用不大。比如3X3的滤波器原来使用3*3=9个参数，分离以后只要3+3=6个参数。最终的结论没有降低太多，不过相对大卷积核来讲更加完善，其中对于7X7的卷积核来将，其实用的参数就有49个，分离以后仅仅要求7+7=14个参数。这个功能在需要很多这样的运算是显得十分有效。图4.1MATLAB应用标识4.2仿真图象分割结果对比实验结果与分析下图是待分割细胞图像与经过基于遗传算法的直方图熵法分割后的效果图。(a)(b)(c)图4.2直方图熵结合遗传算法细胞图像多阈值分割法原图(a)(b)(c)图4.3直方图熵结合遗传算法细胞图像多阈值分割效果图由此可见，直方图熵结合遗传算法细胞图像多阈值分割后的效果图图像清晰，信息完整，对比性强，较传统OTSU分割方法来说，该方法不仅分割效果较前者更好，而且极大的缩短了最佳阈值的搜寻时间。并且分割效果图能够对需要提取的细胞信息一目了然，是上述几种分割方法中效果最好的。也是本课题为后续白细胞信息提取更顺利所采取的方法。详情见下图4.4(a)(b)(c)图4.4细胞分割原图(a)(b)(c)图4.5迭代分割效果图(a)(b)(c)图4.6边缘检测效果图(a)(b)(c)图4.7区域生长效果图(a)(b)(c)图4.8基于遗传算法的直方图熵法分割效果图将所有的图像分割方法进行对比之后可知，本课题采用的基于遗传算法的直方图熵法得到的分割效果图信息更全面，图像更清晰，使后续信息提取工作更简单方便。就各分割方法的算法来说，本课题采用的方法由于具有遗传算法的优势，搜寻最佳阈值的速度更快，图像分割的效率更高。首先，较传统阈值分割方法而言，本方法对目标及背景间的类间方差要求不大，适用范围更广。较区域分割方法而言，本方法可以形成良好的区域结构，能够兼顾分割精度和抗噪两个方面。较边缘检测方法而言，本方法不会造成图像的过度分割，更有利于后续信息提取。4.3分割图像信息提取分析我们以分割图像中的白细胞相关信息作为参考，来验证我们的信息提取部分程序。第一步就是对目标边界bwboundaries函数加以跟踪。效果如下：(a)(b)(c)图4.9显示目标边界部分效果图随后我们使用bwlabe标记测试图像中的连续区域（目标）效果如下：(a)(b)(c)图4.10标记区域效果图然后利用regionprops函数给图像内所有的目标将二值特征进行提出，进而将统计信息进行使用，并且查找的渠道为workspace。详情见下图4.11。图4.11提取目标统计信息随后是将数据加以分析，将所有的图形差别加大的特点进行查找，将阈值进行定义，进而能够将分类器进行制作，也能够完善的将特征矢量图进行绘画，详情见下图4.12。效果如下：图4.12图4.10(a)分析面积和细度比例得到的特征矢量图图4.13图4.10(b)分析面积和细度比例得到的特征矢量图图4.14图4.10(c)分析面积和细度比例得到的特征矢量图我们对区域中的白细胞进行选择信息提取得到如下表格表4.1图4.10（a）白细胞的形态特征编号面积周长最大轴心轴长最小轴心轴长1360133.37400000000043.86831172639371.76383420737639225186.713000000000026.820609930010818.475033184057431195343.72900000000043.696236023289942.54884252000664876192.98600000000046.453895912442527.618601419864951055171.49100000000046.144658485256330.2593361289978表4.2图4.10（b）白细胞的形态特征编号面积周长最大轴心轴长最小轴心轴长12906203.87600000000069.471856279033054.29010681225612625119.96800000000038.097820770717323.98482542585973743178.32200000000040.545106087772430.085947167684642688211.00600000000067.251144357274552.418542285852551911422.41000000000064.877068126600752.386503218016562496223.94800000000062.737967246052952.101718733684673038232.76500000000065.457410546639160.999157192960482877257.09500000000092.390327910398444.279253314631897122299.382000000000103.57000714859587.6824029520871101443219.49200000000063.347003759216043.1177935108574表4.3图4.10（c）白细胞的形态特征编号面积周长最大轴心轴长最小轴心轴长12093282.91600000000077.321573790543340.1854817098481其中最大轴心轴长是指细胞截面最大宽度，最小轴心轴长是指细胞截面最小宽度。结合表格和图像可知，本课题信息提取方法白细胞区域标记更明显，在外边界追踪过程中及区域标记过程中凸显了目标提取区域并筛除了背景区域的干扰，并通过矢量图的形式举例展示各个图行差距比较大的特征，从而达到我们需要的白细胞信息提取效果。经过提取，a图提取出了5个白细胞特征信息，b图提取出了10个白细胞特征信息，c图提取出了1个白细胞特征信息。与分割原图的白细胞数量一致，且各白细胞面积，周长均符合白细胞尺寸要求。由此可知，本课题采用算法效果良好，可运用于医疗诊断方面。鉴于传统医疗诊断细胞分割提取方法耗时费力的问题，本课题提出了基于遗传算法的直方图熵分割细胞的数字图像处理方式。首先算法方面加入了遗传算法的辅助，使得在计算过程中更快的寻得最佳阈值对图像进行分割。其次直方图熵法的引用使得阈值分割对目标和背景区域类间方差要求更低，最佳阈值在图像上反应更直观。随后信息提取部分先对图像边界进行追踪，再对白细胞图像区域进行标记，有效的筛选了目标提取区域和筛除了背景干扰区域。根据提取信息和分割仿真图以及对比常规细胞分割方法结果得出结论：本课题所采用的分割方法分割效果较常规方法更加精确，并且色彩方面不受限制，在彩色环境下能够获取的信息更完善，能够提取的区域更全面。在信息提取方面，本课题引入了矢量图分析环节，让提取效果更加直观。但是，基于遗传算法的直方图熵分割方法仍存在一些不足之处。例如在图像抗噪方面，阈值分割还是会受到比较明显的影响。还有在分割效果图方面，经过分割后的图像中仍存在少许杂质区域，在对分割图像进行信息提取的过程中具有干扰的负面效果。因此，在以后的方法拓展研究当中，可以对图像进行小波去噪和中值滤波去噪等预处理消除阈值分割的噪声隐患问题。并且该方法不止运用于细胞分割之中。因此，该算法还有很大的提升空间。五结语外周血白细胞对人体机能来说十分重要，因此外周血白细胞检测的重要性不言而喻。许多疾病诊断都需要从外周血白细胞检测入手。现医院常用检测方法是依靠血细胞检测仪对白细胞进行检测，当检测结果出现异常，则需要使用精度更高的人工镜检由医务人员亲自参与完成检验。虽然检测结果准确，但这些方法都十分繁琐并且耗费财力物力。所以，如何从采集到的外周血细胞图像中分割出单个的白细胞图像，并用图像处理技术实现白细胞的分类识别，在医学检测中具有光明前景和重要意义。本文的整体工作内容如下：查阅国内外相关的文献与资料，了解白细胞分割提取的实际应用和意义及现医院等进行白细胞分割提取所用方法，随后对医院的白细胞分割提取方法进行分析，了解其优缺点，了解国内外分别对该课题的研究现状与成果，为本课题工作做好背景知识（2）了解目前国内外常用的细胞分割方法，文中采用了阈值分割法，边缘检测法，区域生长法和直方图熵和遗传算法相结合的分割方法。对预处理的细胞图像依次使用上述分割方法并根据分割效果图对各方法进行筛选评价。其中，迭代分割法得到的分割图像较为模糊，且对目标和背景区域类方差有一定要求，区域生长法得到的分割图像对于提取目标分割较为明确，但是缺陷在于缺少除提取目标以外的背景区域信息，没有对比性。边缘检测法从R,G,B三个方向对细胞图像进行分割，分割信息较全面，但是分割效果图不太理想，信息不易提取全面。最后使用的是遗传算法跟直方图熵融合以后，使用分割的方式对其加以分割，进而得出彩色分割效果图，较前几中分割方法来说，图像更清晰，提取信息更全面，是效果最好的分割方法。本次基于大学所学知识的设计，能够很好的适用于很多场景之中，并且其简易的装置使得操作更加方便，低廉的成本使得学生也能很好的动手制作，高效简洁的信号处理和其高灵敏度的特性，可以在啊得到很好的保障。通过结果可见，该置具有一定的可发展性，也具备着产品化的可能性，虽然这次装置不具备产品美观的特点，也达不到产品的精度，后续，我也会继续努力，向着更精准，更美观，更实用的方向继续努力，继续深入研究。但是由于时间、基础及缺乏实践等多方面的问题，还有诸多需要解决的问题依然存在，设计中很多方面考虑不够周全或者考虑不到，但是我在毕业设计的过程中所掌握到的基础知识使我受益终身。也享受到运用知识解决问题的喜悦,我相信本设计对于我未来的工作有很大帮助，我会努力学习更多专业知识去尽力完善此设计。参考文献[1]徐会芹.外周血细胞形态分析[J].临床医药文献电子杂志,2016,3(34):6859–6860.[2]杨婷.血细胞形态检测在疾病诊断中的运用评价[J].医学理论与实践,201730(18):2772–2773.[3]郭俊方,罗渠澎.贝克曼LH750血细胞分析仪原理及故障维修[J].医疗装备,2011,24(12):90–91.[4]李阳,杨建彬,凌春腾.SysmexKX-21N血细胞分析仪的工作原理及常见故障分析[J].中国医疗设备,2014,29(06):145–146.[5]李星军,郭友成.雅培CELL-DYN3200