專利名稱：基于質(zhì)心跟蹤框架的特征關(guān)聯(lián)細(xì)胞跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域，涉及視頻顯微圖像中運(yùn)動(dòng)細(xì)胞的自動(dòng)跟蹤， 可用于細(xì)胞視頻顯微圖像中對(duì)運(yùn)動(dòng)細(xì)胞的分析。
背景技術(shù)：
作為生物學(xué)中的一個(gè)新的研究熱點(diǎn)，細(xì)胞圖像處理對(duì)細(xì)胞研究具有很重要的指導(dǎo) 意義。顯微技術(shù)的發(fā)展給觀察和研究細(xì)胞周期性活動(dòng)提供了一個(gè)很重要的工具。在新藥的 研制過程中，往往需要在顯微鏡下觀察活體細(xì)胞在注藥之后的反應(yīng)，當(dāng)實(shí)驗(yàn)成熟之后會(huì)進(jìn) 一步在生物體內(nèi)測(cè)試，當(dāng)研究某種病毒細(xì)胞的擴(kuò)散方式和程度時(shí)，會(huì)采用同樣的方式，觀察 病毒細(xì)胞入侵正常細(xì)胞的過程，當(dāng)然還有許多需要細(xì)胞運(yùn)動(dòng)研究的地方，其應(yīng)用范圍也在 不斷的擴(kuò)大。不過，傳統(tǒng)的方法還是借助顯微設(shè)備的人工定時(shí)檢測(cè)和記錄，其自動(dòng)化程度較 低，人工觀測(cè)過程也比較困難，費(fèi)時(shí)費(fèi)力而且不準(zhǔn)確。如今，用于視頻顯微圖像下的細(xì)胞自 動(dòng)跟蹤系統(tǒng)，作為生物學(xué)研究中的一個(gè)新興研究方向，已經(jīng)受到很多科研組織的重視。隨著計(jì)算機(jī)在生物學(xué)中的應(yīng)用，廣泛的計(jì)算機(jī)視覺領(lǐng)域的研究已造成強(qiáng)大和靈活 的可視化算法。細(xì)胞跟蹤的目標(biāo)是完善的提供細(xì)胞的運(yùn)動(dòng)行為，包括細(xì)胞的移動(dòng)、分裂、出 現(xiàn)、消失等。目前，存在的細(xì)胞跟蹤方法，大致可以分為三類基于數(shù)據(jù)關(guān)聯(lián)、單獨(dú)幀獨(dú)立分 割的方法；基于輪廓變化模型的方法；隨機(jī)濾波和概率統(tǒng)計(jì)的方法。其中1.基于數(shù)據(jù)關(guān)聯(lián)、單獨(dú)幀獨(dú)立分割的方法，是細(xì)胞跟蹤當(dāng)中比較有效的方法。 Al-Kofahi等人在各種匹配假說中使用了線性規(guī)則，但是他們的方法不能捕獲聚集的細(xì)胞 以及進(jìn)入或者離開圖像視角的細(xì)胞。Dehauwer等人采用了基于歐氏距離匹配的方法，在幀 間進(jìn)行關(guān)聯(lián)。Padfield等人通過跟蹤單一細(xì)胞訓(xùn)練出的特征，在時(shí)空上關(guān)聯(lián)細(xì)胞。不過，各 種相關(guān)的分割匹配技術(shù)在關(guān)聯(lián)進(jìn)入或移出的細(xì)胞方面不是很有效，在細(xì)胞的分裂跟聚集情 況上也都需要特別處理。2.基于輪廓變化模型的方法，如水平集算法也是常用于細(xì)胞跟蹤的方法。由于水 平集方法可以很容易的在拓?fù)浣Y(jié)構(gòu)下傳遞變化信息，為此Yang和Padfield等人采用該方 法，將進(jìn)化水平集用于時(shí)空上，能及時(shí)有效的關(guān)聯(lián)檢測(cè)目標(biāo)。其他相關(guān)方法，如Dufour等人 提出的水平集方法，采用由先前圖像得到的輪廓作為初始，來實(shí)時(shí)傳播變化信息。這種基于 輪廓變化模型的方法，雖然能非常有效的處理拓?fù)浣Y(jié)構(gòu)的變化，但是，在細(xì)胞的快速移動(dòng)或 者出現(xiàn)、消失時(shí)，都要求重新進(jìn)行參數(shù)的初始化，而大量參數(shù)的及時(shí)獲取和初始化是比較復(fù) 雜和困難的，無疑會(huì)影響該方法的效果。3.用以跟蹤的隨機(jī)濾波和概率統(tǒng)計(jì)的方法，一般情況下都依賴于強(qiáng)有力的模型 假設(shè)。例如，均值漂移算法可以通過一個(gè)基本的外觀模型來跟蹤目標(biāo)，這種方法的效果取 決于目標(biāo)定位的精確性，以及模型的實(shí)時(shí)轉(zhuǎn)移傾向；又如卡爾曼濾波算法，如果該方法采 用的狀態(tài)轉(zhuǎn)移模型可以較好的模擬跟蹤目標(biāo)的運(yùn)動(dòng)狀態(tài)，那么這種濾波方法將非常有效。 Kachouie等人提出了一種基于概率準(zhǔn)則的最大后驗(yàn)概率，用以細(xì)胞追蹤，但是由于該算法 需要大量的假設(shè)，所以該系統(tǒng)能跟蹤的細(xì)胞數(shù)目受到一定限制。事實(shí)上，由于細(xì)胞自身的非線性運(yùn)動(dòng)，不能找到理想的模型去較好的模擬所有細(xì)胞的運(yùn)動(dòng)，以及視頻圖像中待跟蹤的 細(xì)胞數(shù)目相對(duì)較多，增加了跟蹤的復(fù)雜度，傳統(tǒng)的隨機(jī)濾波和概率統(tǒng)計(jì)的方法用于細(xì)胞跟 蹤都不是非常理想。綜上，現(xiàn)有的細(xì)胞跟蹤方法有如下一些缺點(diǎn)(1)有些方法不能對(duì)細(xì)胞運(yùn)動(dòng)變化 做出準(zhǔn)確的判斷，如細(xì)胞的出現(xiàn)或消失，即使做出判斷，對(duì)于復(fù)雜的運(yùn)動(dòng)也不能達(dá)到理想的 跟蹤效果；(2)有些方法對(duì)跟蹤的目標(biāo)數(shù)目有一定的限制，不能跟蹤視頻圖像中的所有細(xì) 胞，僅能跟蹤一定數(shù)目的細(xì)胞；(3)有些方法不具有很好的魯棒性，僅對(duì)某些視頻圖像中具 有特定特征或者運(yùn)動(dòng)規(guī)律的細(xì)胞有較為理想的跟蹤效果。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于質(zhì)心跟蹤框架的特征 關(guān)聯(lián)細(xì)胞跟蹤方法，在兩幀之間選擇最佳匹配關(guān)聯(lián)細(xì)胞，以對(duì)每個(gè)細(xì)胞的運(yùn)動(dòng)變化做出準(zhǔn) 確的判斷，提供精確的細(xì)胞運(yùn)動(dòng)軌跡，并且對(duì)視頻圖像中的細(xì)胞及跟蹤的細(xì)胞數(shù)目沒有限 制。實(shí)現(xiàn)本發(fā)明目的的技術(shù)思路是將特征關(guān)聯(lián)方法引入到基于質(zhì)心跟蹤的框架中，得 到跟蹤細(xì)胞的準(zhǔn)確位置。其具體實(shí)現(xiàn)步驟包括如下(1)對(duì)視頻的每幀圖像運(yùn)用OtSU方法進(jìn)行二值化分割，并對(duì)二值圖像中的細(xì)胞區(qū) 域進(jìn)行標(biāo)記，提取每個(gè)細(xì)胞的中心位置；(2)根據(jù)每個(gè)細(xì)胞的中心位置，對(duì)二值圖像中出現(xiàn)的細(xì)胞進(jìn)行質(zhì)心跟蹤，記錄得到 的細(xì)胞跟蹤軌跡；(3)根據(jù)每個(gè)細(xì)胞的跟蹤軌跡，判斷二值圖像是否為細(xì)胞跟蹤軌跡的起始圖像和 終止圖像，并將起始圖像和終止圖像中細(xì)胞軌跡的起始和終止坐標(biāo)分別記錄于起始坐標(biāo)集 合和終止坐標(biāo)集合中；(4)根據(jù)軌跡的終止坐標(biāo)集合和軌跡起始坐標(biāo)集合，先對(duì)視頻的相鄰兩幀二值圖 像進(jìn)行判斷如果當(dāng)前二值圖像為細(xì)胞跟蹤軌跡的終止圖像，且下一幀二值圖像為細(xì)胞跟 蹤軌跡的起始圖像，則把當(dāng)前二值圖像中軌跡終止坐標(biāo)代表的細(xì)胞作為待跟蹤細(xì)胞，建立 待跟蹤細(xì)胞的鄰域匹配區(qū)域，選擇待關(guān)聯(lián)細(xì)胞，如果沒有待關(guān)聯(lián)細(xì)胞，判定待跟蹤細(xì)胞在下 一幀二值圖像中消失，停止對(duì)此待跟蹤細(xì)胞進(jìn)行跟蹤；(5)采用特征關(guān)聯(lián)方法對(duì)待跟蹤細(xì)胞與該細(xì)胞鄰域匹配區(qū)域中的待關(guān)聯(lián)細(xì)胞進(jìn)行 特征關(guān)聯(lián)跟蹤，計(jì)算待跟蹤細(xì)胞與每個(gè)待關(guān)聯(lián)細(xì)胞的相似度，將與待跟蹤細(xì)胞相似度最大 的待關(guān)聯(lián)細(xì)胞確定為待跟蹤細(xì)胞的匹配細(xì)胞，并將此待關(guān)聯(lián)細(xì)胞的跟蹤軌跡作為待跟蹤細(xì) 胞的后續(xù)跟蹤軌跡；(6)循環(huán)步驟(4)到步驟(5)直到最后一幀二值圖像，完成對(duì)所有細(xì)胞的跟蹤。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)1)本發(fā)明由于采用特征關(guān)聯(lián)方法，很好的克服了現(xiàn)有基于運(yùn)動(dòng)模型的濾波跟蹤方 法由于細(xì)胞無規(guī)律的布朗運(yùn)動(dòng)而導(dǎo)致的跟蹤失敗的缺點(diǎn)，提高了跟蹤的正確率；2)本發(fā)明由于將質(zhì)心跟蹤作為整體的跟蹤框架，當(dāng)細(xì)胞的運(yùn)動(dòng)狀態(tài)發(fā)生變化，如 細(xì)胞出現(xiàn)與消失時(shí)，仍然能做出準(zhǔn)確的判斷；3)本發(fā)明由于將質(zhì)心跟蹤作為跟蹤的第一步，使得在待跟蹤細(xì)胞的鄰域匹配區(qū)域內(nèi)，部分細(xì)胞已經(jīng)通過質(zhì)心跟蹤方法所跟蹤，減少了待關(guān)聯(lián)細(xì)胞的數(shù)目，從而極大降低了跟 蹤匹配錯(cuò)誤的情況，提高了該發(fā)明的跟蹤可靠性。


圖1是本發(fā)明的流程示意圖；圖2是本發(fā)明仿真使用的2種細(xì)胞顯微視頻圖像；圖3是本發(fā)明仿真實(shí)現(xiàn)的圖像預(yù)處理后得到的細(xì)胞二值圖像；圖4是本發(fā)明仿真實(shí)現(xiàn)的細(xì)胞跟蹤軌跡圖。
具體實(shí)施例方式參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下步驟1，對(duì)每幀圖像進(jìn)行二值化分割，提取每個(gè)細(xì)胞的中心位置。(Ia)采用傳統(tǒng)的Otsu方法計(jì)算原始圖像的閾值，對(duì)圖像進(jìn)行二值化分割，同時(shí)， 由于圖像噪聲的影響，去除二值圖像中面積小于20的區(qū)域，得到最終二值圖像；(Ib)采用4鄰域連通標(biāo)記算法，對(duì)最終二值圖像中的細(xì)胞區(qū)域進(jìn)行標(biāo)記，提取每 個(gè)細(xì)胞區(qū)域的中心，即得到每個(gè)細(xì)胞的中心位置。步驟2，根據(jù)每個(gè)細(xì)胞的中心位置，對(duì)二值圖像中出現(xiàn)的細(xì)胞進(jìn)行質(zhì)心跟蹤，記錄 得到的細(xì)胞跟蹤軌跡。2a)將需要進(jìn)行質(zhì)心跟蹤的細(xì)胞確定為跟蹤細(xì)胞A ；2b)如果跟蹤細(xì)胞A的坐標(biāo)在下一幀二值圖像某個(gè)細(xì)胞B的區(qū)域內(nèi)部，將細(xì)胞A和 B確定為同一個(gè)細(xì)胞，并將細(xì)胞B的坐標(biāo)作為跟蹤細(xì)胞A在下一幀二值圖像中的坐標(biāo)；
2c)將細(xì)胞B的坐標(biāo)加入到跟蹤細(xì)胞A的跟蹤軌跡中，實(shí)現(xiàn)對(duì)跟蹤細(xì)胞A的跟蹤軌 跡更新；2d)循環(huán)步驟2b)到步驟2c)，直到跟蹤細(xì)胞A的坐標(biāo)不再在細(xì)胞B的區(qū)域內(nèi)部， 完成跟蹤細(xì)胞A的質(zhì)心跟蹤。步驟3，根據(jù)每個(gè)細(xì)胞的跟蹤軌跡，判斷二值圖像是否為細(xì)胞跟蹤軌跡的起始圖像 和終止圖像，并將起始圖像和終止圖像中細(xì)胞軌跡的起始和終止坐標(biāo)分別記錄于起始坐標(biāo) 集合和終止坐標(biāo)集合中。3a)如果細(xì)胞跟蹤軌跡的起始坐標(biāo)在二值圖像上，將此二值圖像作為細(xì)胞跟蹤軌 跡的起始圖像；如果細(xì)胞跟蹤軌跡的終止坐標(biāo)在二值圖像上，將此二值圖像作為細(xì)胞跟蹤 軌跡的終止圖像；3b)將起始圖像和終止圖像中細(xì)胞軌跡的起始和終止坐標(biāo)分別記錄于起始坐標(biāo)集 合和終止坐標(biāo)集合中；3c)循環(huán)步驟3a)到步驟3b)，直到最后一幀二值圖像。步驟4，確定待跟蹤細(xì)胞，建立待跟蹤細(xì)胞的鄰域匹配區(qū)域，選擇待關(guān)聯(lián)細(xì)胞。細(xì)胞的運(yùn)動(dòng)有時(shí)會(huì)超出質(zhì)心跟蹤的范圍，導(dǎo)致質(zhì)心跟蹤中斷，致使本來完整的細(xì) 胞運(yùn)動(dòng)被跟蹤成幾個(gè)平穩(wěn)的軌跡，這些跟蹤軌跡由質(zhì)心跟蹤得來。因此需要將屬于同一細(xì) 胞的跟蹤軌跡確定，將其按順序連接，以形成對(duì)細(xì)胞的完整跟蹤。根據(jù)軌跡的終止坐標(biāo)集合和軌跡起始坐標(biāo)集合，先對(duì)視頻的相鄰兩幀二值圖像進(jìn)
6行判斷如果當(dāng)前二值圖像為某些細(xì)胞跟蹤軌跡的終止圖像，且下一幀二值圖像為某些細(xì) 胞跟蹤軌跡的起始圖像，說明在當(dāng)前二值圖像中，跟蹤軌跡終止的細(xì)胞，有可能在下一幀圖 像中消失，也有可能因?yàn)榧?xì)胞的運(yùn)動(dòng)變化較大，導(dǎo)致質(zhì)心跟蹤中斷，需要與下一幀圖像中起 始的跟蹤軌跡代表的細(xì)胞進(jìn)行匹配。因此，把當(dāng)前二值圖像中軌跡終止坐標(biāo)代表的細(xì)胞作為待跟蹤細(xì)胞，然后建立合 適的待跟蹤細(xì)胞的鄰域匹配區(qū)域，保證待跟蹤細(xì)胞在下一幀圖像中的位置在該鄰域匹配區(qū) 域內(nèi)，在該鄰域匹配區(qū)域內(nèi)選擇與待跟蹤細(xì)胞的待關(guān)聯(lián)細(xì)胞，具體操作步驟如下4a)以待跟蹤細(xì)胞在當(dāng)前二值圖像中的坐標(biāo)為中心，在下一幀二值圖像中建立一 個(gè)窗口寬度為H的矩形區(qū)域，作為待跟蹤細(xì)胞的鄰域匹配區(qū)域，通常，為了保證待跟蹤細(xì)胞 在下一幀圖像中的位置一定在該鄰域匹配區(qū)域內(nèi)，H設(shè)定為細(xì)胞在兩幀圖像中的最大移動(dòng) 距離，在此設(shè)為50 ；4b)選擇細(xì)胞中心在該鄰域匹配區(qū)域中的細(xì)胞，作為備選細(xì)胞，如果下一幀二值圖 像正好是備選細(xì)胞的軌跡起始圖像，將備選細(xì)胞作為待關(guān)聯(lián)細(xì)胞，如果沒有滿足條件的待 關(guān)聯(lián)細(xì)胞，判定待跟蹤細(xì)胞在下一幀圖像中消失，停止對(duì)此待跟蹤細(xì)胞進(jìn)行跟蹤。步驟5，計(jì)算待跟蹤細(xì)胞與每個(gè)待關(guān)聯(lián)細(xì)胞的相似度，將相似度最大的待關(guān)聯(lián)細(xì)胞 跟蹤軌跡連接到待跟蹤細(xì)胞的跟蹤軌跡之后，以實(shí)現(xiàn)對(duì)待跟蹤細(xì)胞的跟蹤軌跡更新。選擇合適的特征，計(jì)算待跟蹤細(xì)胞與該細(xì)胞鄰域匹配區(qū)域中每個(gè)待關(guān)聯(lián)細(xì)胞的相 似度，相似度最大的待關(guān)聯(lián)細(xì)胞被認(rèn)為是待跟蹤細(xì)胞的匹配細(xì)胞，并確定該細(xì)胞的跟蹤軌 跡為待跟蹤細(xì)胞的后續(xù)跟蹤軌跡，將該細(xì)胞的跟蹤軌跡連接到待跟蹤細(xì)胞的跟蹤軌跡，實(shí) 現(xiàn)對(duì)待跟蹤細(xì)胞的跟蹤軌跡更新。本實(shí)施例以代價(jià)函數(shù)來評(píng)判兩個(gè)細(xì)胞之間的相似程度，代價(jià)函數(shù)越小，則相似度 越大，因此，以代價(jià)函數(shù)的倒數(shù)來表示兩個(gè)細(xì)胞的相似度，選擇距離、面積和偏心率作為細(xì) 胞的關(guān)聯(lián)特征，具體的相似度計(jì)算步驟如下5a)計(jì)算每個(gè)待關(guān)聯(lián)細(xì)胞與待跟蹤細(xì)胞之間的代價(jià)函數(shù)cost cost(i，j) = aD(i, j) + ^A(i, j) + yE(i, j)其中，i表示待關(guān)聯(lián)細(xì)胞，j表示待跟蹤細(xì)胞，η表示鄰域匹配區(qū)域中待關(guān)聯(lián)的細(xì)胞 數(shù)目，α、β、Υ分別表示三個(gè)特征的權(quán)值，取值分別為0. 7、0. 15、0. 15，α+β + y =1，
dI加O,-加a, I , 、 \Eccen、-Eccent
權(quán)利要求
一種基于質(zhì)心跟蹤框架的特征關(guān)聯(lián)細(xì)胞跟蹤方法，包括如下步驟(1)對(duì)視頻的每幀圖像運(yùn)用Otsu方法進(jìn)行二值化分割，并對(duì)二值圖像中的細(xì)胞區(qū)域進(jìn)行標(biāo)記，提取每個(gè)細(xì)胞的中心位置；(2)根據(jù)每個(gè)細(xì)胞的中心位置，對(duì)二值圖像中出現(xiàn)的細(xì)胞進(jìn)行質(zhì)心跟蹤，記錄得到的細(xì)胞跟蹤軌跡；(3)根據(jù)每個(gè)細(xì)胞的跟蹤軌跡，判斷二值圖像是否為細(xì)胞跟蹤軌跡的起始圖像和終止圖像，并將起始圖像和終止圖像中細(xì)胞軌跡的起始和終止坐標(biāo)分別記錄于起始坐標(biāo)集合和終止坐標(biāo)集合中；(4)根據(jù)軌跡的終止坐標(biāo)集合和軌跡起始坐標(biāo)集合，先對(duì)視頻的相鄰兩幀二值圖像進(jìn)行判斷如果當(dāng)前二值圖像為細(xì)胞跟蹤軌跡的終止圖像，且下一幀二值圖像為細(xì)胞跟蹤軌跡的起始圖像，則把當(dāng)前二值圖像中軌跡終止坐標(biāo)代表的細(xì)胞作為待跟蹤細(xì)胞，建立待跟蹤細(xì)胞的鄰域匹配區(qū)域，選擇待關(guān)聯(lián)細(xì)胞，如果沒有待關(guān)聯(lián)細(xì)胞，判定待跟蹤細(xì)胞在下一幀二值圖像中消失，停止對(duì)此待跟蹤細(xì)胞進(jìn)行跟蹤；(5)采用特征關(guān)聯(lián)方法對(duì)待跟蹤細(xì)胞與該細(xì)胞鄰域匹配區(qū)域中的待關(guān)聯(lián)細(xì)胞進(jìn)行特征關(guān)聯(lián)跟蹤，計(jì)算待跟蹤細(xì)胞與每個(gè)待關(guān)聯(lián)細(xì)胞的相似度，將與待跟蹤細(xì)胞相似度最大的待關(guān)聯(lián)細(xì)胞確定為待跟蹤細(xì)胞的匹配細(xì)胞，并將此待關(guān)聯(lián)細(xì)胞的跟蹤軌跡作為待跟蹤細(xì)胞的后續(xù)跟蹤軌跡；(6)循環(huán)步驟(4)到步驟(5)直到最后一幀二值圖像，完成對(duì)所有細(xì)胞的跟蹤。
2.根據(jù)權(quán)利要求1所述的細(xì)胞跟蹤方法，其中步驟(2)所述的對(duì)二值圖像中出現(xiàn)的細(xì) 胞進(jìn)行質(zhì)心跟蹤，按如下步驟進(jìn)行2a)將需要進(jìn)行質(zhì)心跟蹤的細(xì)胞確定為跟蹤細(xì)胞A ；2b)如果跟蹤細(xì)胞A的坐標(biāo)在下一幀二值圖像某個(gè)細(xì)胞B的區(qū)域內(nèi)部，將細(xì)胞A和B確 定為同一個(gè)細(xì)胞，并將細(xì)胞B的坐標(biāo)作為跟蹤細(xì)胞A在下一幀二值圖像中的坐標(biāo)；2c)更新跟蹤細(xì)胞A的跟蹤軌跡，即將細(xì)胞B的坐標(biāo)加入到跟蹤細(xì)胞A的跟蹤軌跡中；2d)循環(huán)步驟2b)到步驟2c)，直到跟蹤細(xì)胞A的坐標(biāo)不再滿足2b)中的條件，完成跟 蹤細(xì)胞A的質(zhì)心跟蹤。
3.根據(jù)權(quán)利要求1所述的細(xì)胞跟蹤方法，其中步驟(3)所述的判斷二值圖像是否為細(xì) 胞跟蹤軌跡的起始圖像和終止圖像，按如下準(zhǔn)則判斷如果細(xì)胞跟蹤軌跡的起始坐標(biāo)在二值圖像上，將此二值圖像作為細(xì)胞跟蹤軌跡的起始 圖像；如果細(xì)胞跟蹤軌跡的終止坐標(biāo)在二值圖像上，將此二值圖像作為細(xì)胞跟蹤軌跡的終止 圖像。
4.根據(jù)權(quán)利要求1所述的細(xì)胞跟蹤方法，其中步驟(4)所述的建立待跟蹤細(xì)胞的鄰域 匹配區(qū)域，選擇待關(guān)聯(lián)細(xì)胞，具體步驟如下4a)以待跟蹤細(xì)胞在當(dāng)前二值圖像中的坐標(biāo)為中心，在下一幀二值圖像中建立一個(gè)窗 口寬度為H的矩形區(qū)域，作為待跟蹤細(xì)胞的鄰域匹配區(qū)域；4b)選擇細(xì)胞中心在該鄰域匹配區(qū)域中的細(xì)胞，作為備選細(xì)胞，如果下一幀二值圖像正 好是備選細(xì)胞的軌跡起始圖像，將該備選細(xì)胞作為待關(guān)聯(lián)細(xì)胞，如果沒有待關(guān)聯(lián)細(xì)胞，判定 待跟蹤細(xì)胞在下一幀圖像中消失，停止對(duì)此待跟蹤細(xì)胞進(jìn)行跟蹤。
5.根據(jù)權(quán)利要求1所述的細(xì)胞跟蹤方法，其中步驟(5)所述的采用特征關(guān)聯(lián)方法對(duì)待 跟蹤細(xì)胞與該細(xì)胞鄰域匹配區(qū)域中的待關(guān)聯(lián)細(xì)胞進(jìn)行特征關(guān)聯(lián)，計(jì)算待跟蹤細(xì)胞與每個(gè)待 關(guān)聯(lián)細(xì)胞的相似度，具體步驟如下5a)通過計(jì)算每個(gè)待關(guān)聯(lián)細(xì)胞與待跟蹤細(xì)胞之間的代價(jià)函數(shù)cost，實(shí)現(xiàn)對(duì)每個(gè)待關(guān)聯(lián) 細(xì)胞與待跟蹤細(xì)胞的特征的關(guān)聯(lián)，計(jì)算公式如下 cost(i, j) = aD
全文摘要
本發(fā)明公開了一種基于質(zhì)心跟蹤框架的特征關(guān)聯(lián)細(xì)胞跟蹤方法，主要解決現(xiàn)有細(xì)胞跟蹤方法正確率低的問題。其過程為對(duì)視頻圖像進(jìn)行二值化分割，提取每個(gè)細(xì)胞的中心位置；對(duì)細(xì)胞進(jìn)行質(zhì)心跟蹤，記錄細(xì)胞的跟蹤軌跡；將軌跡的起始和終止坐標(biāo)分別記錄起始坐標(biāo)集合和終止坐標(biāo)集合中，選擇待跟蹤細(xì)胞，在待跟蹤細(xì)胞的鄰域匹配區(qū)域內(nèi)，選擇待關(guān)聯(lián)細(xì)胞；采用特征關(guān)聯(lián)方法對(duì)待跟蹤細(xì)胞與待關(guān)聯(lián)細(xì)胞進(jìn)行特征關(guān)聯(lián)，更新待跟蹤細(xì)胞軌跡；最后循環(huán)上述步驟直到最后一幀圖像，完成對(duì)所有細(xì)胞的跟蹤。本發(fā)明較其它幾種傳統(tǒng)的跟蹤方法，在跟蹤效果及正確率方面都有提高，可用于醫(yī)學(xué)顯微視頻圖像中對(duì)運(yùn)動(dòng)細(xì)胞的分析。
文檔編號(hào)G06T7/20GK101950424SQ20101027804
公開日2011年1月19日 申請(qǐng)日期2010年9月9日 優(yōu)先權(quán)日2010年9月9日
發(fā)明者于昕, 侯彪, 李悅, 沈威, 焦李成, 王爽, 韓紅, 馬文萍, 高婷婷 申請(qǐng)人:西安電子科技大學(xué)