一种人体组织细胞双光子显微图像的定位分割方法.pdf

《一种人体组织细胞双光子显微图像的定位分割方法.pdf》由会员分享，可在线阅读，更多相关《一种人体组织细胞双光子显微图像的定位分割方法.pdf（16页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 103345748 A (43)申请公布日 2013.10.09 CN 103345748 A *CN103345748A* (21)申请号 201310259196.1 (22)申请日 2013.06.26 G06T 7/00(2006.01) G06T 5/00(2006.01) (71)申请人 福建师范大学 地址 350108 福建省福州市闽侯县上街镇福 建师范大学科技处 (72)发明人 陈冠楠 胡恒阳 陈荣 黄祖芳 刘垚 蔡坚勇 王平 林居强 冯尚源 (74)专利代理机构 福州君诚知识产权代理有限 公司 35211 代理人 戴雨君 (54) 发明名称 一种人体。

2、组织细胞双光子显微图像的定位分 割方法 (57) 摘要 本发明公开了一种人体组织细胞双光子显微 图像的定位分割方法， 属于图像处理技术领域， 主 要解决现有技术在分割人体组织细胞双光子显微 图像时结果错误过多的问题。其过程为 ： 将待分 割图像转化为灰度图并进行预处理 ； 对预处理后 图像进行聚类处理获取其边缘图 ； 使用边缘图进 行中心定位， 精确定位细胞核的中心， 得到细胞核 中心的点集 ； 结合使用主动轮廓模型， 最终得到 准确的细胞核边缘。与现有技术相比， 本发明具 有提取边缘准确， 定位效率高， 减少演化时间等优 点， 避免了图像中颗粒状噪声以及亮度分布不均 匀干扰， 可用于进行细胞。

3、双光子显微图像的细胞 核边缘提取。 (51)Int.Cl. 权利要求书 2 页 说明书 9 页 附图 4 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书9页 附图4页 (10)申请公布号 CN 103345748 A CN 103345748 A *CN103345748A* 1/2 页 2 1. 一种人体组织细胞双光子显微图像的定位分割方法， 包括如下步骤 ： (1) 输入待分割的双光子显微图像， 将图像转化为灰度图像 ； (2) 对灰度图像采用限制对比度自适应直方图均衡处理和高斯滤波处理方法进行预处 理 ； (3) 对预处理后的灰度图像使用 C- 均。

4、值聚类法进行聚类， 将像素点按其灰度值分为细 胞核、 细胞质和细胞间质 3 类 ； (4) 对步骤 (3) 得到的细胞核、 细胞质和细胞间质分类结果， 使用 Canny 算子进行边缘 检测， 获得细胞核、 细胞质和细胞间质的边界明晰的边缘图 ； (5) 对边缘图中呈现椭圆形的细胞核边缘进行准确定位， 获得细胞核中心点集， 并标记 细胞核的中心 ； (6) 使用改进的 DRLSE 模型获取准确的细胞核边缘 ； (7) 输出图像分割结果。 2. 根据权利要求 1 所述的一种人体组织细胞双光子显微图像的定位分割方法， 其特征 在于所述的 C- 均值聚类， C 为聚类的类数， C=3。 3. 根据权利。

5、要求 1 所述的一种人体组织细胞双光子显微图像的定位分割方法， 其特征 在于所述的 C- 均值聚类， 其过程如下 ： 将灰度图像中所有的像素按灰度值 g(x,y)(x=1,2,M,y=1,2,N) 逐个按最小距离 原则分划给 C 类中的某一类， 即如果 ： 像素到类的距离(x 1,2,M,y 1,2,N)， 且存在一个 l 1,2,c， 则判定像素点 式中表示 g(x,y) 和的中心的距离， 上标 k 表示迭代次数。 于是产生新的聚类 每次分类完成后， 求取新的聚类的中心， 并再次进行分类， 直至新的类的中心与前一次 聚类的中心相同。 4. 根据权利要求 1 所述的一种人体组织细胞双光子显微图。

6、像的定位分割方法， 其特征 在于所述的准确定位， 其步骤为 ： 定义一个正方形模板， 使之滑过边缘图， 模板大小依据图像中的细胞大小确定， 可以 完整覆盖一个细胞即可 ； 模板所覆盖的边缘视为边缘点集， 使用 RANSAC 法 （随机抽样一致性）估计最适合 当前边缘点集的椭圆模型 ： 从边缘点集中随机取 5 个点， 将它们的坐标值代入椭圆方程 ： x2+2Bxy+Cy2+2Dx+2Ey+F 0， 得到 B、 C、 D、 E 和 F 的值 ； 按以下步骤判断 RANSAC 法估计得到的椭圆模型是否为细胞核 ： I. 判断边缘点集中的各点是否属于椭圆模型， 若点到椭圆的代数距离 d x2+2Bxy。

7、+Cy2+2Dx+2Ey+F 小于阈值 di， 则该点属于椭圆模型。其中， x,y 为点的坐标值， 阈值 di 由实验确定 ； II. 计算属于该椭圆模型的点的个数 N， 判断 N 是否大于阈值 t， 这里阈值r 为 权 利 要 求 书 CN 103345748 A 2 2/2 页 3 模板的边长 ； III. 计算椭圆模型的短轴和长轴之比 e，判断 e 是否大于 0.3 ； VI. 若该模型符合以上条件， 则可判定为细胞核， 在边缘图中标记该椭圆模型的中心， 即为细胞核的中心 ； 若该模型不符合以上条件， 则不予标记 ； 以固定步长移动模板， 重复步骤 - ， 直至模板完全滑过边缘图， 完成。

8、了所有细胞 核的中心点标记。 5. 根据权利要求 4 所述的一种人体组织细胞双光子显微图像的定位分割方法， 其特征 在于所述的步长不超过模板大小的 1/6。 6. 根据权利要求 1 所述的一种人体组织细胞双光子显微图像的定位分割方法， 其特征 在于所述的细胞核中心定位以及标记， 使用获取准确的细胞核边缘 ； 对灰度图使用上述改 进的距离正则化的水平集演化模型进行水平集演化， 水平集演化结束后， 轮廓收敛到细胞 核的边缘， 该轮廓即为准确的细胞核边缘。 7. 根据权利要求 6 所述的一种人体组织细胞双光子显微图像的定位分割方法， 其特征 在于所述的改进的距离正则化的水平集演化模型， 即将水平集演。

9、化的初始轮廓定义为以细 胞核中心为圆心的圆的集合， 从而轮廓可以以较少的迭代次数收敛到细胞核边缘。 8. 根据权利要求 7 所述的一种人体组织细胞双光子显微图像的定位分割方法， 其特征 在于所述的初始轮廓半径为 5。 权 利 要 求 书 CN 103345748 A 3 1/9 页 4 一种人体组织细胞双光子显微图像的定位分割方法 技术领域 0001 本发明属于图像处理技术领域， 涉及一种对人体组织细胞双光子显微图像的定位 分割方法。 背景技术 0002 图像分割是图像处理领域的一个重要课题， 有效合理的图像分割能为后续的图像 分类、 模式识别等处理提供有利条件。 长期以来， 国内外学者对医学。

10、细胞图像分割问题展开 了大量研究， 已经提出了上千种图像分割算法。 但由于实际问题的复杂性， 至今为止仍未提 出一种适用于所有种类图像的分割算法。 0003 细胞显微图像的传统分割方法可以分为阈值分割、 边缘检测以及区域分割方法这 几类， 这些方法对于噪声较少， 背景简单的图像具有不错的分割效果， 但是对于比较复杂的 细胞显微图像来说， 传统方法的分割效果就很不理想了。 因此， 在对细胞显微图像进行分割 时往往结合使用一些特定理论， 例如小波分析、 神经网络与遗传算法、 模糊理论和动态轮廓 模型等。 下面选择与本发明相似的方法进行简要介绍， 文献 【王云.血细胞图像的自动分割 与识别方法研究 。

11、D. 重庆 : 重庆大学 ,2009】 采用基于改进的 MEANSHIFT 算法， 将白细胞 核从图像中分割出来， 并运用区域生长法提取白细胞胞浆。 该方法对血细胞图像效果较好， 但人体组织细胞双光子显微图像要比血细胞图像复杂得多， 该方法不能够取得好的结果。 文献 【张建伟 , 詹天明 , 陈允杰 , 等 . 改进的多目标图像的水平集分割模型 J. 中国图 象图形学报 ,2010,15(4):617-623】 提出一种利用 n 个水平集方程分割含有 n 个目标图像 的水平集模型， 其在保证迭代次数较少的同时分割更加准确。 可以较准确地提取边缘， 但是 不能够去除结果中的无用的边缘， 即结果中。

12、包含一些无用的、 错误的曲线。文献 【Chunming Li,Rui Huang,Zhaohua Ding,et al.A level set method for image segmentation in the presence of intensity in homogeneities with application to MRIJ.IEEE Transactions on Image Processing,2011,20(7):2007-2016】 提出了一种距离正则化的水 平集演化模型 （Distance Regularized Level Set Evolution,DRLSE。

13、） ， 该模型以能量泛函 的形式表示需要演化的封闭轮廓曲线， 通过求解能量泛函的最小化来完成曲线向图像分割 轮廓线演化的目的。可以很好地提取出复杂背景下图像中目标的边缘信息， 但是对于目标 较多的图像而言， 该方法分割速度过慢， 且得到的边缘信息中错误的较多。 上述方法都未考 虑到结合细胞的形状特征来对细胞显微图像进行分割， 而在背景复杂复杂、 噪声严重的细 胞显微图像中， 利用细胞的形状特征可以筛选掉很多干扰分割的因素。 0004 本发明所针对的细胞显微图像是双光子显微图像 （Two-photon Microscopic Image） ， 与其他的显微技术相比， 双光子显微技术具有很多优点 。

14、： 较低的光漂白和光损伤， 较佳的成像对比度以及较深的成像深度等。 因此双光子显微图像的细节较一般显微图像细 节更为丰富， 处理难度也更大。 由于目前国内外的研究中针对细胞双光子显微图像的极少， 而且现有方法对人体组织细胞的双光子显微图像进行分割的效果不够理想， 分割结果不能 用于后续的图像分类、 模式识别等处理。 因此， 需要针对人体组织细胞双光子显微图像的分 说 明 书 CN 103345748 A 4 2/9 页 5 割进行研究， 提出一种能够精确分割细胞双光子显微图像的方法。本发明通过自动定位双 光子显微图像中的细胞核， 准确地提取出细胞核的边缘， 实现了人体组织细胞双光子显微 图像的。

15、分割。 发明内容 0005 本发明针对上述方法对人体组织细胞双光子显微图像进行分割存在的缺陷， 提出 了一种基于中心定位算法的人体组织细胞双光子显微图像分割方法。方法的基本思想是 ： 细胞核的形状通常接近椭圆形或圆形， 因此可以将定位细胞核的过程看作是识别类椭圆形 的过程。 定义一个类似细胞核的椭圆形模型 ： x2+2Bxy+Cy2+2Dx+2Ey+F0， 对一幅包含很多 个细胞的显微图像， 以该椭圆形模型去匹配其中的边缘， 从而找到细胞核并精确定位细胞 核。对细胞核进行精确定位后， 以此为基础进行分割， 可以实现对细胞核边缘的精确提取， 从而提高细胞显微图像分割的准确性。 0006 本发明的。

16、技术方案是 ： 首先使用聚类的方法对细胞图像进行分类 ； 接着对处理后 的图像进行边缘检测， 再对得到的边缘检测图进行分析， 定位出边缘图中的细胞核中心 ； 最 后以细胞核为中心利用水平集方法得到较为准确的细胞核边缘， 具体步骤如下 ： 0007 (1) 输入待分割的双光子显微图像， 将图像转化为灰度图像 0008 双光子显微图像的颜色单一， 色彩信息对于本发明方法来说没有用处， 因此直接 将图像转化为灰度图像， 以下步骤均是在此灰度图像的基础上进行处理的 ； 0009 (2)对灰度图像采用限制对比度自适应直方图均衡 （Contrast Limited Adaptive histogram e。

17、qualization/CLAHE)处理和高斯滤波处理方法进行预处理。 通过预处理， 在保 证灰度图像中边缘信息损害较少的情况下减少图像中的噪声、 增强对比度 ； 0010 (3) 对预处理后的灰度图像使用 C- 均值聚类法 (C-means) 进行聚类， 将像素点按 其灰度值分为细胞核、 细胞质和细胞间质 3 类。经过这一步骤， 可以避免图像中的颗粒状噪 声对之后处理的干扰。 0011 所述的 C- 均值聚类， 其中 C 为聚类的类数， C=3。 0012 所述的 C- 均值聚类， 其过程如下 ： 0013 将灰度图像中所有的像素按灰度值 g(x,y)(x=1,2,M,y=1,2,N) 逐个。

18、按最小 距离原则分划给 C 类中的某一类， 即如果 ： 0014 像素到类的距离(x 1,2,M,y 1,2,N)， 且存在一个 l 1,2,c， 则判定像素点 0015 式中表示 g(x,y) 和的中心的距离， 上标 k 表示迭代次 数。于是产生新的聚类 0016 每次分类完成后， 求取新的聚类的中心， 并再次进行分类， 直至新的类的中心与前 一次聚类的中心相同。 0017 (4) 对步骤 (3) 得到的细胞核、 细胞质和细胞间质分类结果， 使用 Canny 算子进行 边缘检测， 获得细胞核、 细胞质和细胞间质的边界明晰的边缘图。 0018 (5) 对边缘图中呈现椭圆形的细胞核边缘进行准确定。

19、位， 获得细胞核中心点集， 并 说 明 书 CN 103345748 A 5 3/9 页 6 标记细胞核的中心。 0019 所述的准确定位， 其步骤为 ： 0020 定义一个正方形模板， 使之滑过边缘图， 模板大小依据图像中的细胞大小确定， 可以完整覆盖一个细胞即可 ； 0021 模板所覆盖的边缘视为边缘点集， 使用 RANSAC 法 （随机抽样一致性） 估计最适 合当前边缘点集的椭圆模型 ： 从边缘点集中随机取 5 个点， 将它们的坐标值代入椭圆方程 ： x2+2Bxy+Cy2+2Dx+2Ey+F 0， 得到 B、 C、 D、 E 和 F 的值 ； 0022 按以下步骤判断 RANSAC 法。

20、估计得到的椭圆模型是否为细胞核 ： 0023 I. 判断边缘点集中的各点是否属于椭圆模型， 若点到椭圆的代数距离 d x2+2Bxy+Cy2+2Dx+2Ey+F 小于阈值 di， 则该点属于椭圆模型。其中， x,y 为点的坐标值， 阈值 di 由实验确定 ； 0024 II.计算属于该椭圆模型的点的个数N， 判断N是否大于阈值t， 这里阈值 r 为模板的边长 ； 0025 III.计算椭圆模型的短轴和长轴之比e，判断e是否大 于 0.3 ； 0026 VI. 若该模型符合以上条件， 则可判定为细胞核， 在边缘图中标记该椭圆模型的中 心， 即为细胞核的中心 ； 若该模型不符合以上条件， 则不予标。

21、记 ； 0027 以固定步长移动模板， 重复步骤 - ， 直至模板完全滑过边缘图， 完成了所有 细胞核的中心点标记。 0028 所述的步长不超过模板大小的 1/6。 0029 (6) 使用改进的 DRLSE 模型获取准确的细胞核边缘 0030 基于步骤 (5) 的细胞核中心定位以及标记结果， 使用改进的距离正则化的水平集 演化模型 （Distance Regularized Level Set Evolution,DRLSE） 获取准确的细胞核边缘， 即将水平集演化的初始轮廓定义为以细胞核中心为圆心的圆的集合， 从而轮廓可以以较少 的迭代次数收敛到细胞核边缘。对灰度图使用上述改进的 DRLSE。

22、 模型进行水平集演化， 水 平集演化结束后， 轮廓收敛到细胞核的边缘， 该轮廓即为准确的细胞核边缘 ； 0031 所述的初始轮廓半径为 5 ； 0032 (7) 输出图像分割结果。 0033 本发明与现有技术相比具有以下优点 ： 0034 1. 在对图像进行边缘检测之前， 使用 C- 均值聚类法进行聚类， 初步将图像分为细 胞核、 细胞质以及细胞间质这三部分。这一步有效地避免了图像中颗粒状噪声以及亮度分 布不均匀等问题对图像分割的干扰 ； 0035 2. 本发明基于中心定位的思想， 利用细胞的形状先验知识， 在众多目标中有效、 快 速地定位细胞核的位置。在得到图像中所有细胞核的精确位置后， 再。

23、进行有针对性的边缘 提取， 提高了分割的效率 ； 0036 3. 本发明在提取边缘中可能存在的类椭圆形时， 使用的方法基于 RANSAC 法 （随机 说 明 书 CN 103345748 A 6 4/9 页 7 抽样一致性） ， RANSAC 是可以对具有大量离群数据进行有效参数估计的方法， 可以在存在一 定干扰的情况下准确快速地找出符合要求的边缘， 大大增加了定位的效率 ； 0037 4. 本发明对 DRLSE 模型进行了改进， 将初始轮廓定义为以细胞核中心为圆心的圆 的集合， 从而增加了使用 DRLSE 模型进行轮廓提取的准确性， 并且减少了演化时间 ； 0038 5. 本发明方法对人体组。

24、织细胞双光子显微图像进行定位分割的结果较现有分割 方法更为准确， 效率更高， 所提取的细胞核边缘能够用于进一步分析。 附图说明 0039 图 1 是本发明的总流程图 ； 0040 图 2 是定位细胞核中心的基本模型示意图 ； 0041 图 3 是定位细胞核中心的子流程图 ； 0042 图 4 是使用改进的 DRLSE 获取细胞核边缘的模型示意图 ； 0043 图 5 是使用本发明方法处理一幅人体组织细胞双光子显微图像的过程示意图 ； 0044 图 6 是使用本发明方法处理 8 幅人体组织细胞双光子显微图像的结果示意图 ； 0045 图 7 是使用本发明方法处理一幅人体组织细胞双光子显微图像的结。

25、果与使用三 种现有方法处理的结果的对比图。 具体实施方式 0046 为了对本发明更好的理解， 现结合附图和实施例做进一步的说明。 0047 图 1 为本发明的主要步骤流程图。首先输入待分割的双光子显微图像， 将图像转 化为灰度图像 ； 对灰度图像采用限制对比度自适应直方图均衡处理和高斯滤波处理方法进 行预处理 ； 对预处理后的灰度图像使用 C- 均值聚类法 (C-means) 进行聚类， 将像素点按其 灰度值分为细胞核、 细胞质和细胞间质 3 类 ； 使用 Canny 算子对 3 类分类结果进行边缘检 测， 获得细胞核、 细胞质和细胞间质的边界明晰的边缘图 ； 对边缘图中呈现椭圆形的细胞核 边。

26、缘进行准确定位， 获得细胞核中心点集， 并标记细胞核的中心 ； 使用改进的 DRLSE 模型获 取准确的细胞核边缘， 输出图像分割结果。 0048 图 2 为本发明所采用的椭圆模型定位细胞核示意图， 整幅图表示模板所覆盖的边 缘点集范围。其中， 1 为椭圆模型， 椭圆模型 1 的内外两个椭圆表示到该椭圆代数距离小于 阈值t的范围 ； 2为边缘点集中， 到椭圆模型1的代数距离小于t的点 ； 3为到椭圆模型1的 代数距离大于 t 的点 ； 0049 图 3 为本发明的步骤 (5) 的流程图， 即准确定位并标记细胞核中心的流程 ； 0050 图 4 为本发明中步骤 (6) 的水平集演化示意图。其中，。

27、 1 为细胞核中心点标记 ； 2 为以细胞核中心点为圆心， 半径为 5 的小圆， 即为水平集演化的初始轮廓 ； 3 为水平集演化 的目标轮廓， 即为细胞核的准确边缘， 当水平集演化结束后， 初始轮廓 2 收敛到轮廓边缘 3， 从而得到了准确的细胞核边缘 ； 0051 图 5 为使用本发明方法处理一幅人体组织细胞双光子显微图像的过程示意图。其 中， (a)为输入的人体组织细胞双光子显微图像 ； (b)为转化为灰度图后的图像 ； (c)为预处 理后的灰度图 ； (d)为对灰度图进行C-均值聚类的结果 ； (e)为使用Canny算子对(d)进行 边缘检测后获得的边缘图 ； (f) 为对 (e) 进行。

28、细胞核准确定位并标记后获得的细胞核中心 说 明 书 CN 103345748 A 7 5/9 页 8 标记图 ； (g) 表示最终获取的细胞核准确边缘 ； 0052 图 6 中， (a)、 (b)、 (c)、 (d)、 (e)、 (f)、 (g) 和 (h) 分别为使用本发明方法获得的 8 幅人体组织细胞双光子显微图像的细胞核边缘示意图 ； 0053 图7为使用本发明方法以及其他3种现有方法对一幅人体组织细胞双光子显微图 像进行分割的效果对比。图 (a) 为使用本发明获得的细胞核边缘示意图 ； (b) 为使用基于 局部区域信息的局部二元拟合 (Local Binary Fitting,LBF)。

29、 模型所获取的细胞核边缘示 意图 ； (c) 为使用 Canny 算子对灰度图像直接进行边缘检测所获取的细胞边缘示意图 ； (d) 为使用大津法 (OTSU) 对灰度图像进行阈值分割的结果示意图。 0054 本发明的核心在于基于椭圆形模型进行细胞核的准确定位， 得到图中所有细胞核 的准确位置并标记。基于细胞核中心的标记， 将初始轮廓初始化为以细胞核中心为圆心的 小圆的集合， 对初始轮廓使用 DRLSE 模型进行水平集演化， 从而获得准确的细胞核边缘。 0055 实施例 1 0056 人体鼻咽上皮组织细胞双光子显微图像的定位分割 0057 具体处理过程如下 ： 0058 步骤 1. 输入待分割的。

30、双光子显微图像， 将图像转化为灰度图像 0059 将使用双光子显微镜获得的如图 5(a) 所示的呈现绿色的人体鼻咽上皮组织细胞 原始图像， 转化为灰度图像， 转化后的灰度图像如图 5(b) 所示。 0060 步骤 2. 对灰度图像进行预处理， 降低噪声、 增加对比度 0061 由图 5(b) 可以看到， 原始灰度图的噪声比较严重， 干扰物多呈现颗粒状。同时， 部 分区域的对比度较低， 肉眼难以区分是细胞质还是细胞核。 因此， 需要对原始灰度图进行适 当的预处理， 预处理步骤如下 ： 0062 首先进行限制对比度自适应直方图均衡 (Contrast Limited Adaptive histog。

31、ram equalization/CLAHE)， 通过直方图均衡化， 增强图像的对比度。与一般的直方 图均衡化函数相比， 限制对比度自适应直方图均衡在增强对比度的同时可以有效地抑制噪 声的增强 ； 0063 为降低噪声干扰， 构建一个 33 的高斯滤波器， 对图像进行滤波。 0064 经过预处理后的图像如图 5(c) 所示， 可以看到， 预处理有效地增强了对比度、 减 少了噪声， 同时边缘信息损失较少 ； 0065 步骤 3. 对预处理后的灰度图像使用 C- 均值聚类法 (C-means) 进行聚类 0066 虽然预处理有效地减少了图像中的噪声， 但是图像中存在的噪声干扰还是很多， 如果直接提。

32、取边缘来进行中心定位， 会产生错误， 同时也会增加计算开销。因此， 本发明方 法使用聚类采取 C- 均值法 (C-means) 对图像进行初步的分类。 0067 C- 均值聚类算法先取定 C 类和选取 C 个初始聚类中心， 按最小距离原则将各像素 点分配到 C 类中的某一类， 之后不断地计算类别中心和各点的类别， 最终使各点到其判属 类别中心的距离平方之和最小。假设图像分割成 C 类区域， 图像是大小为 MN 的灰度图 像， 任意位置 (x,y) 处的灰度值为 g(x,y)(0 g(x,y) 255)。假设灰度图像中最小灰度 值为0， 最大灰度值为255， 其中任意灰度级出现的总个数记为h(i。

33、)(i=0,1,255)且满足 对于本实施例， C=3， 图像大小为 200200。聚类步骤如下 ： 说 明 书 CN 103345748 A 8 6/9 页 9 0068 从0至255中任意选取C个不同大小的值作为图像分成C类的中心值， 即采用0 至255的整数初始化的值 （表示第1类的第0次迭代， 依此类推） ， 令k=0 ； 0069 将图像中所有不同位置像素的灰度值 g(x,y)(x=1,2,M,y=1,2,N) 逐个按 最小距离原则分划给 C 类中的某一类， 即 ： 0070 如果 ：x 1,2,M,y 1,2,N 0071 且存在一个 l 1,2,c, 则判定 0072 式中表示 。

34、g(x,y) 和的中心的距离， 上标 k 表示迭代 次数。于是产生新的聚类 0073 计算重新分类后的各类中心 ： 0074 j 1,2,c 0075 式中为类中所含模式的个数 ； 0076 如果则迭代结束 ； 否则， k=k+1， 转至。 0077 聚类结果如图 5(d) 所示， 分类后的图像分为细胞核、 细胞质以及细胞间质这三部 分， 聚类处理降低了图像中的噪声对之后的细胞核中心定位的干扰 ； 0078 步骤 4. 对步骤 3 得到的人体上皮组织细胞的细胞核、 细胞质和细胞间质分类结 果， 使用 Canny 算子进行边缘检测， 获得细胞核、 细胞质和细胞间质的边界明晰的边缘图 0079 由。

35、于本发明方法是基于对细胞核边缘呈现类椭圆形这一特征进行定位的， 因此需 要使用边缘图用来定位。经过试验， 使用 Canny 算子提取的边缘较为完整， 适合进行中心定 位。因此边缘提取算子采用 Canny 算子， Canny 算子的阈值使用自动阈值。提取的 Canny 边 缘图如图5(e)所示， 图5(e)中的边缘不仅包括了细胞核的边缘， 还有细胞质以及细胞间质 的边缘， 因此， 需要在众多边缘中识别出代表细胞核的边缘， 即准确定位细胞核 ； 0080 步骤 5. 对边缘图中呈现椭圆形的细胞核边缘进行准确定位， 获得细胞核中心点 集， 并标记细胞核的中心。定位细胞核中心的流程如图 3 所示。 0。

36、081 定位的基本原理 ： 细胞核边缘多呈现椭圆形， 因此， 当一个边缘类似于椭圆， 且大 小、 短轴与长轴的比值符合要求时， 则认为该边缘为细胞核边缘， 因而可以据此准确定位细 胞核。所述的基本原理如图 2 所示。 0082 如图 2 所示， 建立一个 3030 的模板， 模板所覆盖范围内的边缘是由点组成的， 因此将边缘视为边缘点集。细胞核边缘可以用椭圆模型 1 来描述。椭圆模型 1 内外两个 椭圆表示到椭圆模型 (best_model) 的代数距离小于阈值 t 的范围， 其中 t 由实验确定， 可 以将细胞核边缘点的 2/3 包括进来即可， 本实施例中 t=10。若点位于椭圆环内 ( 即点。

37、到椭 圆的代数距离小于阈值 t)， 则视为内点 (inliers)， 反之为外点 (outliers)。当内点的个 数 (inliers_num) 达到一定规模， 则当前椭圆模型视为能够匹配数据集的最佳模型 (best_ model)。具体定位步骤如下 ： 0083 建立一个 3030 的模板， 模板初始位置为图像的原点。模板所覆盖范围内的边 说 明 书 CN 103345748 A 9 7/9 页 10 缘视为边缘点集 (data) ； 0084 初始化最佳模型 best_model=null， 可能最佳模型 better_model=null， 内点个 数 inliers_num=0， 迭。

38、代次数 iterations=0 ； 0085 iterations=iterations+1，判 断 iterations 是 否 已 经 超 过 限 制，即 iterations 是否大于 100， 若是， 说明当前模板内无合适的椭圆模型存在， 即无细胞核存 在， 转至 ； 0086 从 data 中随机抽取 5 个点， 将它们的坐标代入式 x2+2Bxy+Cy2+2Dx+2Ey+F 0， 得到 B、 C、 D、 E 和 F 的值， 从而得到 better_model ； 0087 计算 data 中符合 better_model 的点数 （数据集中内点个数） ， 判断点为内点的 准则为 。

39、： 若点到椭圆的代数距离小于阈值 di=10， 则该点为内点 ； 0088 若内点个数 inliers_num 大于阈值 t=40， 则转至， 否则转至 ； 0089 判断 better_model 的特征是否符合要求 ： 计算该椭圆的短轴与长轴之比 e， 判断e是否大于0.3， 若符合， 则判定better_model为最佳模型， 即 best_model=better_model， 否则转至 ； 0090 根据 best_model 求得椭圆中心， 其中椭圆中心的横坐标纵坐 标在边缘图中标记该点， 即为细胞核的中心 ； 0091 若模板已滑过整个边缘图， 则结束定位 ； 否则以步长 2 移。

40、动模板， 转至。 0092 所述的最佳模型， 即代表细胞核边缘。通过寻找到最佳模型， 即准确定位了细胞 核。 0093 通过以上步骤， 可以准确定位各个细胞核， 并得到了细胞核中心点标记图， 细胞核 中心点标记图如图 5(f) 所示， 图中的各个细胞核边缘中心的白点即为标记 ； 0094 步骤 6. 使用改进的 DRLSE 模型获取准确的细胞核边缘 0095 距 离 正 则 化 的 水 平 集 演 化 模 型 （Distance Regularized Level Set Evolution,DRLSE） 以能量泛函的形式表示需要演化的封闭轮廓曲线， 通过求解能量泛函的 最小化来完成曲线向图像。

41、分割轮廓线演化的目的。 对于背景较为复杂、 噪声严重的图像， 如 果按照 DRLSE 将轮廓曲线初始化为图像中心处的一个曲线， 则不仅运算较为耗时， 而且会 得到错误的分割结果。因此， 本发明基于步骤 5 的细胞核中心定位以及结果， 使用改进的距 离正则化的水平集演化模型 （Distance Regularized Level Set Evolution,DRLSE） 获取 准确的细胞核边缘， 即将水平集演化的初始轮廓定义为以细胞核中心为圆心的圆的集合， 从而轮廓可以以较少的迭代次数收敛到细胞核边缘。演化的过程如图 4 所示， 其中， 1 为细 胞核中心点标记 ； 2 为以细胞核中心点为圆心，。

42、 半径为 5 的小圆， 即为水平集演化的初始轮 廓 ； 3 为水平集演化的目标轮廓， 即为细胞核的准确边缘， 当水平集演化结束后， 初始轮廓 2 收敛到轮廓边缘 3， 从而得到了准确的细胞核边缘。对图 5(b) 使用上述改进的 DRLSE 模型 进行水平集演化。图 5(g) 为水平集演化结果， 可以看到大多数细胞核边缘都能够被准确地 提取出来 ； 说 明 书 CN 103345748 A 10 8/9 页 11 0096 步骤 7. 输出分割结果 0097 细胞核边缘提取结果如图 5(g) 所示。 0098 本发明的效果和优势可以通过以下实验进一步说明 ： 0099 实验环境 ： Matlab。

43、 R2009b， Intel Pentium P6200， 2.13GHz 双核， Windows7 旗舰 版。 0100 实验内容 ： 使用本发明方法对 8 幅人体鼻咽上皮组织细胞双光子显微图像进行了 中心定位分割， 另外分别使用 LBF 模型、 大津法 (OTSU) 阈值分割、 边缘检测算子 (Canny) 这 三种现有技术对一幅图片进行了分割， 将本发明方法的效果与他们进行了比较， 最后对本 发明方法的定位准确率进行了分析。 全部实验图片来自福建师范大学医学光电科学与技术 教育部重点实验室。 0101 参 数 设 置 ： 限 制 对 比 度 自 适 应 直 方 图 均 衡 (Contra。

44、st Limited Adaptive histogram equalization/CLAHE) 使用 Matlab 的自带函数 adapthisteq， 参数使用默认 值。高斯滤波器模板大小为 33， =1。Canny 算子的阈值使用自动阈值。模板大小均为 3030， 阈值 t 均为 40， di 均为 10。 0102 实验结果 ： 使用本发明方法处理一幅人体鼻咽上皮组织细胞， 每一步的结果如图 5 所示， 分别为 ： (a) 原始图像， (b) 原始灰度图像， (c) 预处理后图像， (d) 聚类结果， (e) 聚 类结果的 Canny 边缘图， (f) 中心定位标记结果， (g) 最。

45、终分割结果。由图 5(f) 可以看出， 绝大部分细胞核都能被准确地定位， 图 5(g) 为本发明方法的最终分割结果。 0103 图 6 是使用本发明方法处理 8 幅人体鼻咽上皮组织细胞双光子显微图像的分割 结果图， 可以看到， 对于这 8 幅不同的图像， 提取得到的细胞核边缘均较为准确。表 1 为对 这 8 幅细胞双光子显微图像的分割结果的统计， 其中正确率的计算方法为 ： 正确率 =（找对 个数 / 找对个数 + 找错个数） 100%， 遗漏率的计算方法为 ： 遗漏率 =（遗漏个数 / 共有个 数） 100%。可以看出， 对于噪声程度不同以及细胞大小不同的双光子显微图像， 本发明方 法的细胞。

46、核中心定位结果均具有较高的准确率， 说明了本发明方法具有较好的鲁棒性。 0104 表1使用本发明方法定位8幅人体鼻咽上皮组织细胞双光子显微图像的结果统计 0105 图像序号共有个数找对个数找错个数遗漏个数正确率遗漏率 120171394.4%15.0% 242382495.0%9.5% 316161094.1%0% 412112184.6%8.3% 5161303100%18.7% 618162288.8%11.1% 715131292.8%13.3% 815142187.5%6.7 说 明 书 CN 103345748 A 11 9/9 页 12 0106 图7是使用本发明方法与其他3种方法。

47、处理同一幅人体鼻咽上皮组织细胞双光子 显微图像的效果对比。图 7(a) 是使用本发明方法的结果 ； 图 7(b) 是用基于 LBF 模型的水 平集方法对细胞图像进行分割的效果图 ； 图7(c)是直接用Canny算子提取细胞边缘的效果 图 ； 图 7(d) 是采用大津法 (OTSU 法 ) 选取阈值进行阈值分割的效果图。对比本发明方法的 结果， 可以看出这些方法的分割效果均不如本发明方法， 不适合用于精确提取细胞的特征。 0107 综上所述， 采用本发明方法对人体鼻咽上皮组织细胞双光子显微图像进行分割， 是在精确定位目标后进行有针对性的分割， 定位准确率以及分割结果较理想。相比现有技 术， 对背景复杂、 噪声严重的细胞双光子显微图像的分割具有更好的效果， 适于精确提取双 光子显微图像中的细胞核边缘。 说 明 书 CN 103345748 A 12 1/4 页 13 图 1 图 2 说 明 书 附 图 CN 103345748 A 13 2/4 页 14 图 3 图 4 说 明 书 附 图 CN 103345748 A 14 3/4 页 15 图 5 图 6 说 明 书 附 图 CN 103345748 A 15 4/4 页 16 图 7 说 明 书 附 图 CN 103345748 A 16 。