一種紅細(xì)胞邊緣檢測(cè)算法的研究

鐘彩　彭春富　杜微　楊興耀

摘要：近年來(lái)，計(jì)算機(jī)技術(shù)得以迅猛發(fā)展，在細(xì)胞病理檢測(cè)中，模式識(shí)別及圖像處理技術(shù)被大范圍的應(yīng)用，已成為現(xiàn)代醫(yī)學(xué)和分子生物技術(shù)新的科研方向。

關(guān)鍵詞：紅細(xì)胞;邊緣檢測(cè);噪聲點(diǎn);圖像處理技術(shù)

中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）02-0208-02

實(shí)踐表現(xiàn)，圖像預(yù)處理技術(shù)在多個(gè)領(lǐng)域均有涉及，依據(jù)需求的不同，要求預(yù)處理需對(duì)圖像個(gè)體性特征予以凸顯，處理方法也存在明顯差別，細(xì)胞圖像預(yù)處理以增強(qiáng)和去噪處理為主要工作內(nèi)容，圖像預(yù)處理結(jié)果如何，可對(duì)細(xì)胞檢測(cè)準(zhǔn)確率造成嚴(yán)重影響。所獲取的紅細(xì)胞圖像，因采集角度、視覺(jué)有所不同，有細(xì)胞模糊的情況存在，在處理呈模糊狀態(tài)的紅細(xì)胞圖像時(shí)，可應(yīng)用圖像和視頻的相關(guān)打碼技術(shù)，即在具體操作時(shí)，于一個(gè)區(qū)域內(nèi)，對(duì)隨機(jī)像素值和分布于其他區(qū)域的像素值隨機(jī)應(yīng)用，來(lái)對(duì)原來(lái)區(qū)域中分布的像素值處理模糊細(xì)胞進(jìn)行代替。

1 EMD Wavelet理論

1998年，由Huang NE等對(duì)EMD方法制定，其為一種重要的信號(hào)處理技術(shù)，可依據(jù)信號(hào)時(shí)間特征對(duì)自適應(yīng)多角度分解信號(hào)，從理論角度而言，此方法可對(duì)任何信號(hào)展開(kāi)分解處理，在應(yīng)對(duì)非平穩(wěn)、非線性信號(hào)時(shí)，優(yōu)勢(shì)較為突出，分析EMD多尺度分解核心思路，即任何信號(hào)均由系列相對(duì)呈簡(jiǎn)單顯示的非正弦信號(hào)疊加而成，信號(hào)s（t）可經(jīng)EMD對(duì)系列可對(duì)以下條件的IMF進(jìn)行分解。在噪聲壓制上，研究示，EMD分解含噪信號(hào)后，可在不同的呈固有狀態(tài)模態(tài)函數(shù)（IMF）中將信號(hào)中有效信號(hào)和噪聲分離，經(jīng)科學(xué)對(duì)IMF重構(gòu)信號(hào)選擇，發(fā)揮將噪聲去除的作用。

分析經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）特征，是多一個(gè)信號(hào)完成平穩(wěn)化處理操作，將信號(hào)中分布的不同尺度波動(dòng)分解，促系列特征不同的尺度數(shù)據(jù)序列產(chǎn)生，所獲取的每一個(gè)數(shù)據(jù)序列，即為本征模態(tài)函數(shù)（IMF）。若信號(hào)[x（t）]給定，則其EMD可按以下形式分解：[x（t）=n=1NCn（t）+rn（t）] ，式中：[Cn（t）]：為經(jīng)第n次分解獲取的IMF分量分解;[rn（t）] 屬為分解完成后獲取的殘差。EMD分解過(guò)程除將模態(tài)波形疊加消除外，可增加波形輪廓所表現(xiàn)出的對(duì)稱性，其分解步驟主要包括：

（1） 對(duì)搜索信號(hào)特征進(jìn)行分析，所有局部所包括的極大和極小值點(diǎn)，極大值點(diǎn)用三次樣條曲線進(jìn)行連接，可促使上包絡(luò)線形成，所有極小值點(diǎn)連接，可促使下包線形成，并保證信號(hào) [x（t）]上分布的所有數(shù)據(jù)點(diǎn)均介于上下包線之間;

（2） 上下包絡(luò)線所呈現(xiàn)出的均值記[m1]，按 [h1=x（t）-m1（1）]定義，若[h1] 滿足本征模態(tài)函數(shù)（IMF）的2個(gè)條件，則認(rèn)為? 是分解得到的第一個(gè)IMF;

（3） 若[h1]對(duì)本征模態(tài)函數(shù)（IMF）條件不具滿足性，則[h1]為原始數(shù)據(jù)，對(duì)（1）和（2）步驟重復(fù)，至獲取合格的IMF，實(shí)驗(yàn)中第一個(gè)IMF分量為[c1]，則殘量[r1（t）=x（t）-c1（t）]

（4） 再將[rn]按原始數(shù)據(jù)予以定義，對(duì)上述過(guò)程進(jìn)行重復(fù)，獲得信號(hào)[x（t）] 的n個(gè)可對(duì)IMF條件進(jìn)行滿足的分量。當(dāng)[rn] 成為單調(diào)函數(shù)或常量，不能對(duì)IMF條件滿足的分量進(jìn)行提取時(shí)，結(jié)束循環(huán)。[rn]可按殘余函數(shù)予以定義，地表信號(hào)表現(xiàn)為平均趨勢(shì)的情況。

2 基于灰度化及二值化算法

測(cè)試圖像可以選用RGB模式的細(xì)胞圖像，因任何色素均可用紅，綠、藍(lán)經(jīng)充分混合獲取，以此為基礎(chǔ)，所選取的平面圖像，可用二維基于位置坐標(biāo)的函數(shù)予以表示，即：[f（x，y）=fred（x，y），fgreen（x，y），fblue（x，y）]，其中[f（x，y）]是[（x，y）]點(diǎn)的顏色值，而[fred（x，y）]，[fgreen（x，y）]，[fblue（x，y）]，分別是紅色，綠色和藍(lán)色的分量值，由于光照對(duì)彩色細(xì)胞圖像的識(shí)別結(jié)果具有影響，此外彩色圖像會(huì)降低識(shí)別的效率，提高算法的時(shí)間復(fù)雜度，因此需要將彩色圖像轉(zhuǎn)換成灰度圖像，而R=G=B，[fred（x，y）]=[fgreen（x，y）]=[fblue（x，y）]。

3 Sobel算法解析

對(duì)邊緣予以定義，為圖像中分布的灰度表現(xiàn)為急劇變化所對(duì)應(yīng)的區(qū)域的相關(guān)邊界，圖像灰度所出現(xiàn)的變化，可用圖像灰度梯度來(lái)進(jìn)行反映，故可用局部圖像微分技術(shù)，對(duì)邊緣檢測(cè)算子進(jìn)行獲取，簡(jiǎn)單且經(jīng)典的邊緣檢測(cè)法，是按像素的某領(lǐng)域?qū)υ紙D像構(gòu)造邊緣算子，在一般情況下，因原始圖像通常有噪聲分布，而在空間域上，邊緣和噪聲以有比較大的起落灰質(zhì)為表現(xiàn)，在頻域則按高頻分量進(jìn)行反映，增加了檢測(cè)給邊緣的難度。

對(duì)Sobel算子相關(guān)邊緣檢測(cè)特征進(jìn)行分析，是在圖像空間中，通過(guò)對(duì)兩個(gè)方向分布的模板與圖像應(yīng)用，進(jìn)行領(lǐng)域卷積獲取?？偨Y(jié)兩個(gè)方向模板特征，一個(gè)用于對(duì)水平邊緣檢測(cè)，一個(gè)用于對(duì)垂直邊緣檢測(cè)，如圖1。圖中模板內(nèi)呈現(xiàn)出的數(shù)字為模板系數(shù)，分布于中間的點(diǎn)為中心元素，邊緣和梯度方向均表現(xiàn)為正交垂直。就Sobel算子而言，屬對(duì)圖像每個(gè)像素點(diǎn)灰度進(jìn)行綜合的加權(quán)和，所模板中心的權(quán)值接觸較大，后對(duì)一適當(dāng)閾值進(jìn)行選擇，若某一點(diǎn)梯度幅值在此閾值之上，則屬該點(diǎn)邊緣點(diǎn)。

分析Sobel邊緣檢測(cè)算子特征，在使用時(shí)，有水平和垂子向算子構(gòu)成。因圖像邊緣周圍亮度有較大變化，故可在相關(guān)領(lǐng)域內(nèi)，將灰度變化大于某個(gè)適當(dāng)閾值的像素點(diǎn)按邊緣點(diǎn)來(lái)進(jìn)行定義。

對(duì)數(shù)字圖像[{f（i，j）}]所呈現(xiàn)出的每個(gè)像素，對(duì)其鄰近灰度加權(quán)差計(jì)算，對(duì)與之接近的鄰點(diǎn)的權(quán)大掌握，據(jù)此定義，相關(guān)Sobel算子如下述：

Sobel邊緣檢測(cè)算子方向模板

在空間上，極易對(duì)Sobel算子實(shí)現(xiàn)，此法計(jì)算具有簡(jiǎn)單性，但因只對(duì)兩個(gè)方向模板進(jìn)行應(yīng)用，只能對(duì)水平和垂直方向的邊緣進(jìn)行檢測(cè)，故，此算法對(duì)紋理相對(duì)呈復(fù)雜顯示的圖像，其邊緣檢測(cè)尚不理想;同時(shí)，依據(jù)經(jīng)典Sobel算法，凡灰度新增超過(guò)或與閾值相等的像素點(diǎn)均可按邊緣點(diǎn)定義，這種判定依據(jù)缺乏合理性，會(huì)增加邊緣點(diǎn)誤判風(fēng)險(xiǎn)，因許多噪聲點(diǎn)有較大的灰度新值。

本文討論了利用EMD-Wavelet和Sobel算法計(jì)算紅細(xì)胞圖像邊緣，目的在于對(duì)細(xì)胞圖像質(zhì)量進(jìn)行改善，對(duì)細(xì)胞圖像局部或整體特征突出，使細(xì)胞視覺(jué)識(shí)別特征和效果提高，同時(shí)將細(xì)胞邊緣信息突出。本文通過(guò)兩種算法對(duì)標(biāo)，實(shí)驗(yàn)結(jié)果證明，EMD-Wavelet檢測(cè)方法對(duì)紅細(xì)胞邊緣檢測(cè)效果好，能師圖像更清晰、平滑。

4 實(shí)驗(yàn)結(jié)果

相關(guān)實(shí)驗(yàn)結(jié)果基于windows XP/VC++6.0環(huán)境獲取。圖2是細(xì)胞原始圖像，圖3表示將Sobel算子的圖像進(jìn)行細(xì)化和去噪聲后，形成單邊緣圖像，圖4和圖5分別表示改進(jìn)Sobel算子和- EMD Wavelet算法邊緣檢測(cè)效果圖。由圖像可以看出，EMD Wavelet算法提取的邊緣圖像更加清晰，能較好地去除噪聲，邊緣效果較好，是一種有效的邊緣檢測(cè)算法。

參考文獻(xiàn)：

[1] 蔡武斌. 癌細(xì)胞病理圖像的檢測(cè)技術(shù)研究[D]. 太原： 中北大學(xué)， 2018.

[2] 于帥，劉超，李盟盟，等.EMD-Wavelet-ICA耦合模型及其在GPS坐標(biāo)序列降噪中的應(yīng)用[J].測(cè)繪科學(xué)技術(shù)學(xué)報(bào)，2016，33（2）：139-144.

[3] 趙海龍，張干，呂安濤，等.基于EMD-Wavelet模型的實(shí)時(shí)交通流噪聲數(shù)據(jù)清洗方法[J].交通科技，2013（2）：150-153.

[4] 李旭輝.基于圖像預(yù)處理的局部二值模式人臉識(shí)別方法[J].電子技術(shù)與軟件工程，2019（7）：66-67.

【通聯(lián)編輯：光文玲】