《564501029毕业设计（论文）显微细胞图像的形态学分析》由会员分享，可在线阅读，更多相关《564501029毕业设计（论文）显微细胞图像的形态学分析（52页珍藏版）》请在金锄头文库上搜索。
1、1 绪论1.1 前言 近年来，医学图像在协助医生诊断与提高诊断精度方面发挥了越来越重要的作用，医生对图像诊断的需求也日益增加。目前我国的影像诊断还是医生根据肉眼观察与临床经验作出判断，具有一定的主观性，而医学图像存在大量的边缘模糊现象，不仅耗费大量的时间与精力(一个细胞样本的形态学分析需要一个专业医生花数小时时间)，而且有时难以作出正确的诊断，甚至会出现漏诊与误诊事件。因而，研究开发出准确、快速的图像分析系统以完成图像的分类、识别与分析，已成为我国医学图像处理研究领域的共同目标之一。而本课题的研究势必是实现这一目标的必经之路，为最终实现这一目标做出基础性前瞻性的理论研究。 形态学一般指生物学中
2、研究动物和植物结构的一个分支。后来人们用数学形态学(也称图像代数)表示以形态为基础对图像进行分析的数学工具。它的基本思想是用一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。课题所提及的形态学是指，用数学形态学的图像处理方法，结合医学形态学知识，分析显微细胞图像的形态特征，本项目的研究即以此展开。现如今，细胞和组织形态特征的分析一直是研究生物细胞学和病理学的主要手段。而图像分析已经成为细胞学定量分析研究的有用工具，为临床诊断提供了定量而客观的依据1。随着计算机技术的发展和计算机图形学、数学以及医学相关理论的不断完善，计算机图像处理与分析技术在临床诊断和治疗中起着越来越
3、重要的作用。1.2 数学形态学数学形态学(Mathematical Morphology)2是近几年来发展迅速的一门建立在严格数学理论基础上的新兴的学科，以几何特性和结构特性的定量描述与分析为其主要研究内容，是一种应用于图像处理和模式识别领域的新的方法，是一门建立在严格的数学理论基础上而又密切联系实际的科学。由于形态学具有完备的数学基础，这为形态学用于图像分析和处理、形态滤波器的特性分析和系统设计奠定了坚实的基础，尤其突出的是实现了形态学分析和处理算法的并行，大大提高了图像分析和处理的速度。虽然其理论基础有些艰深，但其基本观念却比较简单。它体现了逻辑推理与数学演绎的严谨性，又要求具备与实践密切
4、相关的实验技术与计算技术，积分几何和随机集论是其赖以生存的基石。用于描述数学形态学的语言是集合论，因此，它可以提供一个统一而强大的工具来处理图像处理中所遇到的问题。利用数学形态学对物体几何结构的分析过程就是主客体相互逼近的过程。利用数学形态学的几个基本概念和运算，可将结构元灵活的组合、分解，应用形态变换序列来达到分析的目的。数学形态学方法比其他空域或频域图像处理和分析方法具有一些明显的优势。例如，在图像恢复处理中，基于数学形态学的形态滤波器可借助于先验的几何特征信息，利用形态学算子有效的滤除噪声，又可以保留图像中的原有信息。它最显著的特点是直接处理图像表面的几何形状，具有快速、健壮和精确性的特
5、征3。数学形态学图像处理的基本思想是利用结构元素(structuring element)收集图像的信息。当结构元素在图像中不断移动时，便可考察图像各个部分间的相互关系，从而了解图像各个部分的结构特征。结构元素可直接携带知识(形态、大小、以及灰度和色度信息)来探测所研究图像的结构特点，借助于不同形状的结构元素与图像间的一系列结构变换来处理和分析图像。数学形态学是一种非线性滤波方法.形态和差(膨胀与腐蚀)、开运算闭运算是数学形态学的基础。1.3 国内外图像处理技术发展现状1.3.1 显微细胞医学图像边缘检测图像边缘是图像最基本的特征,边缘中包含着有价值的目标边界信息，这些信息可以用于图像分析、目
6、标识别以及图像滤波。边缘检测是图像处理的重要内容，是模式识别和计算机视觉的基础4。所谓边缘(或边沿)是指其周围像素灰度有阶跃变化或屋顶变化的那些象素的集合,边缘检测是图像工程的一个重要内容。数学形态学的主要用途是获取物体拓扑和结果信息，它通过物体和结构元素相互作用的某些运算得到物体的本质形态。随着数学形态学理论的不断完善与发展。数学形态学在图像边缘检测中得到了广泛的研究和应用。边缘检测的难题是检测精度与抗噪性能之间的矛盾。图像普遍存在噪声。图像边缘和噪声均为频域中的高频分量，这给边缘检测带来了困难。下面介绍现阶段普遍研究的几种边缘检测的概况：基于中值滤波和数学形态学的图像边缘检测5。对数学形态
7、学中的腐蚀和膨胀的原理和中值滤波除噪应用进行研究，针对二值化图像把中值滤波与腐蚀相结合研究一种边缘检测的方法，通过仿真实现，得到满意的效果。该方法能够有效地去噪，检测图像中的细节，定位准确，并且计算量小，效率高。多尺度形态学图像边缘检测方法6。在深入地探讨数学形态学在边缘检测领域中的应用的基础上,提出了一种形态边缘检测算子,并用该算子提取图像边缘。然后进行形态结构元素尺度调整,综合各尺度下的边缘特征,得到了噪声存在条件下较为理想的图像边缘,实验证明了该算法的可行性和有效性。基于多结构元素形态学的图像边缘检测算法7。分析了出传统图像边缘检测算法的不足，利用形态学多结构元素的自然属性，自适应确定权
8、重，然后采用腐蚀运算构造边缘检测算法，再将多结构元的检测信息加权求和。实验结果表明，与传统边缘检测算法相比，该算法在保持图像边缘清晰的同时，有很强的去除噪声能力，得到的结果边缘细腻、平滑，在细节和特征方面保持得更好。基于柔性形态学的梯度边缘检测算法8。在深入研究柔性数学形态学边缘检测算法的基础上,提出比传统柔性形态学膨胀和腐蚀算子具有更强鲁棒性的柔性形态学膨胀和腐蚀算子,在此基础上提出柔性形态学梯度边缘检测算法,实验证明了该算法对噪声特别是脉冲噪声有很强的抑制作用,并能很好地检测出图像的边缘信息。基于形态学双梯度算子的图像边缘检测9。在数学形态学基础上提出了一组新的形态学双梯度算子,把它们用于
9、图像边缘检测,适当选取结构元素,得到了在有噪声,和没有噪声的条件下都较好的效果；并把结果与其他检测效果做了比较,实验验证了该组形态学双梯度算子的可行性和有效性。基于形态学重构运算的细胞图像边缘检测。该方法能够修正形态学的简单开闭运算带来的弱点，通过重构运算以及多结构元素的构建，能够很好地滤除伪边界，得到较为满意的细胞图像轮廓。 1.3.2 显微细胞医学图像分割方法图像分割是一种重要的图像分析技术。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，而其他部分为背景，前景一般对应图像中特定的、具有独特性质的区域。为了辨识和分图像中的目标，需要将它们从图像中分离提
10、取出来，在此基础上才有可能进步对目标进行测量和对图像进行处理。简而言之，图像分割就是指根据某种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。图像的分割在很多情况下可以归结为图像像素点的分类问题。随着医学成像在临床诊断和治疗上的作用越来越显著，医学图像分割就成为医学图像分析领域的一个挑战性的研究课题在计算机的帮助下，从TC、MRI、PET以及其它模式医学图像中提取有关解剖结构的有用的诊断信息。尽管现代成像设备提供了对内部解剖结构的优越的观察条件，使用计算机技术对内部解剖结构进行精确而有效的量化和分析在目前仍然是有限的
11、。医学图像分割可以提取出准确的、可重复的、量化的病理生理数据，满足不同的生物医学研究和临床应用的需要。医学图像分割的目的是通过提取描述对象的特征，把感兴趣对象从周围环境中分离出来，分析和计算分割对象的解剖、病理、生理、物理等方面的信息。图像分割过程是对医学图像进行对象提取、定量分析、三维重建、体积显示、图像配准等处理的一个必不可少的步骤。由于医学图像实际获取条件的不同，引起测量上的不精确性和不确定性，造成医学图像数据非常复杂，这使得医学图像分割具有特别的复杂性。下面介绍现阶段普遍研究的几种图像分割的概况：基于形态学重构运算的医学图像分割10。医学图像分割是高层次医学图像理解和解释的前提条件,其
12、目的是通过提取描述对象的特征,把感兴趣对象从周围环境中分离出来。文章在形态学基本运算的基础上,介绍了形态学重构运算和形态学图像分割的基本流程,最后用形态学重构运算对脑部MRI图像进行了分割,实验结果表明,这一方法可成功地将脑髓分割出来。基于数学形态学的免疫细胞图象分割11。为了实现对免疫细胞图象的分析,首先要对该种图象进行正确分割,针对这一要求,提出了一种有效的免疫细胞图象分割方法.该方法是根据数学形态学的知识,利用直方图势函数来提取标记点,并将这些标记点作为种子点来对梯度图进行Watershed变换,进而实现了细胞图象的分割.该方法是一种谱信息与空间信息相结合的分割方法.根据实验结果和分析可
13、见,该方法不仅解决了细胞在参数测量前的精确分割问题,同时,为水域分割的关键步骤种子点的选取找到了一种有效而可靠的方法,实践表明,分割的结果与目视感受相一致,且其分割速度及可重复性都达到了医学临床的要求.基于形态学约束的B-Snake模型的细胞图像自动分割方法12。由于在细胞图像中经常出现细胞重叠的现象,从而给后续处理带来了困难,为了准确分离细胞,提出了一种自动分割方法,即首先使用一种可变腐蚀元的迭代腐蚀算法来产生改进的距离图,然后提出了受数学形态学约束的B样条活动轮廓模型,利用形态学方法初始化活动轮廓,最后通过该模型求出各细胞的准确边界。实验结果表明,该方法能有效地分离重叠细胞,并能准确定位细
14、胞的完整边界。一种基于数学形态学的多结构元图像分割算法13。针对Canny图像分割算法容易出现目标边缘断裂和粘连现象，根据数学形态学中开闭运算的性能，结合目标基本形状特征，提出了多结构元多层次图像分割后处理算法。算法利用多个尺寸逐渐增大的圆盘结构元，对目标边缘图进行闭运算，每次运算前根据目标基本形状特征过滤已达到好的分割效果目标，同时选择合适尺寸结构元对分割不好目标图像进行开运算，消除目标之间粘连及目标边缘突起。实验结果表明算法能够有效平滑目标轮廓，连接断裂边缘，去除目标粘连，算法提高了Canny边缘检测算子的图像分割准确性，减少了对Canny算子对参数的依赖性。一种形态学彩色图像多尺度分割算
15、法14。为了对彩色图像进行快速有效的分割,提出了一种用于分割彩色图像的多尺度形态学算法。该算法首先用基于张量梯度的彩色分水岭算法来得到初始分割结果,即局部水平集连通区域,并综合考虑了面积和色彩计算区域间的相似性,构造了区域间的RAG (region adjacency graph)和NNG(nearest neighbor graph),用于后续形态学处理;接着,基于HSV空间中的色彩全序关系,定义了彩色形态算子;然后采用顶点塌缩算法实现的彩色形态学开闭算子生成了所需的非线性尺度空间;最后,利用图像中的极值点与物体间的对应关系,逐级提取图像中包含的物体来得到分层级的表示,并用区域在不同尺度下熵
16、的变化来决定尺度树的构成,从而完成了彩色图像的分割。试验结果表明,该算法不仅具有出色的形状保持能力,而且可提高计算效率。1.4 本课题内容介绍1.4.1 课题研究内容课题所提及的形态学是指，用数学形态学的图像处理方法，结合医学形态学知识，分析显微细胞图像的形态特征，并以此展开。在本课题的研究中，显微细胞图像特指血细胞图像，即研究血液细胞的形态特征。主要研究内容如下：图像预处理：用基于数学形态学图像处理方法，研究边缘检测技术、图像分割等技术，以解决由染色、光照条件产生的图像质量问题，以及细胞连接、重叠等问题；特征提取：主要是获得血细胞形态特征的定量参数15。包括：细胞的面积、长度、角度、弧度、周长、直径、半径、密度、计数等，并作数据检验。联系医学上的诊断意义：除了做以上理论上的探索外，本课题研究最后还将尝试把获得的形
