線粒體電鏡圖像二值化增強算法研究

林旭云，黃 堃

（福建江夏學(xué)院，福州3501 08）

線粒體電鏡圖像二值化增強算法研究

林旭云，黃 堃

（福建江夏學(xué)院，福州3501 08）

提出了一種圖像二值化增強算法.首先設(shè)計了一個分類器對原圖進(jìn)行初步二值化處理，再對原圖和初步二值圖按一定規(guī)則平滑疊加，得到既平滑又去噪銳化的效果，再設(shè)計一種均值模板進(jìn)一步平滑去噪，最后對圖像進(jìn)行裁邊，并按設(shè)計的規(guī)則進(jìn)行二值化判別輸出.實驗結(jié)果表明，該增強算法能去除圖像中的噪聲和其他非線粒體成分，可提高電鏡圖像中線粒體邊緣檢測的識別準(zhǔn)確率.

二值化；圖像增強；算法；線粒體

近年來，隨著高性能電子顯微鏡分辨性能的不斷提高，電鏡在醫(yī)學(xué)超微結(jié)構(gòu)研究領(lǐng)域的應(yīng)用也越來越多，各種細(xì)胞線粒體微細(xì)結(jié)構(gòu)的研究方興未艾.大量的醫(yī)學(xué)研究人員在做基礎(chǔ)性研究時需借助于電鏡的幫助，以獲取線粒體的超微結(jié)構(gòu)圖片，并據(jù)此進(jìn)行定量分析［1－3］.在圖像的采集、傳輸、保存、轉(zhuǎn)換過程中，由于曝光條件、光學(xué)系統(tǒng)失真、切片制作精確度、系統(tǒng)噪聲、細(xì)胞超微結(jié)構(gòu)特點等因素的影響，不可避免地會導(dǎo)致原始線粒體圖像存在大量噪聲、線粒體間隙存在其他細(xì)胞結(jié)構(gòu)成分、圖像的質(zhì)量達(dá)不到后期自動識別分析的要求等問題.為了提高線粒體自動識別的準(zhǔn)確度和降低線粒體自動識別的誤識率、誤拒率，必須先對線粒體電鏡圖像進(jìn)行增強處理，目的是突出圖像中的線粒體信息，抑制非線粒體信息，從而便于計算機(jī)對圖像進(jìn)一步分析，準(zhǔn)確識別出線粒體輪廓，為最終實現(xiàn)線粒體電鏡圖像的計算機(jī)自動識別軟件的開發(fā)打下基礎(chǔ).換句話說，設(shè)計合適的圖像增強處理算法，是完成對線粒體電鏡圖像進(jìn)行有效的線粒體輪廓自動識別的一個重要環(huán)節(jié).

而隨著圖像采集和處理方法的進(jìn)步，前人已研究和提出了針對各種不同特性的圖像的增強技術(shù).目前，常用的增強技術(shù)根據(jù)其所進(jìn)行處理的空間的不同，可分為基于空域的方法和基于變換域的方法［4－6］.基于空域的增強方法常用的有灰度映射、直方圖變換、空域濾波等；基于變換域的方法最主要的是頻域濾波.但是任何一種圖像增強算法僅能對某些類型圖像有效，因此，這些增強算法無法實現(xiàn)通用性.采用現(xiàn)有的增強算法對線粒體電鏡圖像進(jìn)行處理，雖然其中的大多數(shù)算法對線粒體電鏡圖像有一定的增強效果，但是這些增強結(jié)果還無法滿足后續(xù)線粒體邊緣識別的準(zhǔn)確度要求.為此，特設(shè)計了一種圖像增強算法，對原始電鏡圖像進(jìn)行充分去噪、平滑，并將圖像初步識別為線粒體區(qū)域和非線粒體區(qū)域，再對全圖進(jìn)行二值化劃分，以使得到的二值圖符合線粒體電鏡圖像邊緣識別要求.

1 線粒體圖像二值化增強算法的設(shè)計

1.1 步驟一

提取原始圖像邊緣信息，初步二值化.

原始圖像中，所有像素點可以被劃歸為線粒體或非線粒體成分的邊緣點和內(nèi)部點.這里非線粒體成分包含粗面內(nèi)質(zhì)網(wǎng)、糖原、溶酶體、脂滴以及圖像噪聲.我們將構(gòu)成原始電鏡圖像的線粒體和非線粒體成分稱為圖像中的對象.經(jīng)觀察，所有位于對象內(nèi)部的像素點具有共同特征：同一對象的內(nèi)部像素點的灰度值的差值，明顯小于該對象的邊緣像素點與內(nèi)部像素點的灰度值的差值.基于這一特征，我們可以設(shè)計一種邊緣像素點與內(nèi)部像素點的分類器，將判定為對象內(nèi)部區(qū)域的像素點用黑色表示，將判定為對象邊緣區(qū)域的像素點用白色表示.分類器模板如圖1所示.

圖1 分類器模板

該分類器的基本工作原理是：將模板依次移動到除圖像最外一圈的所有像素點，將模板中心位置0對齊待判定的像素點，用模板外圈位置1到位置8的像素點的灰度值分別減去中心像素點的灰度值，統(tǒng)計得到8個差值中絕對值小于給定閾值的個數(shù).根據(jù)得到的統(tǒng)計個數(shù)，判定模板中心像素點是位于對象的邊緣區(qū)域還是內(nèi)部區(qū)域.根據(jù)對多幅不同的線粒體電鏡圖像進(jìn)行測試的結(jié)果，算法所采用的給定閾值確定為20.所有被檢測的像素點的統(tǒng)計結(jié)果的集合為｛0，1，2，3，4，5，6，7，8｝，用柱狀圖表示統(tǒng)計結(jié)果，如圖2所示.從圖2可見，統(tǒng)計圖呈三峰狀態(tài)，兩個谷底位于區(qū)間［2，3］和區(qū)間［6，7］處，故設(shè)置分類界限的最小值為3、最大值為6.若統(tǒng)計的個數(shù)小于最小值3，則模板中心對應(yīng)像素點為內(nèi)部像素點的概率極大，該位置設(shè)置為黑色；若統(tǒng)計的個數(shù)大于最大值6，則模板中心對應(yīng)像素點為噪聲像素點的概率極大，為了進(jìn)行去噪處理，該位置也設(shè)置為黑色；若統(tǒng)計的個數(shù)為其他值，則模板中心對應(yīng)像素點為邊緣像素點的概率極大，該位置設(shè)置為白色.

圖2 統(tǒng)計結(jié)果分布柱狀圖

用g（x，y）表示初步二值化處理后的圖像，s（x，y）表示模板中心像素點與模板外圈8個像素點的灰度值差值的絕對值小于給定的閾值的個數(shù)，計算公式為：

圖3所示是采用本算法對一幅原始的線粒體電鏡圖像進(jìn)行二值化增強的處理過程示意圖.

圖3 線粒體電鏡圖像生成二值化增強圖的過程

圖3（a）是一幅原始的線粒體電鏡圖像，對圖3（a）分類操作后的結(jié)果如圖3（b）所示.初步二值化后，絕大部分線粒體和非線粒成分的邊緣區(qū)域像素點以白色顯示居多，而內(nèi)部區(qū)域像素點以黑色顯示為主，說明噪聲得到部分消除.

1.2 步驟二

對原始圖像和步驟一所得的初步二值化圖分別采用圖4、圖5所示的模板進(jìn)行均值化平滑操作，再以一定規(guī)則進(jìn)行疊加，得到一種既抑制了部分噪聲又具有一定程度銳化的增強效果.

原始圖像采用的均值模板中心像素點權(quán)值為0，這樣可有效去除奇異噪聲點的影響.初步二值化圖采用的均值模板中心像素點的灰度值權(quán)值為4，這樣可有效增強線粒體內(nèi)部區(qū)域與其他區(qū)域的對比度.

用I（x，y）表示原始圖像，J（x，y）表示初步二值化處理后的圖像，K（x，y）表示步驟二得到的疊加圖，s u mI表示像素點I（i，j）的八鄰域像素點的灰度值的和，s u mJ表示像素點J（i，j）的八鄰域像素點的灰度值的和，則K（x，y）可用公式表示為：

操作結(jié)果如圖3（c）所示.圖3（c）中大多數(shù)噪聲得到了有效弱化，多數(shù)線粒體內(nèi)部區(qū)域與外部區(qū)域顏色的差值明顯擴(kuò)大.但該步驟操作仍存在不足，即部分非線粒體成分所占區(qū)域也被誤作為線粒體內(nèi)部區(qū)域而得到了增強.

1.3 步驟三

對上一步操作結(jié)果進(jìn)一步平滑去噪.

該步驟的平滑去噪思想是：設(shè)計一種求取均值的平滑模板，利用該模板依次經(jīng)過圖像允許計算的像素點，將模板中心對準(zhǔn)每個像素點，依據(jù)模板所示位置的像素點的灰度值，計算模板中心對應(yīng)像素點的灰度值均值，檢查該灰度值均值是否大于給定閾值.若灰度值均值大于給定閾值，則在本步驟輸出圖中，將該平均值作為模板所對應(yīng)的中心位置的像素點的灰度值，否則保留步驟二所得的像素點的灰度值.

為了以更全面的視角對像素點進(jìn)行平滑去噪，我們設(shè)計的平滑模板是選取與中心像素點的距離為d的8個像素點作為平滑參照像素點.經(jīng)多次測試，選取d值為5.若d值過大，則處理后的圖像會丟失過多有效信息；若d值過小，則去噪效果有限.設(shè)計模板如圖6所示，其中中心黑色區(qū)域為模板基準(zhǔn)像素點，四周8個灰色區(qū)域位置是距離d＝5的平滑參照像素點.利用該模板可進(jìn)一步降低噪聲對圖像信息讀取的影響.

圖6 距離d＝5的平滑模板

利用d＝5的平滑模板的周圍8個像素點的灰度值計算灰度值均值.若該值大于給定閾值，則該像素點目前為噪聲點的可能性大，將輸出圖中模板中心對應(yīng)位置的像素點的灰度值設(shè)置為計算所得的灰度值均值，以進(jìn)行去噪操作；否則還是輸出本步驟的輸入圖的對應(yīng)像素點的灰度值，這樣可以保留盡可能多的原圖有用信息.經(jīng)多次測試，當(dāng)給定閾值設(shè)置為40時，輸出圖可實現(xiàn)較為理想的平滑去噪效果.灰度值均值a v e的計算公式如下：

用K（x，y）表示經(jīng)過步驟二處理后的圖像中像素點（x，y）的灰度值，G（x，y）表示經(jīng)過本步驟處理后的輸出圖像中像素點（x，y）的灰度值，δ表示給定閾值，則G（x，y）可用公式表示為：

操作結(jié)果如圖3（d）所示.圖3（d）中有用信息區(qū)域內(nèi)部的像素點之間的灰度值差異比圖3（c）進(jìn)一步縮小了，而非有用信息區(qū)域的像素點的灰度值差異也進(jìn)一步縮小了.這樣使得得到的圖3（d）中的所有像素點的灰度值更趨于向兩個灰度等級區(qū)間集中，圖3（d）中的噪聲也進(jìn)一步減少了.

1.4 步驟四

將給定閾值δ設(shè)置為20，重復(fù)步驟三操作，進(jìn)行二次去噪平滑.

該步驟進(jìn)一步增強了步驟三的效果.其效果如圖3（e）所示.

在步驟三和步驟四中，由于使用的平滑模板的距離設(shè)置為d，所以位于圖像外圍d圈的像素點無法完成模板取均值操作，這些像素點在最終完成圖中必須予以裁剪刪除.刪除這些有限的外圈區(qū)域像素點，不會對最終求取線粒體定量分析參數(shù)造成誤差.

1.5 步驟五

對圖像進(jìn)行裁邊，并進(jìn)行二值化處理.

在本步驟中，在最終的輸出圖中必須對位于外圍d圈的像素點予以裁剪去除.另外，由于電鏡原始圖像的最左側(cè)有較大面積的圖像標(biāo)題和用于標(biāo)示說明的矩形區(qū)域，該區(qū)域完全遮擋了底部圖像，因此圖像的最左側(cè)較寬區(qū)域也必須予以裁剪.否則這塊區(qū)域若計入最后的數(shù)據(jù)統(tǒng)計，將對線粒體的體密度、面密度和數(shù)密度的計算結(jié)果帶來較大誤差.為此，我們將除外圈和左側(cè)無效區(qū)域外的其他像素點讀出，作為輸出圖像對應(yīng)位置的判定像素點.

采用二值化判定方法，首先要計算所有有效像素點的總平均灰度值a v e HD，然后按照均值濾波器模板計算對應(yīng)點的平均灰度值a v e G，再將a v e G與被修正處理后的總平均灰度值a v e HD進(jìn)行比較.若前者小，則該點輸出0，否則，輸出255，這樣就實現(xiàn)了圖像的二值化處理.對總平均灰度值的修正處理，是將計算出的總平均灰度值減去給定的修正值，經(jīng)實驗效果比較，該修正值取8，這樣可以獲得相對理想的二值化效果圖，如圖3（f）所示.

用G（x，y）表示經(jīng)過步驟四處理后的圖像，G B（x，y）表示經(jīng)過本步驟處理后輸出的二值化圖像，λ表示給定的修正值，則G B（x，y）可用公式表示為：

2 實驗結(jié)果比較

在M a t l a b中，利用經(jīng)典算子對同一電鏡圖片進(jìn)行二值化實驗，實驗結(jié)果如圖7所示.

圖7 經(jīng)典算子二值化線粒體電鏡圖片的效果圖

對同一電鏡圖片分別利用本文設(shè)計的二值化算法和其他經(jīng)典算子進(jìn)行處理，對比實驗結(jié)果可知，本文設(shè)計的二值化增強算法可實現(xiàn)初步劃分線粒體區(qū)域和非線粒體區(qū)域，這有利于下一步對線粒體邊緣的檢測，同時也對下一步計算線粒體的體密度、面密度、平均體積及平均表面積極為有利.而經(jīng)典算子產(chǎn)生的二值化圖主要依據(jù)以某種評價函數(shù)對相鄰像素點的灰度突變程度予以評價，從而將像素點灰度值劃歸2個值域.因而經(jīng)典算子對線粒體電鏡圖像的處理未能實現(xiàn)有效區(qū)分線粒體區(qū)域和非線粒體區(qū)域，產(chǎn)生的線條也不是單純的線粒體邊緣，而是含有了大量偽邊緣和噪聲點.可見，無法利用經(jīng)典算子的處理結(jié)果進(jìn)一步得到有效的線粒體邊緣和線粒體區(qū)域.因此，對線粒體電鏡圖片的二值化增強處理，本文設(shè)計的二值化增強效果明顯優(yōu)于經(jīng)典算子.

3 結(jié) 語

從實驗結(jié)果可知，本文設(shè)計的二值化算法產(chǎn)生的最終二值化增強圖中已將所有線粒體的區(qū)域大部分設(shè)置為黑色，非線粒體區(qū)域大部分被設(shè)置為白色，二值化增強的結(jié)果基本符合后續(xù)線粒體輪廓識別需要.但是原始圖像中有些模糊或灰度值與鄰域像素點的灰度值差距不大的小部分非線粒體區(qū)域的像素點也被處理成了黑色，這需要在后續(xù)邊緣識別算法中予以甄別去除.此外，二值化增強后的線粒體輪廓存在“鋸齒”，需要在邊緣識別過程中予以消除.

［1］ 吳正蓉，申洪.大腸腫瘤組織線粒體形態(tài)結(jié)構(gòu)定量研究［J］.世界華人消化雜志，2003，11（9）：1372－1374.

［2］ 鄭富盛.細(xì)胞形態(tài)立體計量學(xué)［M］.北京：北京醫(yī)科大學(xué)／中國協(xié)和醫(yī)科大學(xué)聯(lián)合出版社，1990：6－42.

［3］ Martinelli C，Sartori P，Ledda M，et al.A Study of Mitochondria in Spinal Ganglion Neurons during Life：Quantitative Changes from Youth to Extremely Advanced Age［J］.Tissue and Cell，2006（38）：93－98.

［4］ 章毓晉.圖像處理和分析教程［M］.北京：人民郵電出版社，2009：43－64.

［5］ 張德豐.數(shù)字圖像處理（MATLAB版）［M］.北京：人民郵電出版社，2009：221－295.

［6］ Rapha?l Marée，Pierre Geurts，Justus Piater，et al.Biomedical Image Classication with Random Subwindows and Decision Trees［J］.Lecture Notes in Computer Science，2005，3765：220－229.

Research of the Two－value Enhancement Algorithm of Mitochondrial Electron Microscope Image

LIN Xu－yun，HUANG Kun
（Fujian Jiangxia University，F(xiàn)uzhou 350108，China）

In this paper，a two－value enhancement algorithm is proposed.First，the classifier is designed to get initial binarization.Secondly，the original image and the binary image are overlaid to obtain the smooth，de－noising and sharpening effect according to certain rules.Thirdly，a mean template is designed to get further smooth and de－noising.At last，the edge of the image is cut and the binary result of discrimination by designed rules is output.The experiment results show that：the designed enhancement algorithm in the paper is an effective composite image enhancement algorithm to the mitochondrial electron microscope image.It can remove the image noise and other non－mitochondrial components adequately.Thus it can radically improve the accuracy of edge detection recognition to mitochondrial electron microscope image.

binarization；image enhancement；algorithm；mitochondria

TP 391

A

10.3969／j.issn.1671－6906.2012.02.008

1671－6906（2012）02－0036－05

2012－02－24

福建省教育廳B類科技項目（J B 1119 0）

林旭云（1977－），女，福建南平人，講師，碩士.