一種基于支持向量機(jī)的白細(xì)胞圖像精確分割方法與系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種基于支持向量機(jī)的白細(xì)胞圖像精確分割方法與系統(tǒng)，所述方法包括：細(xì)胞核初始定位與分割，粗略膨脹獲得細(xì)胞大致區(qū)域標(biāo)記圖，利用顏色特征和支持向量機(jī)分類器進(jìn)行細(xì)胞精確分割。本發(fā)明所述方法，一方面根據(jù)人類視覺(jué)顯著性注意機(jī)制，模擬人眼對(duì)圖像邊緣變化的敏感性，提出利用邊緣顏色點(diǎn)對(duì)聚類，實(shí)現(xiàn)細(xì)胞核區(qū)域準(zhǔn)確快速分割；另一方面，本發(fā)明采用的支持向量機(jī)分類器具有良好的穩(wěn)定性與抗干擾性，同時(shí)本發(fā)明充分利用顏色信息及像素點(diǎn)之間的空間關(guān)系，改進(jìn)了支持向量機(jī)分類器訓(xùn)練的訓(xùn)練樣本采樣方式，從而可以實(shí)現(xiàn)細(xì)胞小圖內(nèi)白細(xì)胞的精準(zhǔn)分割。
【專利說(shuō)明】一種基于支持向量機(jī)的白細(xì)胞圖像精確分割方法與系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，更具體地，涉及一種基于支持向量機(jī)的白細(xì)胞圖像精確分割方法與系統(tǒng)。
【背景技術(shù)】
[0002]血細(xì)胞自動(dòng)分割與識(shí)別技術(shù)是近年來(lái)圖像處理技術(shù)的熱門研究方向之一。白細(xì)胞數(shù)目的增加與減少可以作為判斷人體是否受到感染或存在炎癥的主要判據(jù)，所以，利用計(jì)算機(jī)視覺(jué)技術(shù)實(shí)現(xiàn)白細(xì)胞的自動(dòng)統(tǒng)計(jì)與分類可以協(xié)助醫(yī)生實(shí)現(xiàn)快速分析與診斷。一般而言，白細(xì)胞自動(dòng)分類識(shí)別系統(tǒng)包含三個(gè)主要步驟:細(xì)胞分割、特征提取、分類識(shí)別。而特征提取和分類識(shí)別均依賴于細(xì)胞分割的結(jié)果。因此，細(xì)胞分割是細(xì)胞分類識(shí)別系統(tǒng)中極其關(guān)鍵的步驟，保證細(xì)胞分割的精確性、魯棒性、智能性和實(shí)時(shí)性是實(shí)現(xiàn)細(xì)胞分類識(shí)別系統(tǒng)的基礎(chǔ)。
[0003]目前，典型的白細(xì)胞自動(dòng)分割算法大都針對(duì)傳統(tǒng)的標(biāo)準(zhǔn)染色方法(如Wright氏和Giemsa氏染色法)得到的染色效果圖，其染色效果良好，圖像顏色穩(wěn)定，但其存在的嚴(yán)重缺陷是染色時(shí)間過(guò)長(zhǎng)，難以滿足臨床檢測(cè)診斷的實(shí)時(shí)性要求，同時(shí)會(huì)比較多地存在白細(xì)胞與紅細(xì)胞粘連的情況，增加了準(zhǔn)確分割的難度。為了改正傳統(tǒng)染色方法存在的缺陷，科學(xué)家們已經(jīng)發(fā)明了一種針對(duì)血液圖像的新型快速染色試劑，該試劑的染色速度大大提高，每張圖的染色時(shí)間從幾十分鐘減少到十幾秒，同時(shí)會(huì)溶解掉紅細(xì)胞，去除了白細(xì)胞與紅細(xì)胞粘連的可能性。但快速染色帶來(lái)的問(wèn)題是染色不均勻且含有未徹底溶解掉的紅細(xì)胞雜質(zhì)。到目前為止，還沒(méi)有一種有效的自動(dòng)分割方法不僅能針對(duì)傳統(tǒng)的標(biāo)準(zhǔn)染色圖像，也能針對(duì)快速染色圖像產(chǎn)生較好的圖像分割效果。

【發(fā)明內(nèi)容】

[0004]針對(duì)現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種基于支持向量機(jī)的白細(xì)胞圖像精確分割方法與系統(tǒng)，其目的在于不僅能夠針對(duì)標(biāo)準(zhǔn)染色白細(xì)胞圖像實(shí)現(xiàn)精確分害I]，也能夠針對(duì)快速染色白細(xì)胞圖像實(shí)現(xiàn)精確分割。
[0005]為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種基于支持向量機(jī)的白細(xì)胞圖像精確分割方法，包括:
[0006](I)細(xì)胞核初始定位與分割:對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理并提取圖像邊緣，進(jìn)而獲取邊緣特定鄰域內(nèi)的顏色點(diǎn)對(duì)，對(duì)顏色點(diǎn)對(duì)像素點(diǎn)進(jìn)行聚類計(jì)算，并根據(jù)聚類結(jié)果對(duì)所述原始染色白細(xì)胞彩色圖像進(jìn)行全圖掃描，對(duì)細(xì)胞核區(qū)域和非細(xì)胞核區(qū)域進(jìn)行標(biāo)記，將細(xì)胞核區(qū)域作為前景區(qū)域；
[0007](2)粗略膨脹獲得細(xì)胞大致區(qū)域標(biāo)記圖:對(duì)步驟(I)中濾波處理后的彩色圖像進(jìn)行過(guò)分割，得到多個(gè)不規(guī)則小區(qū)域；并對(duì)所述前景區(qū)域進(jìn)行形態(tài)學(xué)膨脹，得到所述多個(gè)不規(guī)則小區(qū)域與膨脹后的前景區(qū)域相交的小區(qū)域集合；判斷所述小區(qū)域集合中的小區(qū)域是否包含有圖像邊緣像素點(diǎn)，若有則將其從所述小區(qū)域集合中去除，得到處理后的小區(qū)域集合；將所述處理后的小區(qū)域集合與膨脹后的前景區(qū)域取并集，得到細(xì)胞大致區(qū)域標(biāo)記圖；
[0008](3)利用顏色特征和支持向量機(jī)SVM分類器進(jìn)行細(xì)胞精確分割:對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行中值濾波，獲得各個(gè)像素點(diǎn)在鄰域內(nèi)的紅綠藍(lán)三通道顏色中值；利用步驟
(2)中過(guò)分割得到的多個(gè)不規(guī)則小區(qū)域和細(xì)胞大致區(qū)域標(biāo)記圖，分別對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域采樣相同個(gè)數(shù)的樣本訓(xùn)練點(diǎn)；基于所述樣本訓(xùn)練點(diǎn)訓(xùn)練得到支持向量機(jī)模型，利用所述支持向量機(jī)模型對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行分類，得到細(xì)胞精確分割圖像。
[0009]本發(fā)明所述方法，一方面根據(jù)人類視覺(jué)顯著性注意機(jī)制，模擬人眼對(duì)圖像邊緣變化的敏感性，提出利用邊緣顏色點(diǎn)對(duì)聚類，實(shí)現(xiàn)細(xì)胞核區(qū)域準(zhǔn)確快速分割；另一方面，本發(fā)明采用的支持向量機(jī)分類器具有良好的穩(wěn)定性與抗干擾性，同時(shí)本發(fā)明充分利用顏色信息及像素點(diǎn)之間的空間關(guān)系，改進(jìn)了支持向量機(jī)分類器訓(xùn)練的訓(xùn)練樣本采樣方式，從而可以實(shí)現(xiàn)細(xì)胞小圖內(nèi)白細(xì)胞的精準(zhǔn)分割。
[0010]優(yōu)選地,所述步驟(I)具體包括:
[0011](11)對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理，并將濾波后的彩色圖像轉(zhuǎn)換為灰度圖像；
[0012](12)獲取所述灰度圖像的邊緣，對(duì)每個(gè)邊緣像素點(diǎn)，計(jì)算其鄰域窗口內(nèi)灰度值最大、最小的兩個(gè)像素點(diǎn)，將這兩個(gè)像素點(diǎn)的顏色值構(gòu)成一組顏色點(diǎn)對(duì)；
[0013](13)對(duì)所有邊緣像素點(diǎn)的顏色點(diǎn)對(duì)進(jìn)行聚類，訓(xùn)練得到混合高斯模型，并獲得各類顏色點(diǎn)對(duì)的三通道顏色均值，將三通道顏色均值最低的一類記為細(xì)胞核類；
[0014](14)利用所述高斯混合模型對(duì)所述濾波后的彩色圖像進(jìn)行全圖掃描，判斷各像素點(diǎn)是否是細(xì)胞核類像素點(diǎn)，并對(duì)細(xì)胞核類像素點(diǎn)和非細(xì)胞核類像素點(diǎn)進(jìn)行二值標(biāo)記，將細(xì)胞核區(qū)域標(biāo)記為前景區(qū)域。
[0015]以上所述優(yōu)選步驟(I)的優(yōu)勢(shì)在于其原理簡(jiǎn)單，且模擬人類視覺(jué)顯著性注意機(jī)制、利用所述的邊緣顏色點(diǎn)對(duì)訓(xùn)練混合高斯模型，能夠在保證訓(xùn)練有效性和穩(wěn)定性的前提下，大幅減少訓(xùn)練像素點(diǎn)數(shù)目，提高了算法速度。
[0016]優(yōu)選地,所述對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理具體為:利用meanshift方法對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理；
[0017]需要指出的是，這里的濾波算法也可采用髙斯濾波、中值濾波、均值濾波等常用低通濾波算法，但是采用meanshift濾波的好處在于其綜合考慮了空間與顏色距離，能夠把一些小的紋理平滑掉，同時(shí)能夠保留真正的邊緣，為后續(xù)提取準(zhǔn)確邊緣做好準(zhǔn)備。
[0018]優(yōu)選地,所述獲取灰度圖像的邊緣具體為:對(duì)所述灰度圖像利用canny算子提取圖像邊緣點(diǎn)。
[0019]需要指出的是，這里也可以使用其他邊緣提取算子(如:Sobel算子、Prewitt算子、Roberts算子、Laplacian算子),然而實(shí)驗(yàn)測(cè)試證明:相比而言，canny算子能夠更準(zhǔn)確地提取實(shí)際邊緣。
[0020]優(yōu)選地，所述計(jì)算灰度圖像邊緣點(diǎn)的顏色點(diǎn)對(duì)具體為:對(duì)于每個(gè)邊緣像素點(diǎn)，獲取其5X5鄰域窗口內(nèi)灰度最大、最小的兩個(gè)像素點(diǎn)，并取這兩個(gè)像素點(diǎn)的紅綠藍(lán)三通道顏色值構(gòu)成顏色點(diǎn)對(duì)。
[0021]通過(guò)選取邊緣像素點(diǎn)5X5鄰域內(nèi)像素點(diǎn)對(duì)的顏色信息作為聚類的輸入特征，可以有效獲取各類別典型像素點(diǎn)、降低聚類時(shí)的噪聲干擾。[0022]優(yōu)選地，所述對(duì)所有邊緣像素點(diǎn)的顏色點(diǎn)對(duì)進(jìn)行聚類并標(biāo)記細(xì)胞核類具體為:對(duì)所有邊緣點(diǎn)的顏色點(diǎn)對(duì)利用混合高斯模型的EM算法進(jìn)行聚類，將所有的像素點(diǎn)分為4類，訓(xùn)練得到混合高斯模型；獲取4個(gè)類別的顏色均值，并將顏色均值灰度化后具有最低灰度的類別標(biāo)記為細(xì)胞核類。
[0023]利用EM算法求解混合高斯模型已經(jīng)是十分成熟的方法，且細(xì)胞核染色較深且相對(duì)穩(wěn)定均勻，內(nèi)聚性好。實(shí)驗(yàn)證明:利用混合高斯模型能夠準(zhǔn)確分割細(xì)胞核區(qū)域。
[0024]優(yōu)選地，所述對(duì)濾波處理后的彩色圖像進(jìn)行過(guò)分割具體為利用分水嶺算法對(duì)所述濾波處理后的彩色圖像進(jìn)行過(guò)分割。
[0025]當(dāng)然，也可以采用其他過(guò)分割方法，例如模糊C均值、k_means(k均值)、基于EM求解的混合高斯模型等，但綜合權(quán)衡過(guò)分割小區(qū)域的顏色一致性以及算法的時(shí)間損耗與復(fù)雜程度，分水嶺分割性能相對(duì)最優(yōu)。
[0026]優(yōu)選地，所述步驟(3)中分別對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域采樣相同個(gè)數(shù)的樣本訓(xùn)練點(diǎn)具體包括:
[0027]對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域分配相同個(gè)數(shù)的樣本訓(xùn)練點(diǎn)；
[0028]對(duì)細(xì)胞區(qū)域的采樣采用分層抽樣方式:首先統(tǒng)計(jì)細(xì)胞區(qū)域內(nèi)不規(guī)則小區(qū)域的個(gè)數(shù)及各個(gè)小區(qū)域的像素點(diǎn)個(gè)數(shù)，然后將分配給細(xì)胞區(qū)域的總采樣點(diǎn)個(gè)數(shù)按照各個(gè)小區(qū)域像素點(diǎn)個(gè)數(shù)占整個(gè)細(xì)胞區(qū)域像素點(diǎn)個(gè)數(shù)的比例分配到各個(gè)小區(qū)域內(nèi)，最后按照均勻采樣的方式在各小區(qū)域內(nèi)進(jìn)行采樣；
[0029]非細(xì)胞區(qū)域的樣本訓(xùn)練點(diǎn)采樣方法同細(xì)胞區(qū)域完全一致。
[0030]對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域采樣相同數(shù)目的樣本訓(xùn)練點(diǎn)，可保證不同類別之間訓(xùn)練程度的均衡性；采用的分層抽樣方法是基于在各個(gè)過(guò)分割小區(qū)域內(nèi)進(jìn)行均勻采樣的，由于各個(gè)過(guò)分割小區(qū)域顏色特征基本一致，這樣就確保了樣本訓(xùn)練點(diǎn)的代表性與穩(wěn)定性，細(xì)胞區(qū)域與非細(xì)胞區(qū)域不同顏色點(diǎn)特征盡可能全面地包含在訓(xùn)練模型中，防止訓(xùn)練時(shí)漏掉顏色特征信息。
[0031]優(yōu)選地,所述步驟(3)中基于所述樣本訓(xùn)練點(diǎn)訓(xùn)練得到支持向量機(jī)模型具體包括:
[0032]對(duì)每個(gè)樣本訓(xùn)練點(diǎn)，選取其紅綠藍(lán)三個(gè)分量的灰度值作為該像素點(diǎn)的前3維特征，選取其鄰域內(nèi)各個(gè)像素點(diǎn)的紅綠藍(lán)三分量灰度中值作為后3維特征，共計(jì)6維特征；將各個(gè)樣本訓(xùn)練點(diǎn)的6維特征及其類別標(biāo)記輸入支持向量機(jī)分類器進(jìn)行訓(xùn)練，獲得當(dāng)前圖像的支持向量機(jī)訓(xùn)練模型。
[0033]當(dāng)然，此處還可以采用其他方式訓(xùn)練得到支持向量機(jī)模型，此處選取6維特征進(jìn)行分類訓(xùn)練，考慮到了當(dāng)前像素點(diǎn)與其空間鄰域像素的位置關(guān)系，相當(dāng)于在特征中增加了“空間信息”，相比于僅只利用當(dāng)前像素顏色作為分類特征，6維更全面更具代表性；后3維特征也可選取鄰域的其他信息，如顏色均值、梯度信息等，但是鄰域顏色中值更能有效反映鄰域顏色信息，且可防止噪聲的干擾。實(shí)驗(yàn)測(cè)試證明:本發(fā)明采用的6維分類特征能夠有效處理圖像中模糊邊緣，更精準(zhǔn)地分割細(xì)胞與非細(xì)胞區(qū)域。
[0034]優(yōu)選地，所述步驟(3)中根據(jù)所述支持向量機(jī)模型對(duì)全全圖進(jìn)行分類，得到細(xì)胞精確分割圖像，該過(guò)程具體包括:
[0035]利用訓(xùn)練得到的支持向量機(jī)模型，對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行分類，并利用形態(tài)學(xué)操作進(jìn)行孔洞填充，平滑細(xì)胞區(qū)域輪廓，去除面積過(guò)小的前景區(qū)域，得到細(xì)胞精確分害_像。
[0036]需要說(shuō)明的是，上述方法利用SVM得到的最后分割結(jié)果，可能會(huì)將背景中存在的很少量與細(xì)胞區(qū)域“相似”的像素點(diǎn)分類為細(xì)胞區(qū)域，細(xì)胞區(qū)域內(nèi)也會(huì)有極少的像素點(diǎn)“類似”于背景像素點(diǎn)，在經(jīng)過(guò)孔洞填充和去除過(guò)小面積的前景區(qū)域后，能得到精確細(xì)胞分割結(jié)
果O
[0037]按照本發(fā)明的另一方面，還提供了一種基于支持向量機(jī)的白細(xì)胞圖像精確分割系統(tǒng)，包括:
[0038]第一模塊，用于細(xì)胞核初始定位與分割:對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理并提取圖像邊緣，進(jìn)而獲取邊緣特定鄰域內(nèi)的顏色點(diǎn)對(duì)，對(duì)顏色點(diǎn)對(duì)像素點(diǎn)進(jìn)行聚類計(jì)算，并根據(jù)聚類結(jié)果對(duì)所述原始染色白細(xì)胞彩色圖像進(jìn)行全圖掃描，對(duì)細(xì)胞核區(qū)域和非細(xì)胞核區(qū)域進(jìn)行標(biāo)記，將細(xì)胞核區(qū)域作為前景區(qū)域；
[0039]第二模塊，用于粗略膨脹獲得細(xì)胞大致區(qū)域標(biāo)記圖:對(duì)第一模塊濾波處理后的彩色圖像進(jìn)行過(guò)分割，得到多個(gè)不規(guī)則小區(qū)域；并對(duì)所述前景區(qū)域進(jìn)行形態(tài)學(xué)膨脹，得到與前景區(qū)域相交的小區(qū)域集合；判斷所述小區(qū)域集合中的小區(qū)域是否包含有圖像邊緣像素點(diǎn)，若有則將其從所述小區(qū)域集合中去除；將小區(qū)域集合與形態(tài)學(xué)膨脹結(jié)果取并集，得到細(xì)胞大致區(qū)域標(biāo)記圖；
[0040]第三模塊，用于利用顏色特征和支持向量機(jī)分類器進(jìn)行細(xì)胞精確分割:對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行中值濾波，獲得各個(gè)像素點(diǎn)在鄰域內(nèi)的紅綠藍(lán)三通道顏色中值；利用所述第二模塊過(guò)分割得到的多個(gè)不規(guī)則小區(qū)域和細(xì)胞大致區(qū)域標(biāo)記圖，分別對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域采樣相同個(gè)數(shù)的樣本訓(xùn)練點(diǎn)；基于所述樣本訓(xùn)練點(diǎn)訓(xùn)練得到支持向量機(jī)模型，利用所述支持向量機(jī)模型對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行分類，得到細(xì)胞精確分割圖像。
[0041]總體而言，通過(guò)本發(fā)明所構(gòu)思的以上技術(shù)方案首先仿照人類視覺(jué)機(jī)制中對(duì)圖像邊緣快速變換的敏感性，在圖像邊緣像素點(diǎn)的鄰域內(nèi)提取顏色點(diǎn)對(duì)，通過(guò)聚類分析快速得到細(xì)胞核區(qū)域準(zhǔn)確分割。同時(shí)，本發(fā)明利用了圖像顏色信息和像素點(diǎn)與鄰域像素點(diǎn)顏色之間的特征關(guān)系，充分發(fā)掘了人眼在分割圖像過(guò)程中采用的特征信息。其次，在SVM在線訓(xùn)練過(guò)程中，本發(fā)明改進(jìn)了膨脹算法，得到相對(duì)可靠的細(xì)胞大致區(qū)域標(biāo)記圖；在樣本點(diǎn)采樣過(guò)程中，為了獲取有代表性的訓(xùn)練樣本，采取分層抽樣方式，即在具有代表性的不規(guī)則小區(qū)域內(nèi)，依據(jù)小區(qū)域像素點(diǎn)個(gè)數(shù)按比例均勻采樣的采樣方式。對(duì)比尋常采用的均勻采樣方式，分層采樣獲取的訓(xùn)練樣本點(diǎn)的代表性和可靠性更好。本發(fā)明不僅適用于傳統(tǒng)染色方法得到的細(xì)胞圖像，也適用于在新型快速染色試劑染色得到的染色不均勻且含有雜質(zhì)的細(xì)胞圖像。尤其是對(duì)于白細(xì)胞圖像邊界模糊的情況，傳統(tǒng)的白細(xì)胞分割方法無(wú)法解決該問(wèn)題，本發(fā)明中能夠得到很好的分割效果。
【專利附圖】

【附圖說(shuō)明】
[0042]圖1是本發(fā)明基于支持向量機(jī)的白細(xì)胞圖像精確分割方法的流程圖；
[0043]圖2是本發(fā)明一個(gè)實(shí)施例中染色白細(xì)胞各個(gè)區(qū)域灰度對(duì)比及核分割結(jié)果，其中上部是灰度細(xì)胞圖像，下部是細(xì)胞核分割結(jié)果；[0044]圖3是本發(fā)明一個(gè)實(shí)施例中對(duì)染色白細(xì)胞進(jìn)行分水嶺算法過(guò)分割得到的不規(guī)則小區(qū)域；
[0045]圖4是本發(fā)明一個(gè)實(shí)施例中對(duì)染色白細(xì)胞進(jìn)行粗略膨脹后獲得的細(xì)胞大致區(qū)域標(biāo)記圖；
[0046]圖5是本發(fā)明一個(gè)實(shí)施例中對(duì)染色白細(xì)胞精確分割結(jié)果；
[0047]圖6是本發(fā)明另一個(gè)實(shí)施例中對(duì)染色白細(xì)胞精確分割結(jié)果；第一、三行為原圖，第二、四行為對(duì)應(yīng)分割結(jié)果；
[0048]其中:圖2至圖5左側(cè)圖均為標(biāo)準(zhǔn)染色細(xì)胞圖像的處理結(jié)果，右側(cè)圖均為快速染色細(xì)胞圖像的處理結(jié)果；圖6中第一二行為快速染色細(xì)胞圖像原圖及其處理結(jié)果，第三四行為為標(biāo)準(zhǔn)染色細(xì)胞圖像原圖及其處理結(jié)果。
【具體實(shí)施方式】
[0049]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。
[0050]圖1為本發(fā)明基于支持向量機(jī)的白細(xì)胞圖像精確分割方法的流程圖，具體的，如圖1所示，所述方法包括:
[0051](I)細(xì)胞核初始定位與分割:對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理并提取圖像邊緣，進(jìn)而獲取邊緣特定鄰域內(nèi)的顏色點(diǎn)對(duì)，對(duì)顏色點(diǎn)對(duì)像素點(diǎn)進(jìn)行聚類計(jì)算，并根據(jù)聚類結(jié)果對(duì)所述原始染色白細(xì)胞彩色圖像進(jìn)行全圖掃描，對(duì)細(xì)胞核區(qū)域和非細(xì)胞核區(qū)域進(jìn)行標(biāo)記，將細(xì)胞核區(qū)域作為前景區(qū)域；
[0052]具體的，所述步驟(I)具體包括:
[0053]( 11)對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理，并將濾波后的彩色圖像轉(zhuǎn)換為灰度圖像；
[0054](12)獲取所述灰度圖像的邊緣，對(duì)每個(gè)邊緣像素點(diǎn)，計(jì)算其鄰域窗口內(nèi)灰度值最大、最小的兩個(gè)像素點(diǎn)，將這兩個(gè)像素點(diǎn)的顏色值構(gòu)成一組顏色點(diǎn)對(duì)；
[0055](13)對(duì)所有邊緣像素點(diǎn)的顏色點(diǎn)對(duì)進(jìn)行聚類，訓(xùn)練得到混合高斯模型，并獲得各類顏色點(diǎn)對(duì)的三通道顏色均值，將三通道顏色均值最低的一類記為細(xì)胞核類；
[0056](14)利用所述高斯混合模型對(duì)所述濾波后的彩色圖像進(jìn)行全圖掃描，判斷各像素點(diǎn)是否是細(xì)胞核類像素點(diǎn)，并對(duì)細(xì)胞核類像素點(diǎn)和非細(xì)胞核類像素點(diǎn)進(jìn)行二值標(biāo)記，將細(xì)胞核區(qū)域標(biāo)記為前景區(qū)域。
[0057]以上所述優(yōu)選步驟(I)的優(yōu)勢(shì)在于其原理簡(jiǎn)單，且模擬人類視覺(jué)顯著性注意機(jī)制、利用所述的邊緣顏色點(diǎn)對(duì)訓(xùn)練混合高斯模型，能夠在保證訓(xùn)練有效性和穩(wěn)定性的前提下，大幅減少訓(xùn)練像素點(diǎn)數(shù)目，提高了算法速度。
[0058]具體的，所述對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理為:利用meanshift方法對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理；
[0059]需要指出的是，這里的濾波算法也可采用髙斯濾波、中值濾波、均值濾波等常用低通濾波算法，但是采用meanshift濾波的好處在于其綜合考慮了空間與顏色距離，能夠把一些小的紋理平滑掉，同時(shí)能夠保留真正的邊緣，為后續(xù)提取準(zhǔn)確邊緣做好準(zhǔn)備。
[0060]具體的，所述獲取灰度圖像的邊緣為:對(duì)所述灰度圖像利用canny算子提取圖像邊緣點(diǎn)；
[0061]需要指出的是，這里也可以使用其他邊緣提取算子(如:Sobel算子、Prewitt算子、Roberts算子、Laplacian算子),然而實(shí)驗(yàn)測(cè)試證明:相比于而言，canny算子能夠更準(zhǔn)確地提取實(shí)際邊緣。
[0062]具體的，所述計(jì)算灰度圖像邊緣點(diǎn)的顏色點(diǎn)對(duì)為:對(duì)于每個(gè)邊緣像素點(diǎn)，獲取其5X5鄰域窗口內(nèi)灰度最大、最小的兩個(gè)像素點(diǎn)，并取這兩個(gè)像素點(diǎn)的紅綠藍(lán)三通道顏色值構(gòu)成顏色點(diǎn)對(duì)；
[0063]通過(guò)選取邊緣像素點(diǎn)5X5鄰域內(nèi)像素點(diǎn)對(duì)的顏色信息作為聚類的輸入特征，可以有效獲取各類別典型像素點(diǎn)、降低聚類時(shí)的噪聲干擾。
[0064]具體的，所述對(duì)所有邊緣像素點(diǎn)的顏色點(diǎn)對(duì)進(jìn)行聚類并標(biāo)記細(xì)胞核類為:對(duì)所有邊緣點(diǎn)的顏色點(diǎn)對(duì)利用混合高斯模型的EM算法進(jìn)行聚類，將所有的像素點(diǎn)分為4類，訓(xùn)練得到混合高斯模型；獲取4個(gè)類別的顏色均值，并將顏色均值灰度化后具有最低灰度的類別標(biāo)記為細(xì)胞核類。
[0065]利用EM算法求解混合高斯模型已經(jīng)是十分成熟的方法，且細(xì)胞核染色深且相對(duì)穩(wěn)定均勻，內(nèi)聚性好。實(shí)驗(yàn)證明:利用混合高斯模型能夠準(zhǔn)確分割細(xì)胞核區(qū)域。
[0066](2)粗略膨脹獲得細(xì)胞大致區(qū)域標(biāo)記圖:對(duì)步驟(I)中濾波處理后的彩色圖像進(jìn)行過(guò)分割，得到多個(gè)不規(guī)則小區(qū)域；并對(duì)所述前景區(qū)域進(jìn)行形態(tài)學(xué)膨脹，得到與前景區(qū)域相交的小區(qū)域集合；判斷所述小區(qū)域集合中的小區(qū)域是否包含有圖像邊緣像素點(diǎn)，若有則將其從所述小區(qū)域集合中去除；將小區(qū)域集合與形態(tài)學(xué)膨脹結(jié)果取并集，得到細(xì)胞大致區(qū)域標(biāo)記圖；
[0067]優(yōu)選地，所述對(duì)濾波處理后的彩色圖像進(jìn)行過(guò)分割具體為利用分水嶺算法對(duì)所述濾波處理后的彩色圖像進(jìn)行過(guò)分割。
[0068]當(dāng)然，也可以采用其他過(guò)分割方法，例如模糊C均值、k_means(k均值)、基于EM求解的混合高斯模型等，但綜合權(quán)衡過(guò)分割小區(qū)域的顏色一致性以及算法的時(shí)間損耗與復(fù)雜程度，分水嶺分割性能相對(duì)最優(yōu)。
[0069](3)利用顏色特征和支持向量機(jī)分類器進(jìn)行細(xì)胞精確分割:對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行中值濾波，獲得各個(gè)像素點(diǎn)在鄰域內(nèi)的紅綠藍(lán)三通道顏色中值；利用步驟(2)中過(guò)分割得到的多個(gè)不規(guī)則小區(qū)域和細(xì)胞大致區(qū)域標(biāo)記圖，分別對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域采樣相同個(gè)數(shù)的樣本訓(xùn)練點(diǎn)；基于所述樣本訓(xùn)練點(diǎn)訓(xùn)練得到支持向量機(jī)模型，利用所述支持向量機(jī)模型對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行分類，得到細(xì)胞精確分割圖像。
[0070]具體地，所述步驟(3)中分別對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域采樣相同個(gè)數(shù)的樣本訓(xùn)練點(diǎn)具體包括:
[0071]對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域分配相同個(gè)數(shù)的樣本訓(xùn)練點(diǎn)；
[0072]對(duì)細(xì)胞區(qū)域的采樣采用分層抽樣方式:首先統(tǒng)計(jì)細(xì)胞區(qū)域內(nèi)不規(guī)則小區(qū)域的個(gè)數(shù)及各個(gè)小區(qū)域的像素點(diǎn)個(gè)數(shù)，然后將分配給細(xì)胞區(qū)域的總采樣點(diǎn)個(gè)數(shù)按照各個(gè)小區(qū)域像素點(diǎn)個(gè)數(shù)占整個(gè)細(xì)胞區(qū)域像素點(diǎn)個(gè)數(shù)的比例分配到各個(gè)小區(qū)域內(nèi)，最后按照均勻采樣的方式在各小區(qū)域內(nèi)進(jìn)行采樣；[0073]非細(xì)胞區(qū)域的樣本訓(xùn)練點(diǎn)采樣方法同細(xì)胞區(qū)域完全一致。
[0074]對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域采樣相同數(shù)目的樣本訓(xùn)練點(diǎn)，可保證不同類別之間訓(xùn)練程度的均衡性；采用的分層抽樣方法是基于在各個(gè)過(guò)分割小區(qū)域內(nèi)進(jìn)行均勻采樣的，由于各個(gè)過(guò)分割小區(qū)域顏色特征基本一致，這樣就確保了樣本訓(xùn)練點(diǎn)的代表性與穩(wěn)定性，細(xì)胞區(qū)域與非細(xì)胞區(qū)域不同顏色點(diǎn)特征盡可能全面地包含在訓(xùn)練模型中，防止訓(xùn)練時(shí)漏掉顏色特征信息。
[0075]具體地，所述步驟(3)中基于所述樣本訓(xùn)練點(diǎn)訓(xùn)練得到支持向量機(jī)模型具體包括:
[0076]對(duì)每個(gè)樣本訓(xùn)練點(diǎn)，選取其紅綠藍(lán)三個(gè)分量的灰度值作為該像素點(diǎn)的前3維特征，選取其鄰域內(nèi)各個(gè)像素點(diǎn)的紅綠藍(lán)三分量灰度中值作為后3維特征，共計(jì)6維特征；將各個(gè)樣本訓(xùn)練點(diǎn)的6維特征及其類別標(biāo)記輸入支持向量機(jī)分類器進(jìn)行訓(xùn)練，獲得當(dāng)前圖像的支持向量機(jī)訓(xùn)練模型。
[0077]當(dāng)然，此處還可以采用其他方式訓(xùn)練得到支持向量機(jī)模型，此處選取6維特征進(jìn)行分類訓(xùn)練，考慮到了當(dāng)前像素點(diǎn)與其空間鄰域像素的位置關(guān)系，相當(dāng)于在特征中增加了“空間信息”，相比于僅只利用當(dāng)前像素顏色作為分類特征，6維更全面更具代表性；后3維特征也可選取鄰域的其他信息，如顏色均值、梯度信息等，但是鄰域顏色中值更能有效反映鄰域顏色信息，且可防止噪聲的干擾。實(shí)驗(yàn)測(cè)試證明:本發(fā)明采用的6維分類特征能夠有效處理圖像中模糊邊緣，更精準(zhǔn)地分割細(xì)胞與非細(xì)胞區(qū)域。
[0078]具體地，所述步驟(3)中根據(jù)所述支持向量機(jī)模型對(duì)全圖進(jìn)行分類，得到細(xì)胞精確分割圖像具體包括:
[0079]利用訓(xùn)練得到的支持向量機(jī)模型，對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行分類，并利用形態(tài)學(xué)操作進(jìn)行孔洞填充，平滑細(xì)胞區(qū)域輪廓，去除面積過(guò)小的前景區(qū)域，得到細(xì)胞精確分害_像。
[0080]需要說(shuō)明的是，此處的處理步驟對(duì)本發(fā)明是必要且有益的，利用SVM得到的最后分割結(jié)果，可能會(huì)將背景中存在的很少量與細(xì)胞區(qū)域“相似”的像素點(diǎn)分類為細(xì)胞區(qū)域，細(xì)胞區(qū)域內(nèi)也會(huì)有極少的像素點(diǎn)“類似”于背景像素點(diǎn)，在經(jīng)過(guò)空洞填充和去除過(guò)小面積前景區(qū)域后，能得到精確細(xì)胞分割結(jié)果。
[0081]本發(fā)明還提出了一種基于支持向量機(jī)的白細(xì)胞圖像精確分割系統(tǒng)，包括:
[0082]第一模塊，用于細(xì)胞核初始定位與分割:對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理并提取圖像邊緣，進(jìn)而獲取邊緣特定鄰域內(nèi)的顏色點(diǎn)對(duì)，對(duì)顏色點(diǎn)對(duì)像素點(diǎn)進(jìn)行聚類計(jì)算，并根據(jù)聚類結(jié)果對(duì)所述原始染色白細(xì)胞彩色圖像進(jìn)行全圖掃描，對(duì)細(xì)胞核區(qū)域和非細(xì)胞核區(qū)域進(jìn)行標(biāo)記，將細(xì)胞核區(qū)域作為前景區(qū)域；
[0083]第二模塊，用于粗略膨脹獲得細(xì)胞大致區(qū)域標(biāo)記圖:對(duì)第一模塊濾波處理后的彩色圖像進(jìn)行過(guò)分割，得到多個(gè)不規(guī)則小區(qū)域；并對(duì)所述前景區(qū)域進(jìn)行形態(tài)學(xué)膨脹，得到與前景區(qū)域相交的小區(qū)域集合；判斷所述小區(qū)域集合中的小區(qū)域是否包含有圖像邊緣像素點(diǎn)，若有則將其從所述小區(qū)域集合中去除；將小區(qū)域集合與形態(tài)學(xué)膨脹結(jié)果取并集，得到細(xì)胞大致區(qū)域標(biāo)記圖；
[0084]第三模塊，用于利用顏色特征和支持向量機(jī)分類器進(jìn)行細(xì)胞精確分割:對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行中值濾波，獲得各個(gè)像素點(diǎn)在鄰域內(nèi)的紅綠藍(lán)三通道顏色中值；利用所述第二模塊過(guò)分割得到的多個(gè)不規(guī)則小區(qū)域和細(xì)胞大致區(qū)域標(biāo)記圖，分別對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域采樣相同個(gè)數(shù)的樣本訓(xùn)練點(diǎn)；基于所述樣本訓(xùn)練點(diǎn)訓(xùn)練得到支持向量機(jī)模型，利用所述支持向量機(jī)模型對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行分類，得到細(xì)胞精確分割圖像。
[0085]總體而言，通過(guò)本發(fā)明所構(gòu)思的以上技術(shù)方案首先仿照人類視覺(jué)機(jī)制中對(duì)圖像邊緣快速變換的敏感性，在圖像邊緣像素點(diǎn)的鄰域內(nèi)提取顏色點(diǎn)對(duì)，通過(guò)聚類分析快速得到細(xì)胞核區(qū)域準(zhǔn)確分割。同時(shí)，本發(fā)明利用了圖像顏色信息和像素點(diǎn)與鄰域像素點(diǎn)顏色之間的特征關(guān)系，充分發(fā)掘了人眼在分割圖像過(guò)程中采用的特征信息。其次，在SVM在線訓(xùn)練過(guò)程中，本發(fā)明改進(jìn)了膨脹算法，得到相對(duì)可靠的細(xì)胞大致區(qū)域標(biāo)記圖；在樣本點(diǎn)采樣過(guò)程中，為了獲取有代表性的訓(xùn)練樣本，采取分層抽樣方式，即在具有代表性的不規(guī)則小區(qū)域內(nèi)，依據(jù)小區(qū)域像素點(diǎn)個(gè)數(shù)按比例均勻采樣的采樣方式。對(duì)比尋常采用的均勻采樣方式，分層采樣獲取的訓(xùn)練樣本點(diǎn)的代表性和可靠性更好。本發(fā)明不僅適用于染色效果較好的傳統(tǒng)染色方法得到的細(xì)胞圖像，也適用于在新型快速染色試劑染色得到的染色不均勻且含有雜質(zhì)的細(xì)胞圖像。尤其是對(duì)于白細(xì)胞圖像邊界模糊的情況，傳統(tǒng)的白細(xì)胞分割方法無(wú)法解決該問(wèn)題，本發(fā)明中能夠得到很好的分割效果。
[0086]下面以一優(yōu)選實(shí)施例對(duì)本發(fā)明基于支持向量機(jī)的白細(xì)胞圖像精確分割方法進(jìn)行描述，具體的，包括如下步驟:
[0087](一)細(xì)胞核初始定位與分割:
[0088](I)預(yù)處理。將輸入的原始染色白細(xì)胞彩色圖像利用meanshift方法進(jìn)行濾波，其中，空間窗口半徑設(shè)定為10,色彩窗口半徑設(shè)定為20,得到濾波后彩色圖像MsColorImg ;當(dāng)然，也可以采用其他方法進(jìn)行濾波處理，例如:髙斯濾波、中值濾波、均值濾波等常用低通濾波算法，但是優(yōu)選地采用meanshift方法，因?yàn)槠渚C合考慮了空間與顏色距離信息，能夠把一些小的紋理平滑掉，同時(shí)保留真正的邊緣，這對(duì)后續(xù)提取準(zhǔn)確邊緣意義重大。
[0089](2)將meanshift濾波后彩色圖像MsColorImg轉(zhuǎn)變?yōu)榛叶葓D像；
[0090](3)對(duì)灰度圖像利用canny算子獲得圖像邊緣，當(dāng)然，也可以采用其他方法獲取圖像邊緣，例如:Sobel算子、Prewitt算子、Roberts算子、Laplacian算子,但是實(shí)驗(yàn)測(cè)試證明:對(duì)于傳統(tǒng)染色和快速染色的白細(xì)胞圖像，canny算子能夠更準(zhǔn)確地提取實(shí)際邊緣。
[0091]對(duì)圖像的每個(gè)邊緣像素點(diǎn)，計(jì)算其5X5鄰域窗口內(nèi)灰度值最大、最小的兩個(gè)像素點(diǎn)，保存這兩個(gè)像素點(diǎn)的顏色值(RnitoGniiwBniin)和(R_，G_，BniJ構(gòu)成一組顏色點(diǎn)對(duì)，其中灰度值的計(jì)算方法為:
[0092]GrayValue = 0.299 X R+0.587 X G+0.114 X B ;
[0093]選取邊緣像素點(diǎn)5X5鄰域內(nèi)像素點(diǎn)對(duì)的顏色信息作為聚類的輸入特征，可以有效獲取各類別典型像素點(diǎn)、降低聚類時(shí)的噪聲干擾。
[0094](4)利用混合高斯模型的EM (Expectation Maximization,最大期望)算法,對(duì)所有獲得的圖像邊緣鄰域內(nèi)顏色點(diǎn)對(duì)，按照R、G、B顏色進(jìn)行聚類，分為4類?？捎?xùn)練得到混合
高斯模型，并獲得各類的R、G、B三通道顏色均值(瓦，$，瓦)，i = 1，2，3，4。其中，EM算法的
迭代收斂條件設(shè)定為最大迭代次數(shù)與迭代誤差相結(jié)合的方式，本發(fā)明實(shí)施例中，設(shè)定當(dāng)?shù)螖?shù)IterTimes>=15或者迭代誤差I(lǐng)terEpsilon〈=0.1時(shí),則終止迭代。
[0095]顯然，根據(jù)先驗(yàn)知識(shí)，盡管對(duì)于不同圖像，無(wú)法確定細(xì)胞漿、背景和紅細(xì)胞對(duì)應(yīng)于EM算法聚類得到的4類中的哪一類，但是可以肯定的是，如圖2所示，細(xì)胞核所在類一定對(duì)應(yīng)于灰度值最低的一類。記灰度值最低的一類對(duì)應(yīng)的類別標(biāo)號(hào)為L(zhǎng)。同時(shí)，需要指出的是，盡管有些輸入的細(xì)胞小圖中并不含有紅細(xì)胞區(qū)域，但是由于細(xì)胞核區(qū)域灰度最低且相對(duì)穩(wěn)定而均勻，分為4類并不會(huì)影響最終細(xì)胞核分割效果。
[0096]利用EM算法求解混合高斯模型已經(jīng)是十分成熟的方法，細(xì)胞核染色深且相對(duì)穩(wěn)定均勻，內(nèi)聚性好。實(shí)驗(yàn)證明:利用混合高斯模型能夠準(zhǔn)確分割細(xì)胞核區(qū)域。
[0097](5)對(duì)meanshift濾波后彩色圖像MsColorImg全圖掃描,將各個(gè)像素點(diǎn)的顏色值(r，g，b)輸入到訓(xùn)練好的混合高斯模型中，得到各個(gè)像素點(diǎn)的分類標(biāo)記i。對(duì)每個(gè)像素點(diǎn)，當(dāng)i = io時(shí)，當(dāng)前像素點(diǎn)為細(xì)胞核內(nèi)像素點(diǎn)，標(biāo)記為I ;否則，當(dāng)前像素點(diǎn)為非細(xì)胞核像素點(diǎn)，標(biāo)記為O。
[0098]由此獲得細(xì)胞核標(biāo)記圖像NucLabelImg,完成了細(xì)胞核分割。
[0099](二)粗略膨脹獲得細(xì)胞大致區(qū)域標(biāo)記圖:
[0100](I)利用分水嶺算法(Watershed algorithm)對(duì)meanshift濾波后彩色圖像MsColorlmg進(jìn)行過(guò)分割。如圖3所示，可以得到N個(gè)不規(guī)則小區(qū)域，本發(fā)明中，只需保證N>8即可。每個(gè)小區(qū)域有相同的標(biāo)號(hào)η，η = 1，2，3，......，N。
[0101](2)對(duì)細(xì)胞核標(biāo)記圖像NucLabelImg做若干次(本發(fā)明實(shí)施例中，建議采用5~9次)形態(tài)學(xué)膨脹，得到形態(tài)學(xué)膨脹后標(biāo)記圖像DilateLabellmg。
[0102](3)獲取與膨脹后標(biāo)記圖像DilateLabellmg中前景點(diǎn)外輪廓相交的小區(qū)域集合IntersectSet0對(duì)于集合IntersectSet中的各個(gè)小區(qū)域,若小區(qū)域包含邊緣像素點(diǎn)，則將該區(qū)域從集合IntersectSet中除去。
[0103](4)獲得細(xì)胞大致區(qū)域圖:
[0104]GeneralRegionofCell = DilateLabellmg U IntersectSet,如圖 4 所不。
[0105](三)利用顏色特征和SVM分類器進(jìn)行細(xì)胞精確分割:
[0106](I)獲得原始輸入彩色圖像的各個(gè)像素點(diǎn)在鄰域內(nèi)(本發(fā)明的實(shí)施例中采用5X5大小的鄰域)的相鄰像素點(diǎn)R、G、B顏色中值。通過(guò)對(duì)原始輸入彩色圖像進(jìn)行中值濾波，即可完成此步驟。
[0107](2)利用步驟(二)中分水嶺算法得到的多個(gè)不規(guī)則小區(qū)域和細(xì)胞大致區(qū)域標(biāo)記圖GeneralRegionofC, ell分別對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域各采樣SampleNum個(gè)的訓(xùn)練樣本點(diǎn)為SVM訓(xùn)練做準(zhǔn)備。其中細(xì)胞區(qū)域的采樣按照均勻采樣的規(guī)則進(jìn)行:統(tǒng)計(jì)細(xì)胞區(qū)域內(nèi)不規(guī)則小區(qū)域的個(gè)數(shù)J及各個(gè)小區(qū)域的像素點(diǎn)個(gè)數(shù)Ij ;各個(gè)小區(qū)域內(nèi)采樣點(diǎn)個(gè)數(shù)^為，

廣/
sJ = round(—；-x SamplcNum +1)
[0108]^r/，其中roundO為取整函數(shù)。
M
[0109]而在小區(qū)域內(nèi)采樣點(diǎn)按均勻采樣選取。非細(xì)胞區(qū)域的樣本訓(xùn)練點(diǎn)采樣方法同細(xì)胞
區(qū)域一致。
[0110]對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域采樣相同數(shù)目的樣本訓(xùn)練點(diǎn)，可保證不同類別之間訓(xùn)練程度的均衡性；采用的分層抽樣方法是基于在各個(gè)過(guò)分割小區(qū)域內(nèi)進(jìn)行均勻采樣的，由于各個(gè)過(guò)分割小區(qū)域顏色特征基本一致，這樣就確保了樣本訓(xùn)練點(diǎn)的代表性與穩(wěn)定性，細(xì)胞區(qū)域與非細(xì)胞區(qū)域不同顏色點(diǎn)特征盡可能全面地包含在訓(xùn)練模型中，防止訓(xùn)練時(shí)漏掉顏色特征信息。
[0111](3)選取樣本點(diǎn)自身顏色特征(r，g，b)和樣本點(diǎn)在鄰域內(nèi)相鄰像素點(diǎn)顏色中值(Median, gmedian, Kedian)組成 6 維特征(r, g, b, Rmeddian, gmedian, bmedian，作為 SVM 分類器的輸入特征。將所有訓(xùn)練樣本點(diǎn)的6維特征及其類別(“I”代表細(xì)胞區(qū)域，“O”代表非細(xì)胞區(qū)域)輸入SVM分類器進(jìn)行在線訓(xùn)練，獲得當(dāng)前輸入圖像的SVM訓(xùn)練模型。
[0112]此處選取6維特征進(jìn)行分類訓(xùn)練，考慮到了當(dāng)前像素點(diǎn)與其空間鄰域像素的位置關(guān)系，相當(dāng)于在特征中增加了 “空間信息”，相比于僅只利用當(dāng)前像素顏色作為分類特征，6維更全面更具代表性；后3維特征也可選取鄰域的其他信息，如顏色均值、梯度信息等，但是鄰域顏色中值更能有效反映鄰域顏色信息，且可防止噪聲的干擾。實(shí)驗(yàn)測(cè)試證明:本發(fā)明采用的6維分類特征能夠有效處理圖像中模糊邊緣，更精準(zhǔn)地分割細(xì)胞與非細(xì)胞區(qū)域。
[0113](4)利用在線訓(xùn)練得到的SVM模型，選取各像素點(diǎn)的6維特征(r, g, b, rffledian, gffledia,nbffleai)作為輸入，對(duì)全圖進(jìn)行分類。分類結(jié)果為“I”的區(qū)域即為細(xì)胞區(qū)域；分類結(jié)果為“O”的區(qū)域即為非細(xì)胞區(qū)域。由此可得細(xì)胞分割圖像。
[0114](5)對(duì)細(xì)胞分割圖像進(jìn)行進(jìn)一步精細(xì)修正。首先對(duì)細(xì)胞分割圖像的細(xì)胞區(qū)域進(jìn)行孔洞填充和邊緣形態(tài)學(xué)平滑。然后再考察細(xì)胞分割圖像中得到的各個(gè)細(xì)胞連通區(qū)域，當(dāng)符合如下兩個(gè)條件時(shí)，把該連通區(qū)域重新標(biāo)記為非細(xì)胞區(qū)域(即:標(biāo)記為O):
[0115]A.該連通區(qū)域像素點(diǎn)個(gè)數(shù)小于(WidthXHeigh) t/10，說(shuō)明該連通區(qū)域過(guò)小，不可能是一個(gè)細(xì)胞區(qū)域，其中Width和Height分別為輸入圖像的寬和高；
[0116]B.該連通區(qū)域不包含細(xì)胞核標(biāo)記圖像NucLabelImg中的細(xì)胞核區(qū)域像素點(diǎn)。
[0117]由此，可得到細(xì)胞精確分割圖像，具體示例見(jiàn)圖5、6。
[0118]需要說(shuō)明的是，此處的處理步驟對(duì)本發(fā)明是必要且有益的。利用SVM得到的最后分割結(jié)果，可能會(huì)將背景中存在的很少量與細(xì)胞區(qū)域“相似”的像素點(diǎn)分類為細(xì)胞區(qū)域，細(xì)胞區(qū)域內(nèi)也會(huì)有極少的像素點(diǎn)“類似”于背景像素點(diǎn)，在經(jīng)過(guò)空洞填充和去除過(guò)小面積前景區(qū)域后，能得到精確細(xì)胞分割結(jié)果。
[0119]總體而言，通過(guò)本發(fā)明所構(gòu)思的以上技術(shù)方案首先仿照人類視覺(jué)機(jī)制中對(duì)圖像邊緣快速變換的敏感性，在圖像邊緣像素點(diǎn)的鄰域內(nèi)提取顏色點(diǎn)對(duì)，通過(guò)聚類分析快速得到細(xì)胞核區(qū)域準(zhǔn)確分割。同時(shí)，本發(fā)明利用了圖像顏色信息和像素點(diǎn)與鄰域像素點(diǎn)顏色之間的特征關(guān)系，充分發(fā)掘了人眼在分割圖像過(guò)程中采用的特征信息。其次，在SVM在線訓(xùn)練過(guò)程中，本發(fā)明改進(jìn)了膨脹算法，得到相對(duì)可靠的細(xì)胞大致區(qū)域標(biāo)記圖；在樣本點(diǎn)采樣過(guò)程中，為了獲取有代表性的訓(xùn)練樣本，采取分層抽樣方式，即在具有代表性的不規(guī)則小區(qū)域內(nèi)，依據(jù)小區(qū)域像素點(diǎn)個(gè)數(shù)按比例均勻采樣的采樣方式。對(duì)比尋常采用的均勻采樣方式，分層采樣獲取的訓(xùn)練樣本點(diǎn)的代表性和可靠性更好。本發(fā)明不僅適用于染色效果較好的傳統(tǒng)染色方法得到的細(xì)胞圖像，也適用于在新型快速染色試劑染色得到的染色不均勻且含有雜質(zhì)的細(xì)胞圖像。尤其是對(duì)于白細(xì)胞圖像邊界模糊的情況，傳統(tǒng)的白細(xì)胞分割方法無(wú)法解決該問(wèn)題，本發(fā)明中能夠得到很好的分割效果。
[0120]本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種基于支持向量機(jī)的白細(xì)胞圖像精確分割方法，其特征在于，包括: (1)細(xì)胞核初始定位與分割:對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理并提取圖像邊緣，進(jìn)而獲取邊緣特定鄰域內(nèi)的顏色點(diǎn)對(duì)，對(duì)顏色點(diǎn)對(duì)像素點(diǎn)進(jìn)行聚類計(jì)算，并根據(jù)聚類結(jié)果對(duì)所述原始染色白細(xì)胞彩色圖像進(jìn)行全圖掃描，對(duì)細(xì)胞核區(qū)域和非細(xì)胞核區(qū)域進(jìn)行標(biāo)記，將細(xì)胞核區(qū)域作為前景區(qū)域； (2)粗略膨脹獲得細(xì)胞大致區(qū)域標(biāo)記圖:對(duì)步驟(I)中濾波處理后的彩色圖像進(jìn)行過(guò)分割，得到多個(gè)不規(guī)則小區(qū)域；并對(duì)所述前景區(qū)域進(jìn)行形態(tài)學(xué)膨脹，得到所述多個(gè)不規(guī)則小區(qū)域與膨脹后的前景區(qū)域相交的小區(qū)域集合；判斷所述小區(qū)域集合中的小區(qū)域是否包含有圖像邊緣像素點(diǎn)，若有則將其從所述小區(qū)域集合中去除，得到處理后的小區(qū)域集合；將所述處理后的小區(qū)域集合與膨脹后的前景區(qū)域取并集，得到細(xì)胞大致區(qū)域標(biāo)記圖； (3)利用顏色特征和支持向量機(jī)分類器進(jìn)行細(xì)胞精確分割:對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行中值濾波，獲得各個(gè)像素點(diǎn)在鄰域內(nèi)的紅綠藍(lán)三通道顏色中值；利用步驟(2)中過(guò)分割得到的多個(gè)不規(guī)則小區(qū)域和細(xì)胞大致區(qū)域標(biāo)記圖，分別對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域采樣相同個(gè)數(shù)的樣本訓(xùn)練點(diǎn)；基于所述樣本訓(xùn)練點(diǎn)訓(xùn)練得到支持向量機(jī)模型，利用所述支持向量機(jī)模型對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行分類，得到細(xì)胞精確分割圖像。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟(I)具體包括: (11)對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理，并將濾波后的彩色圖像轉(zhuǎn)換為灰度圖像； (12)獲取所述灰度圖像的邊緣，對(duì)每個(gè)邊緣像素點(diǎn)，計(jì)算其鄰域窗口內(nèi)灰度值最大、最小的兩個(gè)像素點(diǎn)，將這兩個(gè)像素點(diǎn)的顏色值構(gòu)成一組顏色點(diǎn)對(duì)； (13)對(duì)所有邊緣像素點(diǎn)的顏色點(diǎn)對(duì)進(jìn)行聚類，訓(xùn)練得到混合高斯模型，并獲得各類顏色點(diǎn)對(duì)的三通道顏色均值 ，將三通道顏色均值最低的一類記為細(xì)胞核類； (14)利用所述高斯混合模型對(duì)所述濾波后的彩色圖像進(jìn)行全圖掃描，判斷各像素點(diǎn)是否是細(xì)胞核類像素點(diǎn)，并對(duì)細(xì)胞核類像素點(diǎn)和非細(xì)胞核類像素點(diǎn)進(jìn)行二值標(biāo)記，將細(xì)胞核區(qū)域標(biāo)記為前景區(qū)域。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理具體為: 利用meanshift方法對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理。
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取灰度圖像的邊緣具體為: 對(duì)所述灰度圖像利用canny算子提取圖像邊緣點(diǎn)。
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述計(jì)算灰度圖像邊緣點(diǎn)的顏色點(diǎn)對(duì)具體為: 對(duì)于每個(gè)邊緣像素點(diǎn)，獲取其5X5鄰域窗口內(nèi)灰度最大、最小的兩個(gè)像素點(diǎn)，并取這兩個(gè)像素點(diǎn)的紅綠藍(lán)三通道顏色值構(gòu)成顏色點(diǎn)對(duì)。
6.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對(duì)所有邊緣像素點(diǎn)的顏色點(diǎn)對(duì)進(jìn)行聚類并標(biāo)記細(xì)胞核類具體為: 對(duì)所有邊緣點(diǎn)的顏色點(diǎn)對(duì)利用混合高斯模型的EM算法進(jìn)行聚類，將所有的像素點(diǎn)分為4類，訓(xùn)練得到混合高斯模型；獲取4個(gè)類別的顏色均值，并將顏色均值灰度化后具有最低灰度的類別標(biāo)記為細(xì)胞核類。
7.如權(quán)利要求1至6任一項(xiàng)所述的方法，其特征在于，所述步驟(3)中分別對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域采樣相同個(gè)數(shù)的樣本訓(xùn)練點(diǎn)具體包括: 對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域分配相同個(gè)數(shù)的樣本訓(xùn)練點(diǎn)； 對(duì)細(xì)胞區(qū)域的采樣采用分層抽樣方式:首先統(tǒng)計(jì)細(xì)胞區(qū)域內(nèi)不規(guī)則小區(qū)域的個(gè)數(shù)及各個(gè)小區(qū)域的像素點(diǎn)個(gè)數(shù)，然后將分配給細(xì)胞區(qū)域的總采樣點(diǎn)個(gè)數(shù)按照各個(gè)小區(qū)域像素點(diǎn)個(gè)數(shù)占整個(gè)細(xì)胞區(qū)域像素點(diǎn)個(gè)數(shù)的比例分配到各個(gè)小區(qū)域內(nèi)，最后按照均勻采樣的方式在各小區(qū)域內(nèi)進(jìn)行采樣； 非細(xì)胞區(qū)域的樣本訓(xùn)練點(diǎn)采樣方法同細(xì)胞區(qū)域完全一致。
8.如權(quán)利要求1至6任一項(xiàng)所述的方法，其特征在于，所述步驟(3)中基于所述樣本訓(xùn)練點(diǎn)訓(xùn)練得到支持向量機(jī)模型具體包括: 對(duì)每個(gè)樣本訓(xùn)練點(diǎn)，選取其紅綠藍(lán)三個(gè)分量的灰度值作為該像素點(diǎn)的前3維特征，選取其鄰域內(nèi)各個(gè)像素點(diǎn)的紅綠藍(lán)三分量灰度中值作為后3維特征，共計(jì)6維特征；將各個(gè)樣本訓(xùn)練點(diǎn)的6維特征及其類別標(biāo)記輸入支持向量機(jī)分類器進(jìn)行訓(xùn)練，獲得當(dāng)前圖像的支持向量機(jī)訓(xùn)練模型。
9.如權(quán)利要求1至6任一項(xiàng)所述的方法，其特征在于，所述步驟(3)中根據(jù)所述支持向量機(jī)模型對(duì)全圖進(jìn)行分類，得到細(xì)胞精確分割圖像具體包括: 利用訓(xùn)練得到的支持向量機(jī)模型，對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行分類，并利用形態(tài)學(xué)操作進(jìn)行孔洞填充，平滑細(xì)胞區(qū)域輪廓，去除面積過(guò)小的前景區(qū)域，得到細(xì)胞精確分割圖像。
10.一種基于支持向量機(jī)的白細(xì)胞圖像精確分割系統(tǒng)，其特征在于，包括: 第一模塊，用于細(xì)胞核初始定位與分割:對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行濾波處理并提取圖像邊緣，進(jìn)而獲取邊緣特定鄰域內(nèi)的顏色點(diǎn)對(duì)，對(duì)顏色點(diǎn)對(duì)像素點(diǎn)進(jìn)行聚類計(jì)算，并根據(jù)聚類結(jié)果對(duì)所述原始染色白細(xì)胞彩色圖像進(jìn)行全圖掃描，對(duì)細(xì)胞核區(qū)域和非細(xì)胞核區(qū)域進(jìn)行標(biāo)記，將細(xì)胞核區(qū)域作為前景區(qū)域； 第二模塊，粗略膨脹獲得細(xì)胞大致區(qū)域標(biāo)記圖:對(duì)所述第一模塊濾波處理后的彩色圖像進(jìn)行過(guò)分割，得到多個(gè)不規(guī)則小區(qū)域；并對(duì)所述前景區(qū)域進(jìn)行形態(tài)學(xué)膨脹，得到所述多個(gè)不規(guī)則小區(qū)域與膨脹后的前景區(qū)域相交的小區(qū)域集合；判斷所述小區(qū)域集合中的小區(qū)域是否包含有圖像邊緣像素點(diǎn)，若有則將其從所述小區(qū)域集合中去除，得到處理后的小區(qū)域集合；將所述處理后的小區(qū)域集合與膨脹后的前景區(qū)域取并集，得到細(xì)胞大致區(qū)域標(biāo)記圖； 第三模塊，用于利用顏色特征和支持向量機(jī)分類器進(jìn)行細(xì)胞精確分割:對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行中值濾波，獲得各個(gè)像素點(diǎn)在鄰域內(nèi)的紅綠藍(lán)三通道顏色中值；利用所述第二模塊過(guò)分割得到的多個(gè)不規(guī)則小區(qū)域和細(xì)胞大致區(qū)域標(biāo)記圖，分別對(duì)細(xì)胞區(qū)域和非細(xì)胞區(qū)域采樣相同個(gè)數(shù)的樣本訓(xùn)練點(diǎn)；基于所述樣本訓(xùn)練點(diǎn)訓(xùn)練得到支持向量機(jī)模型，利用所述支持向量機(jī)模型對(duì)原始染色白細(xì)胞彩色圖像進(jìn)行分類，得到細(xì)胞精確分割圖像。
【文檔編號(hào)】G06T7/00GK103473739SQ201310355033
【公開日】2013年12月25日 申請(qǐng)日期:2013年8月15日 優(yōu)先權(quán)日:2013年8月15日
【發(fā)明者】汪國(guó)有, 王勇, 鄭馨, 王然 申請(qǐng)人:華中科技大學(xué)