本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，特別涉及一種基于高光譜成像的粘連紅細(xì)胞自動(dòng)計(jì)數(shù)方法。

背景技術(shù)：

紅細(xì)胞作為最常見(jiàn)的一種血細(xì)胞，承擔(dān)著氧氣運(yùn)輸和免疫功能。紅細(xì)胞計(jì)數(shù)是血常規(guī)檢查的重要指標(biāo)，在疾病預(yù)防與診斷方面具有重要的參考價(jià)值。目前，全自動(dòng)血細(xì)胞分析儀有效地提高了分析速率，但其分析結(jié)果存在較高的假陰性率，部分樣本仍然需要檢驗(yàn)員再次進(jìn)行顯微鏡復(fù)檢以降低漏診率和誤診率。血涂片顯微鏡檢查作為臨床上判斷血細(xì)胞病理變化的金標(biāo)準(zhǔn)仍是必不可少的分析手段。而傳統(tǒng)基于數(shù)字顯微圖像的血細(xì)胞分類與識(shí)別方法能夠?qū)z驗(yàn)人員從繁瑣耗時(shí)的鏡檢工作中解脫出來(lái)，減少人為因素引起的誤判，提高識(shí)別率。但是由于細(xì)胞形態(tài)多樣性、細(xì)胞粘連以及某些成分的干擾，截至目前仍然未能找到一種對(duì)任意細(xì)胞圖像處理精度均符合臨床要求的方法。

顯微高光譜成像技術(shù)將傳統(tǒng)的光學(xué)成像和光譜技術(shù)相結(jié)合，在獲取樣本空間信息的同時(shí)，還為圖像中的每個(gè)像元提供數(shù)十個(gè)至數(shù)百個(gè)窄波段光譜信息，不僅能夠分析血細(xì)胞的形態(tài)結(jié)構(gòu)，還能夠分析細(xì)胞成分含量相關(guān)信息，為實(shí)現(xiàn)更精確的樣本識(shí)別、生化參量提取等提供了可能，有望解決上述基于圖像方法的瓶頸問(wèn)題。但是如何充分利用所獲取的圖像和光譜信息，提高定性與定量分析的準(zhǔn)確性仍然是高光譜成像技術(shù)應(yīng)用的關(guān)鍵。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種基于高光譜成像的粘連紅細(xì)胞自動(dòng)計(jì)數(shù)方法，該方法能夠充分利用光譜與圖像信息，有效地識(shí)別粘連紅細(xì)胞，提高紅細(xì)胞計(jì)數(shù)的準(zhǔn)確率。

實(shí)現(xiàn)本發(fā)明目的的具體技術(shù)方案是：

一種基于高光譜成像的粘連紅細(xì)胞自動(dòng)計(jì)數(shù)方法，所述方法包括以下步驟：

(1)讀入血涂片的高光譜圖像數(shù)據(jù)并進(jìn)行壓縮，采用連續(xù)最大角凸錐方法對(duì)經(jīng)過(guò)壓縮處理的高光譜圖像數(shù)據(jù)進(jìn)行分解，獲取血涂片預(yù)設(shè)數(shù)目端元的豐度圖；

(2)結(jié)合大津法對(duì)所述血涂片預(yù)設(shè)數(shù)目端元的豐度圖分別進(jìn)行二值化處理，并采用數(shù)學(xué)形態(tài)學(xué)方法腐蝕運(yùn)算去除細(xì)小噪聲點(diǎn)，獲取預(yù)設(shè)數(shù)目端元豐度圖的二值圖像；

(3)對(duì)所述預(yù)設(shè)數(shù)目端元豐度圖的二值圖像分別進(jìn)行孔洞填充操作，并根據(jù)經(jīng)過(guò)孔洞填充后的各端元二值圖像中連通域的個(gè)數(shù)及最大連通域的大小選出細(xì)胞質(zhì)二值圖像；

(4)對(duì)所述細(xì)胞質(zhì)二值圖像的細(xì)胞質(zhì)連通域進(jìn)行標(biāo)記與面積統(tǒng)計(jì)，選取細(xì)胞質(zhì)連通域面積的中值作為參考值R；

(5)對(duì)所有細(xì)胞質(zhì)連通域進(jìn)行識(shí)別與計(jì)數(shù)。

進(jìn)一步，步驟(1)具體包括：

讀入血涂片的高光譜圖像數(shù)據(jù)Data(2x，2y，λ)；

采用二次線性插值法對(duì)所述高光譜圖像數(shù)據(jù)中每個(gè)波段的圖像進(jìn)行壓縮，獲取壓縮后的高光譜圖像數(shù)據(jù)Data’(x，y，λ)；

采用連續(xù)最大角凸錐方法對(duì)所述壓縮后的高光譜圖像數(shù)據(jù)Data’(x，y，λ)進(jìn)行分解，獲取血涂片的n個(gè)端元的豐度圖I_j(x，y)(j＝1，2，...，n)。

進(jìn)一步，步驟(2)具體包括：

采用大津法自適應(yīng)地分別獲取所述血涂片的n個(gè)端元的豐度圖I_j(x，y)(j＝1，2，...，n)的分割閾值T_j(j＝1，2，..，n)；

根據(jù)所述分割閾值T_j(j＝1，2，..，n)分別對(duì)所述n個(gè)端元的豐度圖I_j(x，y)(j＝1，2，..，n)進(jìn)行二值化處理，并采用3×3大小的結(jié)構(gòu)元素進(jìn)行數(shù)學(xué)形態(tài)學(xué)腐蝕運(yùn)算去除細(xì)小噪聲點(diǎn)，獲取所述n個(gè)端元的豐度圖I_j(x，y)(j＝1，2，..，n)對(duì)應(yīng)的二值圖像B_j(x，y)(j＝1，2，..，n)。

進(jìn)一步，步驟(3)具體包括：

對(duì)所述二值圖像B_j(x，y)(j＝1，2，..，n)分別進(jìn)行取反操作，獲取反色二值圖像R_j(x，y)(j＝1，2，..，n)；

分別將所述反色二值圖像R_j(x，y)(j＝1，2，..，n)中最大連通域的像素值取反，其他連通域的像素值保持不變，獲取圖像R_j’(x，y)(j＝1，2，..，n)，對(duì)所述二值圖像B_j(x，y)(j＝1，2，..，n)及對(duì)應(yīng)的所述圖像R_j’(x，y)(j＝1，2，..，n)進(jìn)行異或操作，獲得孔洞填充后的二值圖像B_j’(x，y)(j＝1，2，..，n)；

分別獲取所述孔洞填充后的二值圖像B_j’(x，y)(j＝1，2，..，n)中連通域的個(gè)數(shù)N_j(j＝1，2，..，n)以及最大連通域的面積S_j(j＝1，2，..，n)，并分別進(jìn)行判斷，若N_j大于100以及S_j大于1000且小于4000，則所述孔洞填充后的二值圖像B_j’(x，y)為細(xì)胞質(zhì)二值圖像B_c(x，y)。

進(jìn)一步，步驟(4)具體包括：

對(duì)所述細(xì)胞質(zhì)二值圖像B_c(x，y)中的細(xì)胞質(zhì)連通域進(jìn)行標(biāo)記，根據(jù)標(biāo)記分別統(tǒng)計(jì)每個(gè)相應(yīng)標(biāo)記區(qū)域的面積大小，并將面積大小的中值作為參考值R。

進(jìn)一步，步驟(5)具體包括：

依次對(duì)所述細(xì)胞質(zhì)二值圖像B_c(x，y)中每個(gè)所述標(biāo)記的細(xì)胞質(zhì)連通域的面積進(jìn)行判斷；

若所述細(xì)胞質(zhì)連通域的面積小于0.5×R，則不進(jìn)行計(jì)數(shù)；若大于0.5×R并小于1.9×R，記為單個(gè)細(xì)胞；若大于1.9×R，采用最小凸邊形進(jìn)行擬合，若擬合凸邊形面積大于2.5×R，則記為兩個(gè)粘連細(xì)胞，否則記為單個(gè)細(xì)胞。

本發(fā)明提供的技術(shù)方案的有益效果是：本發(fā)明所提出的一種基于高光譜成像的粘連紅細(xì)胞自動(dòng)計(jì)數(shù)方法，通過(guò)對(duì)高光譜圖像數(shù)據(jù)進(jìn)行分解獲取主要端元的豐度圖，不同端元與血液中不同組分相關(guān)，有助于去除與計(jì)數(shù)無(wú)關(guān)的信息，進(jìn)一步對(duì)豐度圖進(jìn)行二值化處理和孔洞填充操作來(lái)自動(dòng)提取細(xì)胞質(zhì)二值圖像，通過(guò)細(xì)胞質(zhì)的識(shí)別和對(duì)細(xì)胞質(zhì)大小的判別，解決了粘連細(xì)胞對(duì)計(jì)數(shù)結(jié)果的影響，提高了紅細(xì)胞自動(dòng)計(jì)數(shù)結(jié)果的準(zhǔn)確率。

附圖說(shuō)明

圖1為本發(fā)明提供的一種基于高光譜成像的粘連紅細(xì)胞自動(dòng)計(jì)數(shù)方法的流程圖；

圖2為本發(fā)明提供的孔洞填充操作流程圖；

圖3為本發(fā)明提供的細(xì)胞質(zhì)二值圖像選取流程圖；

圖4為本發(fā)明提供的粘連紅細(xì)胞識(shí)別流程圖；

圖5為本發(fā)明實(shí)施例的5個(gè)端元的豐度圖像；

圖6為本發(fā)明實(shí)施例的5個(gè)端元的二值圖像；

圖7為本發(fā)明實(shí)施例的經(jīng)過(guò)孔洞填充的5個(gè)端元的二值圖像；

圖8為本發(fā)明實(shí)施例的細(xì)胞質(zhì)二值圖像(a)及粘連紅細(xì)胞識(shí)別結(jié)果圖。

具體實(shí)施方式

為了更加清楚明白地說(shuō)明本發(fā)明所述的技術(shù)手段、技術(shù)改進(jìn)及有益效果，以下結(jié)合附圖對(duì)本發(fā)明進(jìn)行詳細(xì)的說(shuō)明。

本發(fā)明所提供的一種基于高光譜成像的粘連紅細(xì)胞自動(dòng)計(jì)數(shù)方法，參見(jiàn)圖1、圖2、圖3和圖4，包括以下幾個(gè)步驟：

S101：讀入血涂片的高光譜圖像數(shù)據(jù)并進(jìn)行壓縮，采用連續(xù)最大角凸錐方法對(duì)經(jīng)過(guò)壓縮處理的高光譜圖像數(shù)據(jù)進(jìn)行分解，獲取血涂片預(yù)設(shè)數(shù)目端元的豐度圖。

該步驟具體為：

讀入血涂片的高光譜圖像數(shù)據(jù)Data(2x，2y，λ)；

采用二次線性插值法依次將所述高光譜圖像數(shù)據(jù)中每個(gè)波段圖像的行、列數(shù)壓縮為原來(lái)的一半，獲取壓縮后的高光譜圖像數(shù)據(jù)Data’(x，y，λ)；

采用連續(xù)最大角凸錐方法對(duì)所述壓縮后的高光譜圖像數(shù)據(jù)Data’(x，y，λ)進(jìn)行分解，獲取血涂片的5個(gè)端元的豐度圖I_j(x，y)(j＝1，2，...，5)；

其中，預(yù)設(shè)數(shù)目n的選擇根據(jù)實(shí)際應(yīng)用中的需要進(jìn)行設(shè)置，本發(fā)明實(shí)施例對(duì)此不做限制，此處以n＝5為例進(jìn)行說(shuō)明。

S102：結(jié)合大津法對(duì)所述血涂片預(yù)設(shè)數(shù)目端元的豐度圖分別進(jìn)行二值化處理，并采用數(shù)學(xué)形態(tài)學(xué)方法腐蝕運(yùn)算去除細(xì)小噪聲點(diǎn)，獲取預(yù)設(shè)數(shù)目端元豐度圖的二值圖像。

該步驟具體為：

采用大津法自適應(yīng)地分別獲取所述血涂片的5個(gè)端元的豐度圖I_j(x，y)(j＝1，2，...，5)的分割閾值T_j(j＝1，2，...，5)；

將所述5個(gè)端元豐度圖I_j(x，y)(j＝1，2，...，5)中每個(gè)像素點(diǎn)的像素值與分割閾值T_j(j＝1，2，...，5)進(jìn)行比較，若像素點(diǎn)的像素值大于T_j(j＝1，2，...，5)，則將該像素點(diǎn)的像素值置為1，否則將該像素點(diǎn)的像素值置為0，分別獲取5個(gè)端元的豐度圖I_j(x，y)(j＝1，2，...，5)對(duì)應(yīng)的初始二值圖像O_j(x，y)(j＝1，2，...，5)；

采用3×3大小的正方形結(jié)構(gòu)元素分別對(duì)所述初始二值圖像O_j(x，y)(j＝1，2，...，5)進(jìn)行數(shù)學(xué)形態(tài)學(xué)腐蝕運(yùn)算去除細(xì)小噪聲點(diǎn)，獲取5個(gè)端元的豐度圖I_j(x，y)(j＝1，2，...，5)對(duì)應(yīng)的二值圖像B_j(x，y)(j＝1，2，...，5)。

S103：對(duì)所述預(yù)設(shè)數(shù)目端元豐度圖的二值圖像分別進(jìn)行孔洞填充操作，并根據(jù)經(jīng)過(guò)孔洞填充后的各端元二值圖像中連通域的個(gè)數(shù)及最大連通域的大小選出細(xì)胞質(zhì)二值圖像。

該步驟具體為：

對(duì)所述二值圖像B_j(x，y)(j＝1，2，...，5)分別進(jìn)行取反操作，獲取反色二值圖像R_j(x，y)(j＝1，2，...，5)；

采用連通域標(biāo)記算法對(duì)所述反色二值圖像R_j(x，y)(j＝1，2，...，5)中的連通域分別進(jìn)行標(biāo)記，獲取標(biāo)記的反色二值圖像L_j(x，y)(j＝1，2，...，5)，則二值圖像L_j(x，y)(j＝1，2，...，5)中第m_j個(gè)連通域中像素點(diǎn)的像素值就為m_j，其中m_j＝1，2，...，M_j；

分別統(tǒng)計(jì)所述標(biāo)記的反色二值圖像L_j(x，y)(j＝1，2，...，5)中像素值為m_j的像素點(diǎn)的個(gè)數(shù)，記為Num(m_j)(m_j＝1，2，...，M_j)，并找出Num(m_j)(m_j＝1，2，...，M_j)中的最大值所對(duì)應(yīng)的像素點(diǎn)的像素值記為p_j；

將所述標(biāo)記的反色二值圖像L_j(x，y)(j＝1，2，...，5)中像素值為p_j的像素點(diǎn)的像素值置為0，其余像素點(diǎn)的像素值保持不變，得二值圖像R_j’(x，y)(j＝1，2，...，5)；

對(duì)所述二值圖像B_j(x，y)(j＝1，2，...，5)及對(duì)應(yīng)的二值圖像R_j’(x，y)(j＝1，2，...，5)進(jìn)行異或操作，獲得孔洞填充后的二值圖像B_j’(x，y)(j＝1，2，...，5)；

采用連通域標(biāo)記算法對(duì)所述二值圖像B_j’(x，y)(j＝1，2，...，5)的連通域進(jìn)行標(biāo)記，獲取標(biāo)記的二值圖像L_j’(x，y)(j＝1，2，...，5)，則所述標(biāo)記的二值圖像L_j’(x，y)(j＝1，2，...，5)中第k_j個(gè)連通域中像素點(diǎn)的像素值就為k_j，其中k_j＝1，2，...，N_j，N_j(j＝1，2，...，5)即為所述二值圖像B_j’(x，y)(j＝1，2，...，5)中連通域的個(gè)數(shù)；分別統(tǒng)計(jì)所述標(biāo)記的二值圖像L_j’(x，y)(j＝1，2，...，5)中像素值為k_j的像素點(diǎn)的個(gè)數(shù)，記為Num(k_j)(k_j＝1，2，...，N_j)，Num(k_j)(k_j＝1，2，...，N_j)中的最大值即為所述二值圖像B_j’(x，y)(j＝1，2，...，5)中最大連通域的面積，記為S_j；

若滿足N_j大于100以及S_j大于1000且小于4000，則所述孔洞填充后的二值圖像B_j’(x，y)(j＝1，2，...，5)為細(xì)胞質(zhì)二值圖像B_c(x，y)。

S104：對(duì)所述細(xì)胞質(zhì)二值圖像的細(xì)胞質(zhì)連通域進(jìn)行標(biāo)記與面積統(tǒng)計(jì)，選取細(xì)胞質(zhì)連通域面積的中值作為參考值R。

該步驟具體為：

采用連通域標(biāo)記算法對(duì)所述細(xì)胞質(zhì)二值圖像B_c(x，y)中的每個(gè)細(xì)胞質(zhì)連通域進(jìn)行標(biāo)記，獲取標(biāo)記的細(xì)胞質(zhì)二值圖像L_c(x，y)，則L_c(x，y)中第m_c個(gè)細(xì)胞質(zhì)連通域中的像素點(diǎn)的像素值即為m_c，其中m_c＝1，2，...，M_c；

統(tǒng)計(jì)所述標(biāo)記的細(xì)胞質(zhì)二值圖像L_c(x，y)中像素值為m_c的像素點(diǎn)的個(gè)數(shù)Num(m_c)(m_c＝1，2，...，M_c)；

取所述統(tǒng)計(jì)的像素值為m_c的像素點(diǎn)的個(gè)數(shù)Num(m_c)(m_c＝1，2，...，M_c)的中值，作為細(xì)胞質(zhì)面積的參考值R。

S105：對(duì)所有細(xì)胞質(zhì)連通域進(jìn)行識(shí)別與計(jì)數(shù)。

該步驟具體為：

依次將所述統(tǒng)計(jì)的像素值為m_c的像素點(diǎn)的個(gè)數(shù)Num(m_c)(m_c＝1，2，...，M_c)與所述細(xì)胞質(zhì)面積的參考值R進(jìn)行比較；

若所述像素點(diǎn)的個(gè)數(shù)Num(m_c)(m＝1，2，...，M’)小于0.5×R，則不進(jìn)行計(jì)數(shù)；若大于0.5×R并小于1.9×R，記為單個(gè)細(xì)胞；

若所述像素點(diǎn)的個(gè)數(shù)Num(m_c)(m_c＝1，2，...，M_c)大于1.9×R，采用形態(tài)學(xué)圖像處理中的凸殼算法對(duì)Num(m_c)(m_c＝1，2，...，M_c)對(duì)應(yīng)的細(xì)胞質(zhì)連通域進(jìn)行最小凸邊形擬合，并統(tǒng)計(jì)該擬合凸邊形的面積S_c，若S_c＞2.5×R，記為兩個(gè)細(xì)胞，否則記為一個(gè)細(xì)胞。

圖5為本發(fā)明實(shí)施例的5個(gè)端元的豐度圖，分別對(duì)應(yīng)空白區(qū)域(a)、污點(diǎn)(b)、其它(c)、細(xì)胞壁(d)和細(xì)胞質(zhì)(e)。

圖6為本發(fā)明實(shí)施例的5個(gè)端元的二值圖像。

圖7為本發(fā)明實(shí)施例的孔洞填充后的5個(gè)端元的二值圖像。

圖8為本發(fā)明實(shí)施例的孔洞填充后的細(xì)胞質(zhì)二值圖像(a)和對(duì)應(yīng)的細(xì)胞質(zhì)識(shí)別結(jié)果(b)-(d)，其中(b)中的連通域?yàn)椴贿M(jìn)行計(jì)數(shù)的細(xì)胞質(zhì)，(c)中的連通域?yàn)樽R(shí)別為一個(gè)紅細(xì)胞的細(xì)胞質(zhì)，(d)中的連通域?yàn)樽R(shí)別為兩個(gè)紅細(xì)胞的細(xì)胞質(zhì)，可以看到，紅細(xì)胞識(shí)別效果較好。

綜上所述，本發(fā)明提供的技術(shù)方案的有益效果是：本發(fā)明所提出的一種基于高光譜成像的粘連紅細(xì)胞自動(dòng)計(jì)數(shù)方法，通過(guò)對(duì)高光譜圖像數(shù)據(jù)進(jìn)行分解獲取主要端元的豐度圖，由于不同端元與血液中不同組分相關(guān)，有助于去除與計(jì)數(shù)無(wú)關(guān)的信息，進(jìn)一步對(duì)豐度圖進(jìn)行二值化處理和孔洞填充操作來(lái)自動(dòng)提取細(xì)胞質(zhì)二值圖像，通過(guò)統(tǒng)計(jì)細(xì)胞質(zhì)連通域的個(gè)數(shù)、細(xì)胞質(zhì)大小，以及對(duì)統(tǒng)計(jì)值進(jìn)行操作達(dá)到對(duì)細(xì)胞質(zhì)的間接識(shí)別，解決了粘連細(xì)胞對(duì)計(jì)數(shù)結(jié)果的影響，提高了紅細(xì)胞自動(dòng)計(jì)數(shù)結(jié)果的準(zhǔn)確率。根據(jù)不同的應(yīng)用背景，本發(fā)明經(jīng)過(guò)適當(dāng)?shù)男薷耐瑯舆m用于其他相關(guān)圖像處理領(lǐng)域。

以上所述僅為本發(fā)明的較佳實(shí)施例，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、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。