尿沉渣有形成分優(yōu)化分割技術(shù)研究及應(yīng)用

劉玉成，張穎超

(1.南京財經(jīng)大學(xué) 國家級實驗教學(xué)中心，江蘇 南京 210003；2.南京信息工程大學(xué) 信息與控制學(xué)院，江蘇 南京 210044)

尿沉渣有形成分優(yōu)化分割技術(shù)研究及應(yīng)用

劉玉成1，張穎超2

(1.南京財經(jīng)大學(xué) 國家級實驗教學(xué)中心，江蘇 南京 210003；2.南京信息工程大學(xué) 信息與控制學(xué)院，江蘇 南京 210044)

由于現(xiàn)有尿沉渣處理技術(shù)存在不足，加上尿沉渣空間環(huán)境中細(xì)胞圖像中聚堆、粘連等類似融合特點(diǎn)和采集過程中受光源等環(huán)境的影響，細(xì)胞彩色圖像的采集經(jīng)常會發(fā)生彩色偏移問題，再加上圖像背景本身的復(fù)雜性，使得對尿沉渣中有形成分的分割和處理非常困難。為改變傳統(tǒng)細(xì)胞圖像分割和處理方法的不足，提出一種改進(jìn)型的色度學(xué)的圖像處理方法，使得分割和處理結(jié)果更理想，性能更穩(wěn)定。其核心系統(tǒng)采用白平衡算法，針對因外部光線所造成的誤差進(jìn)行校正，從而解決了由光照引起的圖像彩色偏移等問題，然后利用改進(jìn)型RGB向量空間分割法對過程圖像進(jìn)行處理，最后在復(fù)雜的背景中將尿沉渣有形成分分割出來，進(jìn)而得到理想的實驗結(jié)果，滿足醫(yī)學(xué)研究中檢測分類的要求。

色度學(xué)；馬氏距離；特征提?。幌蛄靠臻g法

0 引言

隨著計算機(jī)圖像處理(Image Processing)與分析技術(shù)的發(fā)展，其在醫(yī)學(xué)臨床診斷(Clinical Diagnosis)和治療等領(lǐng)域的應(yīng)用逐漸深入。醫(yī)學(xué)尿沉渣有形成分分割方法的研究日臻完善，且在整個信息化圖像分析(Image Analysis)領(lǐng)域[1]中占據(jù)重要地位，這在醫(yī)學(xué)研究(Medical Research)和臨床診斷方面，尤其是在缺乏醫(yī)學(xué)專家對細(xì)胞圖像參與分割和臨床診斷的情況下，極為重要。由于眾多復(fù)雜的有形成分，加上尿沉渣有形成分自身因素，有時會出現(xiàn)多個重疊小區(qū)，它們相互作用和影響以聚合成某些較大的融合區(qū)(Fusion Zone)，被稱為圖形處理聚堆(Poly Heap)現(xiàn)象；另外，在尿沉渣細(xì)胞彩色圖像中，也有一些小區(qū)會出現(xiàn)重疊現(xiàn)象，為了不影響尿沉渣有形成分各元素的計算和參數(shù)測量，最有效的方法就是成功地將尿沉渣有形成分各元素(Unit)從重疊區(qū)域一一分割。

根據(jù)這些特點(diǎn)，以傳統(tǒng)形態(tài)學(xué)為特征向量的分類器已經(jīng)滿足不了這種復(fù)雜情況下的有形成分檢測。針對這一情況，本文將這些對應(yīng)圖像從色度學(xué)(Colorimetry)的角度進(jìn)行分析考量，目的是能夠根據(jù)統(tǒng)一標(biāo)準(zhǔn)的灰度值(Grayscale Value)將尿沉渣有形成分從復(fù)雜的空間環(huán)境中準(zhǔn)確分割出來，這就需要從R、G、B三色空間整體分布入手，精確定位和采集整體圖片中各個不同區(qū)域的R、G、B空間的顏色值(Color Values)，尋找它們的R、G、B分布差異。依據(jù)上述創(chuàng)新型的分割理論，本文創(chuàng)造性地提出改進(jìn)型(Modified)的色度學(xué)分割方法對細(xì)胞圖像進(jìn)行分割處理，最終得到了理想的實驗效果。

1 采集分析系統(tǒng)與核心算法

1.1 模型與原理

本文尿沉渣有效圖像的采集應(yīng)用了國內(nèi)外先進(jìn)的DJ 8300自動細(xì)胞有形成分的采集分析系統(tǒng)，針對其采集模塊的特征采集和機(jī)器學(xué)習(xí)的特點(diǎn)，采用了符合其特點(diǎn)模式的全監(jiān)督訓(xùn)練模式的模型，其流程如圖1所示。由于采集的細(xì)胞圖像中存在聚堆、粘連等問題，以及采集過程中受光源等環(huán)境的影響，圖像的采集經(jīng)常會發(fā)生彩色偏移，加上圖像空間信息背景的復(fù)雜性，使得對尿沉渣中有形成分的分割和處理較為困難。

因此，在尿沉渣圖像信息采集系統(tǒng)中，本文應(yīng)用Matlab7.0作為圖像預(yù)處理的輔助平臺，從R、G、B三色空間整體分布入手，設(shè)定統(tǒng)一標(biāo)準(zhǔn)的灰度值(Grayscale Value)，精確定位和采集整體圖片中各個不同區(qū)域的R、G、B空間的顏色值(Color Values)，在此基礎(chǔ)上采用一種改進(jìn)型色度學(xué)的圖像處理方法，使得分割和處理的結(jié)果更理想、性能更穩(wěn)定，從而很好地解決了這一問題。其中核心的分割和處理原理就是下文所架構(gòu)的改進(jìn)型白平衡算法。

圖1 DJ8300采集分析系統(tǒng)模型流程

1.2 白平衡及其算法

白平衡是一個用來調(diào)節(jié)圖片色彩特性(Color Characteristics)的一種算法，它廣泛應(yīng)用于現(xiàn)代攝像、圖像處理(Image Processing)、照相系統(tǒng)(Camera System)等領(lǐng)域。它與色彩科學(xué)(Color Science)知識解釋相通，白色是指反射到人眼中的光線由于藍(lán)、綠、紅3種色光比例相同且具有一定的亮度所形成的視覺反應(yīng)。赤、橙、黃、綠、青、藍(lán)、紫7種色光混合組成白色光，而這紅、綠、藍(lán)三原色按不同比例混合也能形成七色光，當(dāng)三原色在一種光線中的比例相同時，它被習(xí)慣地稱為消色，其所反射的光都是消色，情況包括：黑、白、灰、金和銀等。一般情況下，白色亮度被視作是不含有色彩。

人眼的固有模式看白色或其它物體顏色與對象本身、色溫的光源、物體的反射或透射特性、人的視覺傳感器(Vision Sensor)，以及許多其它因素有關(guān)。當(dāng)光線照射消色差顏色的物體時，物體反射光的顏色與入射光，也即紅燈與紅白色物體的顏色相同，同時照射到消色(Achromatic)物體時，如有兩個或更多的彩色光，對象的顏色是加深效果，如紅色和綠色同時照射到白色的對象上，則對象顯示黃色。當(dāng)彩色物體上照射彩色光時，對象會是減色效應(yīng)(Hypochromic Effect)；如黃色物體照射品紅光時，它就呈現(xiàn)紅色，黃色物體照射藍(lán)色光時，它就呈現(xiàn)綠色，黃色物體照射青色光時，它就呈現(xiàn)灰色或黑色。

從物理意義上來看，當(dāng)某種特定有色光線照射到普通物體時，則該特定光線的顏色就會產(chǎn)生，產(chǎn)生的過程一般需要一定的時間，之后就會感覺在人眼的視覺系統(tǒng)(Visual System)中呈現(xiàn)出來，其效果是使得被照物體呈現(xiàn)出某種特定的顏色。換言之，物體的反射特性和物體光線的顏色共同決定了被人眼觀測到的顏色；人眼可分辨的光變化所對應(yīng)的原始顏色，因為人眼具有獨(dú)特的適應(yīng)性，但是有時卻無法匹配可變化的色溫；例如，人在鎢絲燈下持續(xù)很長時間，你會覺得視覺上沒有感覺，如果把鎢絲燈突然改變成熒光燈的模式，你就會覺得原本白紙的顏色偏紅，不過這僅是一種感覺，人們一般只能持續(xù)一段時間。而相機(jī)不如人眼的適應(yīng)性那么強(qiáng)，所以如果相機(jī)色彩調(diào)整與場景中的照明色溫(Color Temperature)一致時，它將發(fā)生偏色現(xiàn)象。

為此，本文通過研究，采用了一種白平衡算法來修正這種色彩偏差的現(xiàn)象。具體分類如下：

(1)灰度法?；叶确?Grayscale Method)由Buchsbaum在20世紀(jì)80年代首先在圖形圖像處理應(yīng)用領(lǐng)域創(chuàng)建，其概念的外延非常寬泛，在不同的應(yīng)用方向，人們對其理解也不盡相同，因而灰色世界方法(Gray World Method)的概念時常可見。其具體算法中“灰色”的值為一個常數(shù)的必要條件需滿足：①相關(guān)圖片要達(dá)到應(yīng)用要求的色彩范圍(Color Range)；②在已知、經(jīng)典(Classic Source)光源下三原色顏色空間通道為均值的情況下才成立，通常其值為一個已知常數(shù)。光源信息在未知光源情況下，其信息量化數(shù)值的計算方式是通過其三原色顏色空間均值和已知灰色值(直方圖)統(tǒng)計計算得到。

“灰色”值(直方圖)的選定彈性較大，方法、版本很多，歷經(jīng)多次修正。起初，Buchsbaum有過多種設(shè)想，包括取每個通道MAX值的1/2到采用以圖片數(shù)據(jù)庫(Picture Database)為基礎(chǔ)的相關(guān)統(tǒng)計值等，都被先后作為“灰色”值。在這些眾多版本中，用對角變換矩陣的方法來解決復(fù)原問題是比較標(biāo)準(zhǔn)合理的方法，簡言之，每個像素為R、G、B的值由相應(yīng)的光轉(zhuǎn)換因子(Conversion Factor)相乘，該系數(shù)因子通常是一個常數(shù)。其假設(shè)的圖片中有足夠多的色彩空間、計算簡便且非常有效是灰度法最大的優(yōu)點(diǎn)。在許多情況下，彩色圖像的處理相對簡單，但有時灰度方式不僅不能改善畫面質(zhì)量，還會使得畫面質(zhì)量嚴(yán)重失真。

(2)色相關(guān)法。色相關(guān)法在系統(tǒng)識別模型中的一個重要作用是特征提取，其過程是產(chǎn)生特征矩陣，方法為離散化色彩空間(Color Space)，目的是給特征參數(shù)降低維度，便于數(shù)值運(yùn)算，從而改進(jìn)了透視色彩法的不足。

1985年，F(xiàn)inlayson提出將預(yù)先計算一個矩陣作為色相關(guān)法(Color Correlation Method)的基本思想，其相關(guān)度用光源與特定圖像色彩無關(guān)的對應(yīng)矩陣表示。不同的訓(xùn)練光源與該矩陣的每一行一一對應(yīng)起來，色彩值用矩陣的列來表達(dá)，離散化染色空間(r，g)產(chǎn)生一一對應(yīng)的色彩值。該方法的有效性不受行和列順序及排列位置影響。

為此，本文將矩陣數(shù)組如A(I,J)的概念描述為：若處于光源I下采集的圖像產(chǎn)生J的顏色值，數(shù)學(xué)表達(dá)式為A(I,J)。兩種定義矩陣元素A(I,J)的具體方法為：①A (I,J)取值為0或1；取0表示色彩J不可能出現(xiàn)在光源I之下，取1表示色彩J可能出現(xiàn)在光源I之下；②A(I,J)取值為0～1的任何一個值，代表色彩I出現(xiàn)在光源J之下的概率。

計算相關(guān)矩陣后取其值，然后使用類似方法對對象圖像的顏色空間進(jìn)行離散化(Discretization)，得到一個相關(guān)向量后，再用矩陣乘法得出與已知源的相關(guān)性，根據(jù)與每個圖像所對應(yīng)未知源的相互關(guān)聯(lián)性，選擇最大相關(guān)的或幾種已知、未知特征源中的一個來估計得到未知光源的特性。

(3)神經(jīng)網(wǎng)絡(luò)法。神經(jīng)網(wǎng)絡(luò)法[2-3]是白平衡算法的一種，處理視角比較獨(dú)特是其特征之一。這種方法的主要過程首先是離散化染色(Color Space)空間(r，g)，實質(zhì)就是給特征參數(shù)降低維度(Dimensions)，便于數(shù)值運(yùn)算，然后對接相應(yīng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)方法。本文針對該識別系統(tǒng)的特點(diǎn)，所提出的神經(jīng)網(wǎng)絡(luò)(Neural Networks)白平衡算法使用了3層結(jié)構(gòu)網(wǎng)絡(luò)，輸入層有12個節(jié)點(diǎn)，第一個隱藏層有M個節(jié)點(diǎn)，第二個隱藏層有N個節(jié)點(diǎn)，輸出層有6個節(jié)點(diǎn)；輸入層代表離散化的染色空間(r，g)，每一個節(jié)點(diǎn)的輸入可取0或1，表示某個色彩值(ri，gi)是否在圖像中出現(xiàn)，輸出層表征了光源特性；上層為下層數(shù)值的加權(quán)之和。通過輸入不同的圖片，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的不同權(quán)值，從而獲得滿意的結(jié)果。

一般而言，結(jié)晶圖像在采集過程中經(jīng)常會遇到R、G、B空間顏色值失真的情況。本文采用白平衡算法，目的是去除色度(Chroma)對圖像采集的干擾，將產(chǎn)生顏色偏差的圖片恢復(fù)到經(jīng)典光源照射下的標(biāo)準(zhǔn)色彩(Standard Color)。所謂的經(jīng)典光源(Classic Source)就是自然光下的細(xì)胞圖像。結(jié)晶圖像在采集過程中遇到R、G、B空間顏色值失真情況下的偏色圖像與經(jīng)典光源之下的自然光圖像，如圖2 (a)、(b)所示。

圖2 偏色圖像

2 顏色特征提取

采集系統(tǒng)在進(jìn)行去光照的白平衡算法處理后，對細(xì)胞圖像進(jìn)行顏色特征(Color Feature)提取，細(xì)胞顏色是反映細(xì)胞種類的重要指標(biāo)之一。本文根據(jù)該系統(tǒng)中的顏色特點(diǎn)，采用RGB向量空間[4]顏色模型的方法來對細(xì)胞顏色進(jìn)行分析和研究。系統(tǒng)對每種成分均提取它們的R (RED)、G(GREEN)、B(BLUE)3個顏色特征值，這3個特征值是各種成分所有像素點(diǎn)的R、G、B的平均值。這對后續(xù)細(xì)胞成分的分割起到了重要作用，尤其是在后期的訓(xùn)練和識別過程中，其作為神經(jīng)網(wǎng)絡(luò)的重要特征參數(shù)，直接助力了細(xì)胞成分的精確識別。

3 色度學(xué)對圖像成分的初步分割

3.1 細(xì)胞彩色圖像色度學(xué)分割

其概念[5]的標(biāo)準(zhǔn)定義可結(jié)合分割過程中的要求、規(guī)則和功能等來理解，具體分割過程為：

(1)將一幅彩色圖像依據(jù)彩色圖像特有的色彩規(guī)則(Color Rules)分割成多個不同的區(qū)域。這些多個區(qū)域元素的整體數(shù)量、成型規(guī)則(Forming Rule)等都必須符合色度學(xué)的分割特定要求，比如區(qū)域的特殊性意義，所謂特殊性，主要是指符合識別系統(tǒng)模型中前期的色度學(xué)分割所必需的局部圖片特性；再如，特定區(qū)域的一致性要求，該一致性是指局部獨(dú)立的區(qū)域之間相互不重疊，從而符合前期的色度學(xué)分割。

(2)依據(jù)色度學(xué)分割完成之后的訓(xùn)練和學(xué)習(xí)要求特點(diǎn)，前瞻性地選取符合具體細(xì)化分割的顏色組合(Color Combinations)。需要說明的是，單個顏色參數(shù)在模型之間可以相互轉(zhuǎn)化，但是具體顏色組合而成的對應(yīng)功能是很難相互替代的，這也是上述過程中前瞻性地選取恰當(dāng)顏色組合的原因之一。針對各種細(xì)胞有形成分的分割，選擇一個適合于系統(tǒng)特點(diǎn)的色彩特征集(Feature Set)，這對于后期的訓(xùn)練與識別非常有用。根據(jù)圖像處理和模式識別對目標(biāo)圖像的特點(diǎn)要求，彩色圖像能相比灰度圖像(Grayscale Image)在不同的環(huán)節(jié)有著不同的作用和特點(diǎn)，其重要性也不盡相同，單從信息量來看，前者的標(biāo)準(zhǔn)量就要遠(yuǎn)大于后者。因此，前者在醫(yī)學(xué)領(lǐng)域(Medical Field)的普遍應(yīng)用也更多地被采納。當(dāng)然，兩者之間的相互轉(zhuǎn)化也不難實現(xiàn)。

本文采集的是尿沉渣彩色圖像，根據(jù)不同的顏色空間特征參數(shù)進(jìn)行區(qū)分和分割[6]。在分析各成分及數(shù)據(jù)時可以發(fā)現(xiàn)，各種細(xì)胞和有形成分在R、G、B的3個顏色空間都有交叉區(qū)，并且對于不同的圖像，由于尿沉渣的各種有形成分在不同環(huán)境光照下采集的顏色空間(Color Space)所對應(yīng)的參數(shù)標(biāo)準(zhǔn)不一致，導(dǎo)致其不易簡單分割。因此，從這個角度而言，采用單一的色度學(xué)顏色空間(Color Space)來分割尿沉渣細(xì)胞和復(fù)雜的有形成分十分不易且效果不佳；并且，源于眾多復(fù)雜的有形成分，加上尿沉渣有形成分自身原因，有時會出現(xiàn)多個重疊小區(qū)(Overlapping Cells)，它們相互作用和影響以聚合成某些較大的融合區(qū)(Fusion Zone)，被稱為圖形處理聚堆(Poly Heap)現(xiàn)象；此外，在尿沉渣有形成分彩色圖像中，也有一些小區(qū)會出現(xiàn)重疊現(xiàn)象，為了不影響尿沉渣有形成分各元素的計算和參數(shù)測量，最有效的方法就是成功地將尿沉渣有形成分各元素(Unit)從重疊區(qū)域一一分割，而單用傳統(tǒng)的方法來處理和分割來自各種尿沉渣有效成分對應(yīng)的圖像將會變得相當(dāng)困難。

根據(jù)上述情況和特點(diǎn)，本文創(chuàng)造性地提出從改進(jìn)型色度學(xué)分割的角度來考慮細(xì)胞有形成分的處理，分析不同區(qū)域在R、G、B三色向量空間的顏色值(Color Values)，以獲得各種細(xì)胞和復(fù)雜成分在R、G、B三色向量空間中的分布概況，查找分析它們其中的R、G、B分布差異；并應(yīng)用專業(yè)仿真軟件Matlab7.0，針對在DJ8300超級分析儀中采集的各種尿沉渣有形成分的圖像檢測(Detect)顏色的像素值(Pixel Values)。根據(jù)上述理論，可以提出以下色度學(xué)分割準(zhǔn)則[8-9](Colorimetry Guidelines)，以分類處理各種尿沉渣有形成分的圖像。Matlab仿真處理過程如下：

(1)正向掃描整幅圖像，將每個像素的R分量減去B分量，根據(jù)其差值將像素分為兩大類：(R-B)>=M類和(R-B)<-M類。

(2)在(R-B)>=M類中，凡是(R-B)>=M的像素令其保留原先的顏色值，而(R-B)

(3)在(R-B)<-M類中，凡是(R-B)<-M的像素令其保留原先的顏色值，而(R-B)>=-M的像素則令其為黑色，這樣得出的圖像除去了一般細(xì)胞，突顯指定細(xì)胞區(qū)。(M為不同的自然數(shù))

根據(jù)Matlab7.0仿真處理結(jié)果，采用色度分割準(zhǔn)則(Chroma Guidelines)處理尿沉渣有形成分圖像取得了一定的分割效果，它能在沒有醫(yī)學(xué)專家的參與下，自動粗略地分割文中DJ8300超級分析儀采集的尿沉渣中的有形成分，且可以在系統(tǒng)平臺上采集原始的尿沉渣彩色圖像中提取出新的圖像。從仿真實驗的數(shù)據(jù)中可發(fā)現(xiàn)如下圖像問題：①粗分割的細(xì)胞圖像受噪聲影響較大，各種因素產(chǎn)生的干擾較多；②尿沉渣有形成分圖像不清晰，主要原因通常是染色因素導(dǎo)致的顏色值不一致；③尿沉渣有形成分中聚堆現(xiàn)象的干擾，導(dǎo)致識別部分有形成分的準(zhǔn)確率下降；④細(xì)胞粘連造成細(xì)胞核識別率降低；⑤在尿沉渣的白細(xì)胞圖像中，存在少量類似上皮細(xì)胞成分和少許其它雜質(zhì)區(qū)域等問題。 為了使圖像更清晰，視覺效果更好，要對提取出來的細(xì)胞圖像進(jìn)行平滑濾波(Smoothing)處理，從而達(dá)到更好的分割效果。

3.2 RGB向量空間中的圖像分割

本系統(tǒng)將一張完整的含有各種有形成分的尿沉渣圖像分割成若干個局部區(qū)域。使用R、G、B彩色向量進(jìn)行彩色區(qū)域分割的方法很簡單也很實用，它是一種十分重要的改進(jìn)型應(yīng)用方法，其標(biāo)準(zhǔn)的分割方法和原始模型源自于岡薩雷斯先生的數(shù)字圖像處理技術(shù)，目前已發(fā)展得非常成熟和穩(wěn)定，并在相關(guān)領(lǐng)域被大力推廣。本文旨在R、G、B圖像中分割一個特定的彩色細(xì)胞或尿沉渣有形成分，給定一組指定的彩色(或彩色范圍)描述的彩色樣本點(diǎn)[10-11]，系統(tǒng)可根據(jù)這一彩色樣本點(diǎn)所對應(yīng)的一組R、G、B顏色空間向量值，來獲得一個“平均”的顏色(Average Color)估計，它是文中期望被分割的某種顏色有形成分，通?？梢宰屵@種平均色用R、G、B顏色空間向量的列向量m來定義。

依據(jù)本系統(tǒng)所構(gòu)建的改進(jìn)型色度學(xué)分割方法模型中的理念，其具體分割的目的是對尿沉渣圖像中的每一個R、G、B像素進(jìn)行分類，使其在指定的范圍內(nèi)有一種顏色或沒有顏色，為順利達(dá)成這一目的，系統(tǒng)設(shè)定了一個相似性度量，最簡單的度量之一是歐幾里得距離，令z表示RGB空間的任意點(diǎn)，若z和m之間的距離小于指定的閾值T，則可以說z相似于m。m和z之間的歐幾里得距離[12-13]由下式給出：

(1)

其中，‖·‖是參數(shù)的范數(shù)，下標(biāo)R、G和B表示向量m和z的RGB分量。D(z,m)≤T的點(diǎn)的軌跡是一個半徑為T的實心球體，如圖3(a)所示。由定義可知，包含在球體內(nèi)部或表面的點(diǎn)滿足特定的彩色準(zhǔn)則，而球體外邊的點(diǎn)則不滿足。在圖像中對這兩組點(diǎn)編碼，如黑的和白的，產(chǎn)生一幅二值分割圖像。前述方程的一個有用歸納是距離：

(2)

其中，C表示要分割的彩色樣值表示的協(xié)方差矩陣。該距離成為Mahalanobis距離，D(z,m)≤T的點(diǎn)的軌跡描述了一個實心三維橢圓體[14]，如圖3(b)所示，其重要屬性是其主軸取在最大的數(shù)據(jù)擴(kuò)展方向上。當(dāng)C等于單位矩陣I時，Mahalanobis距離約簡為歐幾里得距離。除了數(shù)據(jù)包含在橢球體內(nèi)而不是包含在圓球體內(nèi)之外，分割與前段描述過的相同。

圖3 RGB向量空間聚合數(shù)據(jù)的兩種方法

在上述采用的類似實心球體軌跡法和實心三維橢圓體法的模型下，系統(tǒng)函數(shù)COLORSEG可在Matlab 7.0仿真軟件的環(huán)境下實現(xiàn)對尿沉渣有形成分的有效分割，具體函數(shù)實現(xiàn)的程序代碼如下：

S=Colorseg；

%調(diào)用Matlab語言中的分割實現(xiàn)函數(shù)，模擬實心球體軌跡法和實心三維橢圓體法來實現(xiàn)尿沉渣有形成分的分割；% method表示方法，f表示RGB圖像，T 表示閥值，parameters表示參數(shù)。

在Matlab7.0仿真軟件的分割函數(shù)中method(方法)的選擇一般可以有兩種：第一種為“euclidean”，第二種為“mahalanobis”。f是分割的RGB尿沉渣有形成分圖像，T 是前邊描述過的閾值。若選擇“euclidean”，則輸入?yún)?shù)是m，若選擇“mahalanobis”，則輸入?yún)?shù)是m和C。parameters(參數(shù))m是RGB向量空間中Mahalanobis距離或者歐幾里得距離運(yùn)算過程中所需向量之一，其選擇形式一般也可以有兩種：第一種為：“行”，第二種為：“列”，兩者的選擇項可根據(jù)不同的距離計算對應(yīng)的自由選定。而parameters(參數(shù))C在RGB向量空間中Mahalanobis距離或者歐幾里得距離運(yùn)算過程中一般為三行三列的協(xié)方差矩陣(Covariance matrix)。

與此同時，分割函數(shù)COLORSEG所對應(yīng)的輸出值用S來表示，它一般表示為與尿沉渣中采集的源圖像所對應(yīng)的灰度圖像。按照Matlab軟件中圖像處理算法對于灰度圖像的處理規(guī)則，當(dāng)T=0時，對應(yīng)部分的區(qū)域作為背景圖像被系統(tǒng)保存；而當(dāng)T=1時，對應(yīng)部分的區(qū)域作為目標(biāo)圖像就被系統(tǒng)從源圖像(Source image)中分割出來。被分割的二值化圖像區(qū)域在Matlab軟件圖像處理的數(shù)值計算界面能非常直觀地得到顯示，整個圖像中顯示出來的不同區(qū)域分別用0和1來表示。

通過上述方法，該系統(tǒng)有效地將各種細(xì)胞成分從背景圖像中分割了出來，這在該系統(tǒng)的實驗結(jié)果與研究數(shù)據(jù)中得到了充分說明，分割效果非常理想。

4 實驗結(jié)果與結(jié)論

本文通過仿真實驗，將其與傳統(tǒng)分割方法的準(zhǔn)確率數(shù)據(jù)對比可見，改進(jìn)后的尿沉渣細(xì)胞彩色圖像的色度學(xué)分割方法對尿沉渣細(xì)胞及其它有形成分的分割準(zhǔn)確率均得到了明顯提高[15]，這在實驗的數(shù)據(jù)結(jié)果中可以得到充分驗證。具體結(jié)果如表1所示。

表1 尿沉渣成分實驗結(jié)果 單位(%)

針對尿沉渣有形成分圖像的特點(diǎn)，考慮到其采集過程中受光照影響，本文采用改進(jìn)型R、G、B向量空間的細(xì)胞彩色圖像的色度學(xué)分割法，不但解決了醫(yī)學(xué)細(xì)胞圖像因光線差異引起的誤差，達(dá)到了圖像色度學(xué)分割在醫(yī)學(xué)領(lǐng)域的應(yīng)用要求，而且能夠在受光照影響的情況下更準(zhǔn)確地分割各種尿沉渣中的有形成份，從而有效地對它們進(jìn)行醫(yī)學(xué)分類。

[1] 劉玉成.基于色度學(xué)和形態(tài)學(xué)相結(jié)合的圖像處理與識別技術(shù)研究[D].南京:南京信息工程大學(xué)，2009.

[2] 嚴(yán)世珺.數(shù)字圖像白平衡處理算法研究與改進(jìn)[D].上海:上海交通大學(xué),2007.

[3] 李陽.自動白平衡算法的改進(jìn)與實現(xiàn)[D].西安:西安電子科技大學(xué),2010.

[4] RAFAEL C,GONZALEZ RICHARD E,WOODS STEVEN L EDDINS.數(shù)字圖像處理(Matlab)[M].北京：電子工業(yè)出版社，2005.

[5] MIEHAEL BRADY.Computational approaehes to image understandin[J].ACM Computing Surveys,2012,14(1):3-71.

[6] 胡小鋒,趙輝.圖像處理與識別實用案例精選[M].北京：人民郵電出版社，2004.

[7] 楊榕.基于圖像處理技術(shù)的浮生物自動分類研究[J].計算機(jī)仿真，2006(5)：167-170.

[8] 羅軍輝，馮平.MATLAB7.0在圖像處理中的應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2005.

[9] 傅蓉.細(xì)胞重疊與融合性圖像的分離與分割技術(shù)研究[D].廣州：第一軍醫(yī)大學(xué)，2007.

[10] 岡薩雷斯.數(shù)字圖像處理[M].北京：電子工業(yè)出版社，2005.

[11] 張波.基于數(shù)字圖像技術(shù)的巖石邊坡失穩(wěn)災(zāi)害監(jiān)測預(yù)報的開發(fā)研究[D].鄭州：鄭州大學(xué),2007.

[12] 陳志國,須文波.機(jī)器視覺智能機(jī)器人無損檢測系統(tǒng)[J].計算機(jī)工程與應(yīng)用,2009(14):12-14.

[13] 田銳,郭艷玲.基于機(jī)器視覺的葡萄自動識別技術(shù)[J].東北林業(yè)大學(xué)學(xué)報,2008(11):95-97.

[14] 韓媞.森林防火系統(tǒng)中圖像識別算法的研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2008.

[15] FUNT B,BERNARD K,MARTIN L.Is machine colour constancy good enough[C].Proceedings of the 5th European Conference on Computer,Vision.Freiburg,2014:445-459.

(責(zé)任編輯：孫 娟)

江蘇省“六大人才高峰”項目(2106-A-027)；江蘇省高校自然科學(xué)基金項目(12016KJD520122)

劉玉成(1980-)，男，江蘇鎮(zhèn)江人，碩士，南京財經(jīng)大學(xué)國家級實驗教學(xué)中心實驗師，研究方向為計算機(jī)應(yīng)用；張穎超(1960-)，男，江蘇徐州人，南京信息工程大學(xué)信息與控制學(xué)院教授、博士生導(dǎo)師，研究方向為系統(tǒng)控制和仿真、網(wǎng)絡(luò)控制技術(shù)。

10.11907/rjdk.162393

TP319

A

1672-7800(2017)003-0110-05