基于圖像分割的醫(yī)學(xué)細(xì)胞圖像增強(qiáng)算法研究

劉進(jìn)芬，倪曉波，李永博

（1.南京工業(yè)大學(xué)浦江學(xué)院，江蘇 南京 211100；2.紫金山實(shí)驗(yàn)室，江蘇 南京 211100）

0 引 言

圖像分割技術(shù)[1-3]主要有兩類，其中一類是基于區(qū)域技術(shù)，把原圖像按照區(qū)域進(jìn)行分割研究；另一類是基于邊界技術(shù)，把原圖像按照邊緣進(jìn)行圖像分割。這兩種技術(shù)存在一定的相似性，在某些地方也有不同的地方，利弊也各不相同，某些情況下很多圖像算法學(xué)家把這兩種技術(shù)結(jié)合，產(chǎn)生新的算法技術(shù)來(lái)處理圖像問(wèn)題。當(dāng)前，科技飛速發(fā)展，計(jì)算機(jī)性能今非昔比，軟件工具更新?lián)Q代，實(shí)驗(yàn)方法不斷改進(jìn)，很多優(yōu)質(zhì)的圖像分割技術(shù)慢慢被學(xué)者發(fā)現(xiàn)或者創(chuàng)造，例如基于彩色分量分割的圖像處理技術(shù)和基于紋理圖像分割的圖像處理技術(shù)，甚至還有著名的基于小波變換的圖像分割技術(shù)也越來(lái)越被廣泛應(yīng)用。

時(shí)代在進(jìn)步，人們所了解和掌握的圖像分割技術(shù)的理論知識(shí)也越來(lái)越多，越來(lái)越完備，應(yīng)用也越來(lái)越廣泛，例如軍隊(duì)、企業(yè)和醫(yī)院等[4]。當(dāng)前，越來(lái)越多的研究機(jī)構(gòu)和高等院校的專家學(xué)者都對(duì)圖像分割技術(shù)產(chǎn)生了濃厚的興趣，并在此技術(shù)上投入了大量的資金和人力成本，制造了專用的精密圖像研究?jī)x器，成立了大量圖像研究實(shí)驗(yàn)室。不遠(yuǎn)的將來(lái)，研究工作在不斷深入的過(guò)程中，一定會(huì)有更加優(yōu)質(zhì)的技術(shù)成果被發(fā)掘。

醫(yī)學(xué)圖像的環(huán)境多樣復(fù)雜，研究的重點(diǎn)有所區(qū)別，因此研究結(jié)果充滿不確定性和不完整性，在不同的環(huán)境下使用圖像處理技術(shù)會(huì)有完全不同的結(jié)果。本文提出的圖像增強(qiáng)算法主要是為了解決某些情況下拍攝的影像視覺效果不佳或者清晰度差等問(wèn)題，該算法屬于數(shù)字圖像處理技術(shù)的一種，目的是增強(qiáng)圖像來(lái)達(dá)到預(yù)期的視覺效果和清晰度。例如，我們可以增強(qiáng)圖像中背景和主體的對(duì)比度，使主題的特點(diǎn)、特征凸顯，便于醫(yī)學(xué)使用者更好地觀察圖像。同時(shí)，我們也可以將需要的內(nèi)容，即主體進(jìn)行增強(qiáng)，去除其他內(nèi)容，得到需要的圖像，便于圖像更好被醫(yī)學(xué)儀器識(shí)別、加工、分析。

本文使用MATLAB進(jìn)行仿真，輸入原圖像A，并對(duì)其進(jìn)行圖像的邊緣提取得到圖像B，對(duì)原圖像A進(jìn)行圖像的閾值分割得到圖像C，將兩種算法處理所得的圖像融合，可以得到最終的細(xì)胞圖像D。仿真發(fā)現(xiàn)，采用Sobel算子提取邊緣然后再進(jìn)行基于全局閾值的圖像分割，可以更好地分離出主體細(xì)胞，并可以最大化降低噪聲。

1 基于圖像分割的醫(yī)學(xué)細(xì)胞圖像算法

圖像分割是圖像處理技術(shù)中的重要算法，其目的是把圖像劃分成幾個(gè)不同的區(qū)域，然后提取出需要的區(qū)域的算法。主要的分割方式有基于閾值、基于區(qū)域、基于邊緣、基于特定理論等。本文使用基于閾值分割的方式來(lái)處理細(xì)胞圖像。

取原始圖像點(diǎn)f(x,y)，在圖像點(diǎn)f(x,y)中尋找分割的閾值系數(shù)m，把圖像點(diǎn)的值與閾值系數(shù)進(jìn)行比較，得到如下函數(shù)：

圖1中左邊是原細(xì)胞圖像，它的分辨率為305×230。我們需要的是其中的淋巴細(xì)胞。先采用迭代閾值分割算法對(duì)圖像進(jìn)行處理，得到右圖中的結(jié)果，可以看到，右圖中已經(jīng)分離出了淋巴細(xì)胞以及其他細(xì)胞，因此我們認(rèn)為這種算法存在噪聲。故換一種閾值分割算法來(lái)進(jìn)一步處理此圖像，如采用全局閾值分割算法等，可以得到圖2中的結(jié)果，發(fā)現(xiàn)圖像噪聲極小，較好分離出了淋巴細(xì)胞。

圖1 圖像原圖與迭代閾值分割處理圖對(duì)比

圖2 全局閾值分割算法處理圖

2 基于圖像邊緣分析的醫(yī)學(xué)細(xì)胞圖像算法

對(duì)圖1（a）進(jìn)行邊緣提取，使用Soble算子[5-6]，可以得到圖3（a）所示的結(jié)果，對(duì)結(jié)果進(jìn)行分析可知，已經(jīng)完整提取了淋巴細(xì)胞邊緣，同時(shí)也提取出了其他細(xì)胞邊緣。這些邊緣更加圓潤(rùn)、光滑。但是缺陷也比基于閾值分割算法的更加明顯，即得到了更大、更粗的細(xì)胞邊緣。假設(shè)邊緣提取時(shí)把Soble算子換成Canny算子[7]就可以得到圖3（b）所示的結(jié)果，通過(guò)結(jié)果分析，提取細(xì)胞和噪聲邊緣的同時(shí)也得到了細(xì)胞細(xì)微的組織邊緣。雖然該算法表現(xiàn)的更加全面，但處理結(jié)果的干擾過(guò)多。

圖3 Soble、Canny算子提取細(xì)胞邊緣

我們得到啟示，Canny算子不適合醫(yī)學(xué)細(xì)胞處理，因?yàn)橄啾萐obel算子而言，它提取了更多無(wú)用的細(xì)小噪聲，而基于Sobel算子的邊緣提取算法在提取細(xì)胞邊緣方面表現(xiàn)的更加優(yōu)異。基于此，本文把基于圖像分割和圖像邊緣提取的算法進(jìn)行融合以增強(qiáng)細(xì)胞圖像[8]。

3 基于圖像分割和邊緣提取相融合的算法

我們先使用邊緣提取算法對(duì)原圖像進(jìn)行處理，根據(jù)分析可知，Canny算子會(huì)還原出噪聲邊緣，如果和圖像分割算法融合，那么實(shí)驗(yàn)結(jié)果將不理想，因此使用Soble算子，得到圖像A，然后對(duì)圖像進(jìn)行閾值分割，得到圖像B，使得兩種圖像分辨率相同，之后進(jìn)行融合。之所以不在圖像B的基礎(chǔ)上進(jìn)行邊緣提取，是因?yàn)榻?jīng)過(guò)閾值分割算法處理后的圖像邊緣不太明顯，并不能很好的進(jìn)行邊緣增強(qiáng)，通過(guò)下面的實(shí)驗(yàn)對(duì)比也可以證實(shí)這一點(diǎn)。我們對(duì)融合結(jié)果進(jìn)行仿真實(shí)驗(yàn)，得到的結(jié)果如圖4所示。

圖4 基于圖像分割和邊緣提取融合的醫(yī)學(xué)細(xì)胞圖像算法

先對(duì)圖1（a）進(jìn)行Soble算子的邊緣提取，得到圖3（a），然后使用迭代閾值分割算法得到圖1（b），之后就可以得到圖4（a）所示的結(jié)果?？梢园l(fā)現(xiàn)，雖然淋巴細(xì)胞的增強(qiáng)效果不錯(cuò)，但是噪點(diǎn)明顯，不能很好地凸顯出想要分離的淋巴細(xì)胞。

圖4（b）的結(jié)果是先采用基于Sobel算子的邊緣提取算法對(duì)原圖1（a）處理得到圖3（a），然后使用全局閾值分割算法處理原圖1（a）得到圖2，最后將經(jīng)過(guò)兩種算法處理后的圖像進(jìn)行融合，得到圖4（b）?？梢钥吹?，淋巴細(xì)胞明顯，幾乎無(wú)噪聲，說(shuō)明這種融合算法的效果很好，圖像增強(qiáng)效果較明顯。

4 結(jié) 語(yǔ)

本文提出了基于圖像分割和邊緣提取相融合的醫(yī)學(xué)細(xì)胞圖像增強(qiáng)算法。我們首先對(duì)迭代式閾值分割和全局閾值分割算法進(jìn)行了對(duì)比，發(fā)現(xiàn)全局閾值法的效果更好，分割出的主體細(xì)胞更加突出。然后我們比較了Sobel算子和Canny算子兩種邊緣提取算法。仿真結(jié)果表明，Sobel算子邊緣提取方法表現(xiàn)更好。最后，我們將閾值分割得到的圖像與邊緣提取得到的圖像進(jìn)行融合，提出了基于圖像分割的醫(yī)學(xué)細(xì)胞圖像增強(qiáng)算法。仿真結(jié)果說(shuō)明，這種算法更加適合細(xì)胞圖像的處理，處理后的細(xì)胞主體更加清晰，算法效果卓越[9-10]。