一種紅細胞邊緣檢測算法的研究

鐘彩　彭春富　杜微　楊興耀

摘要：近年來，計算機技術得以迅猛發(fā)展，在細胞病理檢測中，模式識別及圖像處理技術被大范圍的應用，已成為現(xiàn)代醫(yī)學和分子生物技術新的科研方向。

關鍵詞：紅細胞;邊緣檢測;噪聲點;圖像處理技術

中圖分類號：TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2020）02-0208-02

實踐表現(xiàn)，圖像預處理技術在多個領域均有涉及，依據(jù)需求的不同，要求預處理需對圖像個體性特征予以凸顯，處理方法也存在明顯差別，細胞圖像預處理以增強和去噪處理為主要工作內(nèi)容，圖像預處理結(jié)果如何，可對細胞檢測準確率造成嚴重影響。所獲取的紅細胞圖像，因采集角度、視覺有所不同，有細胞模糊的情況存在，在處理呈模糊狀態(tài)的紅細胞圖像時，可應用圖像和視頻的相關打碼技術，即在具體操作時，于一個區(qū)域內(nèi)，對隨機像素值和分布于其他區(qū)域的像素值隨機應用，來對原來區(qū)域中分布的像素值處理模糊細胞進行代替。

1 EMD Wavelet理論

1998年，由Huang NE等對EMD方法制定，其為一種重要的信號處理技術，可依據(jù)信號時間特征對自適應多角度分解信號，從理論角度而言，此方法可對任何信號展開分解處理，在應對非平穩(wěn)、非線性信號時，優(yōu)勢較為突出，分析EMD多尺度分解核心思路，即任何信號均由系列相對呈簡單顯示的非正弦信號疊加而成，信號s（t）可經(jīng)EMD對系列可對以下條件的IMF進行分解。在噪聲壓制上，研究示，EMD分解含噪信號后，可在不同的呈固有狀態(tài)模態(tài)函數(shù)（IMF）中將信號中有效信號和噪聲分離，經(jīng)科學對IMF重構信號選擇，發(fā)揮將噪聲去除的作用。

分析經(jīng)驗模態(tài)分解（EMD）特征，是多一個信號完成平穩(wěn)化處理操作，將信號中分布的不同尺度波動分解，促系列特征不同的尺度數(shù)據(jù)序列產(chǎn)生，所獲取的每一個數(shù)據(jù)序列，即為本征模態(tài)函數(shù)（IMF）。若信號[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)出的對稱性，其分解步驟主要包括：

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

（2） 上下包絡線所呈現(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個條件，則認為? 是分解得到的第一個IMF;

（3） 若[h1]對本征模態(tài)函數(shù)（IMF）條件不具滿足性，則[h1]為原始數(shù)據(jù)，對（1）和（2）步驟重復，至獲取合格的IMF，實驗中第一個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，對上述過程進行重復，獲得信號[x（t）] 的n個可對IMF條件進行滿足的分量。當[rn] 成為單調(diào)函數(shù)或常量，不能對IMF條件滿足的分量進行提取時，結(jié)束循環(huán)。[rn]可按殘余函數(shù)予以定義，地表信號表現(xiàn)為平均趨勢的情況。

2 基于灰度化及二值化算法

測試圖像可以選用RGB模式的細胞圖像，因任何色素均可用紅，綠、藍經(jīng)充分混合獲取，以此為基礎，所選取的平面圖像，可用二維基于位置坐標的函數(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）]點的顏色值，而[fred（x，y）]，[fgreen（x，y）]，[fblue（x，y）]，分別是紅色，綠色和藍色的分量值，由于光照對彩色細胞圖像的識別結(jié)果具有影響，此外彩色圖像會降低識別的效率，提高算法的時間復雜度，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)為急劇變化所對應的區(qū)域的相關邊界，圖像灰度所出現(xiàn)的變化，可用圖像灰度梯度來進行反映，故可用局部圖像微分技術，對邊緣檢測算子進行獲取，簡單且經(jīng)典的邊緣檢測法，是按像素的某領域?qū)υ紙D像構造邊緣算子，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行反映，增加了檢測給邊緣的難度。

對Sobel算子相關邊緣檢測特征進行分析，是在圖像空間中，通過對兩個方向分布的模板與圖像應用，進行領域卷積獲取?？偨Y(jié)兩個方向模板特征，一個用于對水平邊緣檢測，一個用于對垂直邊緣檢測，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，屬對圖像每個像素點灰度進行綜合的加權和，所模板中心的權值接觸較大，后對一適當閾值進行選擇，若某一點梯度幅值在此閾值之上，則屬該點邊緣點。

分析Sobel邊緣檢測算子特征，在使用時，有水平和垂子向算子構成。因圖像邊緣周圍亮度有較大變化，故可在相關領域內(nèi)，將灰度變化大于某個適當閾值的像素點按邊緣點來進行定義。

對數(shù)字圖像[{f（i，j）}]所呈現(xiàn)出的每個像素，對其鄰近灰度加權差計算，對與之接近的鄰點的權大掌握，據(jù)此定義，相關Sobel算子如下述：

Sobel邊緣檢測算子方向模板

在空間上，極易對Sobel算子實現(xiàn)，此法計算具有簡單性，但因只對兩個方向模板進行應用，只能對水平和垂直方向的邊緣進行檢測，故，此算法對紋理相對呈復雜顯示的圖像，其邊緣檢測尚不理想;同時，依據(jù)經(jīng)典Sobel算法，凡灰度新增超過或與閾值相等的像素點均可按邊緣點定義，這種判定依據(jù)缺乏合理性，會增加邊緣點誤判風險，因許多噪聲點有較大的灰度新值。

本文討論了利用EMD-Wavelet和Sobel算法計算紅細胞圖像邊緣，目的在于對細胞圖像質(zhì)量進行改善，對細胞圖像局部或整體特征突出，使細胞視覺識別特征和效果提高，同時將細胞邊緣信息突出。本文通過兩種算法對標，實驗結(jié)果證明，EMD-Wavelet檢測方法對紅細胞邊緣檢測效果好，能師圖像更清晰、平滑。

4 實驗結(jié)果

相關實驗結(jié)果基于windows XP/VC++6.0環(huán)境獲取。圖2是細胞原始圖像，圖3表示將Sobel算子的圖像進行細化和去噪聲后，形成單邊緣圖像，圖4和圖5分別表示改進Sobel算子和- EMD Wavelet算法邊緣檢測效果圖。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算法。

參考文獻：

[1] 蔡武斌. 癌細胞病理圖像的檢測技術研究[D]. 太原： 中北大學， 2018.

[2] 于帥，劉超，李盟盟，等.EMD-Wavelet-ICA耦合模型及其在GPS坐標序列降噪中的應用[J].測繪科學技術學報，2016，33（2）：139-144.

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

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

【通聯(lián)編輯：光文玲】