基于邊界跟蹤的紅細胞分割與計數(shù)

汪建林

寧夏醫(yī)科大學理學院，寧夏 銀川 750004

0 引言

隨著信息技術的發(fā)展，數(shù)字圖像處理技術作為一種非常有效的手段越來越多的應用于細胞圖像的研究中，在一定程度上可提高工作效率和檢驗精度。本文針對已經(jīng)獲得的紅細胞顯微圖像，進行了分割和計數(shù)的算法研究，并在Matlab軟件中進行了仿真，獲得了比較好的實驗效果。

1 細胞圖像的預處理

將顯微圖像從RGB空間轉(zhuǎn)換到HSI空間后，在飽和度高的區(qū)域，H量化細，采用色調(diào)H的閾值進行分割；在飽和度低的區(qū)域，H量化粗無法分割，但由于此時比較接近灰度圖像，因而可采用強度I的閾值進行分割，最后對分割后的圖像合成。這種方法利用了顏色信息，有效的獲得紅細胞區(qū)域。對于合并后的紅細胞區(qū)域圖像，采用大津法即可得到紅細胞的二值化圖像，如圖1所示。

圖1 （a）為輸入的彩色圖片，（b）S空間分割合并效果圖，（c）紅細胞二值圖像

2 紅細胞的分割

從圖1（c）中可以看出，二值化后的細胞圖像中重疊和粘連情況比較嚴重，針對此問題，本文采用邊界跟蹤的分割方法且進行了相應的改進進。

本文的邊界跟蹤算法是按照從左到右，從上到下的順序搜索目標，設序列數(shù)組為K。首先從左上方開始搜索第一個目標像素點，設為k0，則像素k0是該區(qū)域最左上角的邊界像素，也就是搜索的起點，設定搜索方向按逆時針，八鄰域方向搜索。k0設置為跟蹤標志，并將k0做為序列數(shù)組的第一個元素插入，按逆時針方向搜索下一個目標像素，并設為k。如果找不到，則k為孤立像素區(qū)域；若k等于搜索起始邊界像素k0，則按順序繼續(xù)判斷其它鄰近方向上是否還有未跟蹤到的邊界像素，若沒有，則已回到起始點，算法結(jié)束。序列K中的邊界像素點組成一條封閉區(qū)域，將目標區(qū)域包圍在內(nèi)。在實驗過程中，為了提高邊界跟蹤的效率將搜索方向做了相應的改變。設搜索方向變量為M，若當前M在斜角方向上，則更新M=（M+4+2）/8，否則按照M反向方向搜索，經(jīng)實驗得出，運用這種方法，每跟蹤一個邊界像素點只需要檢測其鄰近的3個像素，在一定程度上提高了搜索速度。該基于八鏈碼的邊界跟蹤算法，可以一次掃描獲得物體邊界點序列以及邊界鏈碼信息，為后續(xù)分割做好了準備。

對于凹陷特征有明顯的重疊、粘邊細胞區(qū)域的分割，引入一個概念：最短刪除路徑。所謂最短刪除路徑，是指從目標區(qū)域某一個邊界像素出發(fā)，通過區(qū)域內(nèi)部，到達另一個邊界像素的最短距離。用所需要刪除的像素數(shù)來衡量這一路徑，用該路徑將目標區(qū)域分割所需要刪除的像素數(shù)是最少的。

所以在八連通邊界跟蹤過程中，如果區(qū)域的刪除路徑的寬度小于等于2個像素時，則跟蹤過程會第二次遇到原先檢測過的邊界點。如圖2所示，當八連通邊界跟蹤檢測到k13和k14時，會分別遇到已檢測過的邊界像素點k6和k5。一般情況下，這正是細胞的重疊、粘連處所在。如果將跟蹤獲得的邊界序列點刪除掉，則重疊、粘連將在此處分裂為兩個細胞。以此類推，即使兩個細胞在粘連處的最小刪除路徑大于2個像素，只要圖像中的細胞滿足類圓的凸集特性，則細胞重疊、粘邊處必然會有凹陷的情況，因此，只要等寬度地不斷跟蹤、刪除區(qū)域邊界像素，則重疊、粘連細胞最終會分裂。

圖2 邊界跟蹤分割示意圖

圖3 分割效果圖

3 紅細胞的計數(shù)

由于分割后的一幅圖像內(nèi)存在多個目標區(qū)域，為每個目標區(qū)域分配相應標號的工作被稱為標記，標記結(jié)束時也就同時完成了計數(shù)。標記的實質(zhì)工作就是檢查各像素與其相鄰像素的連通性，然后對連通區(qū)域進行計數(shù)，進而實現(xiàn)目標的自動計數(shù)。

二次掃描標記法只需要掃描兩次即可完成整個的標記，如圖4所示為二次掃描標記算法示意圖：

圖4 二次掃描標記算法示意圖

設圖像的目標區(qū)域灰度為0，背景區(qū)域灰度值為1。第一次掃描結(jié)束后，所有灰度值為0的像素點都已經(jīng)被標記過了，但是有些標記是等價的。在進行第二次掃描時，首先要根據(jù)等價對數(shù)組整理出等價關系，然后根據(jù)等價關系對目標區(qū)域進行重新標記。在第二次掃描結(jié)束后，所有灰度值為0的目標區(qū)域都被賦予了不同的標記值，據(jù)此就可以將目標區(qū)分為不同的連通區(qū)域。得到不同的連通區(qū)域的數(shù)目就是相應細胞的個數(shù)，即完成了細胞的計數(shù)。

4 結(jié)論

在MATLAB中分別對基于凹點算法、分水嶺算法和本算法進行了分析對比。其中基于凹點算法的漏識數(shù)目為26，識別效率為87.9%；基于分水嶺算法的漏識數(shù)目為17，識別效率為92.1%；本文算法的漏識數(shù)目為11個，識別效率為94.5%。整體上看，本文算法在計數(shù)準確度和計數(shù)速度上都有明顯的優(yōu)勢。

[1]秦紅星，蔡紹皙.彩色血液細胞圖像的分割[J].中國血液流變學雜志，2003(13)：3.

[2]陸建峰.重疊細胞圖像分享算法的設計[J].計算機研究與發(fā)展，2000，2，2.

[3]李盛陽.醫(yī)學細胞圖像分割與分析方法研究[D].山東科技大學，2003.

[4]Istvan Cseke.A fast segmentation scheme for while blood cell images[J].Pattern Recognition，1992，3(3)：530-533.

[5]Jain A K.Fundamentals of Digital Image Processing[M].Prentice_Hall，1989.