一種基于直方圖閾值及低秩表示的白細胞細胞核分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于醫(yī)學圖像處理技術(shù)領(lǐng)域，涉及一種基于直方圖閾值及低秩矩陣表示聚 類的白細胞細胞核分割方法。
【背景技術(shù)】
[0002] 人體血液白細胞的分割識別是近些年來醫(yī)學圖像處理與應(yīng)用領(lǐng)域研宄中最熱門 課題之一，也是一項復(fù)雜而意義重大的研宄工作。也是人體血液中各類白細胞的含量在臨 床診斷中扮演著重要角色，它是判斷有無疾病和疾病嚴重程度的重要依據(jù)之一。白細胞圖 像的自動分割問題是血液白細胞分析中最關(guān)鍵的步驟之一，也是后續(xù)分析和定量研宄的基 礎(chǔ)。白細胞的分割質(zhì)量將直接影響到后續(xù)的細胞和細胞核的特征提取及細胞分類，計數(shù)等。 如果分割結(jié)果不夠準確，則提取出的特征將不能反映細胞以及細胞核的形態(tài)特征，繼而不 能夠在分類時提供準確的特征信息，導(dǎo)致分類的不準確，計數(shù)就會出現(xiàn)偏差，最終影響醫(yī)生 對病情的診斷。
[0003] 目前，許多研宄者在白細胞分割方面做了大量的研宄，提出了許多實用的分割算 法，主要包括：基于閾值的分割方法、邊緣檢測方法和基于區(qū)域的分割方法。其特點如下：
[0004] (1)專利《一種基于生物視覺的二值圖像自動閾值方法》（專利申請?zhí)?201210346068. 6,申請公布日：2013年2月6日）利用閾值的方法進行細胞分割，該方法原 理簡單，實現(xiàn)容易。其算法的主要思想是根據(jù)圖像中的所有灰度級中的特定的灰度級作為 分解，將圖像分成一定相對關(guān)系的兩部分?；陂撝档姆指罘椒ㄖ饕腥珠撝捣指罘椒?和局部閾值分割方法。
[0005] 缺點：這類方法通常只考慮到了圖像的灰度信息，而沒有考慮到圖像的空間特征 信息，因而會對噪聲很敏感。這類方法中，閾值的選擇是非常重要的，因此對閾值的選取也 是很敏感的。
[0006] (2)專利《一種基于閾值分割的圖像邊緣檢測方法》（專利申請?zhí)?200710178737. 2,公開日，2008年4月30日）利用圖像邊緣檢測的方法進行圖像分割，該方 法通過檢測不同區(qū)域之間的邊緣，利用不同區(qū)域在邊緣處的灰度級、顏色或是紋理等的劇 烈變化來解決圖像分割。這類方法的基本思想是按一定的策略將檢測到的邊緣點連接起來 構(gòu)成輪廓，以此來實現(xiàn)分割。
[0007] 缺點：對噪聲較為敏感，對變化不太劇烈的邊緣無法完整的檢測出來。
[0008] (3)專利《基于規(guī)則的區(qū)域生長圖像分割方法》（專利申請?zhí)?00810118794. 6,公 開日2009年1月7日）利用區(qū)域的分割方法來完成圖像的分割，這類方法是將具有相似性 質(zhì)的像素集合起來構(gòu)成區(qū)域。它是從某個或者某些像素點出發(fā)，最后得到整個區(qū)域，進而實 現(xiàn)目標的提取。還有一種方法是區(qū)域分裂的方法，區(qū)域分裂是從整個圖像出發(fā)，不斷分裂得 到各個子區(qū)域，然后再把前景區(qū)域合并，實現(xiàn)目標提取。
[0009] 缺點：需要人為確定種子點，分割結(jié)果在很大程度上依賴于種子點的選擇，同時其 對噪聲很敏感，容易導(dǎo)致空洞或不連續(xù)的區(qū)域。

【發(fā)明內(nèi)容】

[0010] 本發(fā)明的目的是提供一種基于直方圖閾值及低秩表示的白細胞細胞核分割方法， 解決了現(xiàn)有技術(shù)中存在的問題，實現(xiàn)對白細胞細胞核的精準分割。
[0011] 本發(fā)明所采用的技術(shù)方案是，一種基于直方圖閾值及低秩表示的白細胞細胞核分 割方法，包括以下步驟：
[0012] 步驟一：自適應(yīng)閾值的白細胞大致區(qū)域的獲?。?br>[0013] 首先將染色的白細胞圖像從RGB彩色圖像轉(zhuǎn)換成灰度圖像作為輸入圖像，再統(tǒng)計 圖像灰度直方圖，根據(jù)得到的圖像灰度直方圖設(shè)計一個自適應(yīng)的閾值，用該閾值對灰度圖 像進行二值化，即可獲得白細胞的大致區(qū)域；
[0014] 步驟二：白細胞細胞核的精確分割：
[0015] 對上述提取的白細胞的大致區(qū)域從RGB空間轉(zhuǎn)換到Lab彩色空間，將a彩色空間 和b彩色空間像素值作為像素的特征作為下一步聚類方法的輸入特征，根據(jù)上面得到的特 征向量，將白細胞大致區(qū)域的像素利用低秩矩陣表示和流形學習理論求取像素之間的相關(guān) 矩陣，根據(jù)求得的相關(guān)矩陣，將像素聚類問題轉(zhuǎn)變成無向圖的分割問題，將每個像素視為無 向圖的節(jié)點，根據(jù)無向圖的節(jié)點和相關(guān)矩陣將像素劃分成組，從而實現(xiàn)像素點的聚類，將白 細胞大致區(qū)域分割成細胞核和背景兩部分。
[0016] 本發(fā)明的特征還在于，
[0017] 步驟一自適應(yīng)閾值的白細胞大致區(qū)域的獲取具體包括以下步驟：
[0018] 1)將彩色血細胞圖像從RGB空間轉(zhuǎn)換到灰度空間，其轉(zhuǎn)換的公式為：
[0019] Y = 0? 212671*R+0. 715160*G+0. 072169*B，
[0020] 2)對灰度圖像統(tǒng)計其直方圖，并利用自動閾值法OTSU自適應(yīng)選擇閾值，實現(xiàn)白細 胞大致區(qū)域的初步提取。
[0021] 步驟二白細胞細胞核的精確分割具體包括以下步驟：
[0022] 1)將獲得的白細胞的大致區(qū)域的像素從RGB彩色空間轉(zhuǎn)換到Lab彩色空間；將a 和b空間的色彩作為像素的特征用于作為下一步聚類的輸入特征向量；
[0023] 2)令X = [Xl，x2，…，xn]為步驟二1)中得到的特征矩陣，其中每一列的x"（i = 1，…，n)表示已經(jīng)檢測到的白細胞大致區(qū)域中的像素的特征向量；
[0024] 假設(shè)所有的大致區(qū)域的像素點分別歸屬于兩類，要么屬于細胞核要么屬于背景， 即假設(shè)子空間是具有低秩性，并且互不相交；
[0025] 為了將X中的向量聚類到其相應(yīng)的類別中，每一個特征向量可以由相應(yīng)的字典A =[ap a2，…，am]的線性組合表示：
[0026] X = AZ
[0027] 其中Z = [Zl，z2，…，zn]為線性表示系數(shù)矩陣；通過求解如下模型求解Z:
[0028]
【主權(quán)項】
1. 一種基于直方圖閾值及低秩表示的白細胞細胞核分割方法，其特征在于，包括以下 步驟： 步驟一：自適應(yīng)閾值的白細胞大致區(qū)域的獲?。? 首先將染色的白細胞圖像從RGB彩色圖像轉(zhuǎn)換成灰度圖像作為輸入圖像，再統(tǒng)計圖像 灰度直方圖，根據(jù)得到的圖像灰度直方圖設(shè)計一個自適應(yīng)的閾值，用該閾值對灰度圖像進 行二值化，即可獲得白細胞的大致區(qū)域； 步驟二：白細胞細胞核的精確分割： 對上述提取的白細胞的大致區(qū)域從RGB空間轉(zhuǎn)換到Lab彩色空間，將a彩色空間和 b彩色空間像素值作為像素的特征作為下一步聚類方法的輸入特征，根據(jù)上面得到的特征 向量，將白細胞大致區(qū)域的像素利用低秩矩陣表示和流形學習理論求取像素之間的相關(guān)矩 陣，根據(jù)求得的相關(guān)矩陣，將像素聚類問題轉(zhuǎn)變成無向圖的分割問題，將每個像素視為無向 圖的節(jié)點，根據(jù)無向圖的節(jié)點和相關(guān)矩陣將像素劃分成組，從而實現(xiàn)像素點的聚類，將白細 胞大致區(qū)域分割成細胞核和背景兩部分。
2. 根據(jù)權(quán)利要求1所述的一種基于直方圖閾值及低秩表示的白細胞細胞核分割方法， 其特征在于，所述步驟一自適應(yīng)閾值的白細胞大致區(qū)域的獲取具體包括以下步驟： 1) 將彩色血細胞圖像從RGB空間轉(zhuǎn)換到灰度空間，其轉(zhuǎn)換的公式為： Y = 0·212671*R+0. 715160*G+0. 072169*B， 2) 對灰度圖像統(tǒng)計其直方圖，并利用自動閾值法OTSU自適應(yīng)選擇閾值，實現(xiàn)白細胞大 致區(qū)域的初步提取。
3. 根據(jù)權(quán)利要求1所述的一種基于直方圖閾值及低秩表示的白細胞細胞核分割方法， 其特征在于，所述步驟二白細胞細胞核的精確分割具體包括以下步驟： 1) 將獲得的白細胞的大致區(qū)域的像素從RGB彩色空間轉(zhuǎn)換到Lab彩色空間；將a和b 空間的色彩作為像素的特征用于作為下一步聚類的輸入特征向量； 2) 令X = [X^X2, "·，χη]為步驟二1)中得到的特征矩陣，其中每一列的Xi, (i = 1，…，η)表示已經(jīng)檢測到的白細胞大致區(qū)域中的像素的特征向量； 假設(shè)所有的大致區(qū)域的像素點分別歸屬于兩類，要么屬于細胞核要么屬于背景，即假 設(shè)子空間是具有低秩性，并且互不相交； 為了將X中的向量聚類到其相應(yīng)的類別中，每一個特征向量可以由相應(yīng)的字典A = Iia1, a2,…，am]的線性組合表不： X = AZ 其中Z = [Zl，Z2，…，zn]為線性表示系數(shù)矩陣；通過求解如下模型求解Z :
這一優(yōu)化問題的最優(yōu)解Z#為數(shù)據(jù)X在字典A下的的低秩表示，又由于求解秩最小化的 模型為NP難題，可以將求秩最小的問題轉(zhuǎn)換成求核范數(shù)最小化，即上述優(yōu)化問題轉(zhuǎn)化為：
其中，11 · 11?表示核范數(shù)； 計算其相關(guān)矩陣z，選擇特征矩陣X作為字典，因此，求解相關(guān)矩陣z的最優(yōu)化問題轉(zhuǎn)換 為：
將微小噪聲考慮到優(yōu)化模型中：
稱為12;1范數(shù)，E為噪聲，[E] ^表示矩陣E 中的第i行第j列元素，λ為正則化因子用來平衡核范和I21范數(shù)的影響； 將基于流形學習的正則項添加到求解相關(guān)矩陣的優(yōu)化模型中，對于樣本矩陣X中的樣 本X1, X2,…，χη，可以構(gòu)建最近鄰無向圖，令W為最近鄰無向圖的權(quán)矩陣，如果樣本Xj位于樣
本Xi的k個最近鄰中，則Wij= 1，否則Wij= 0,定義 而將加權(quán)最近鄰無向圖映射到線性表示系數(shù)Z中，則利用最小化如下模型來求解最佳 映射：
其中L = D-W是Laplacian矩陣，Tr為矩陣的跡，即矩陣對角線元素之和，\為線性表 示系數(shù)，將Laplacian正則項添加到原始低秩表示模型中，可以得到求解相關(guān)矩陣的優(yōu)化 模型為：
s. t. X = XZ+E 其中，Z為線性表示系數(shù)，E為噪聲，L是Laplacian矩陣，β為正則化系數(shù)； 對這一優(yōu)化模型用不精確的拉格朗日乘子算法進行求解得到相關(guān)矩陣的最優(yōu)解； 3)在得到了相關(guān)矩陣的最優(yōu)解Zi之后，則兩個特征向量X i，\之間的關(guān)系可以表示為 Pij= I (Zi)ijI + ! (Z%|，再利用NCut方法利用無向圖分割方法產(chǎn)生最終分割得到的圖像。
【專利摘要】本發(fā)明公開了一種基于直方圖閾值及低秩表示的白細胞細胞核分割方法，包括以下步驟：自適應(yīng)閾值的白細胞大致區(qū)域的獲?。话准毎毎说木_分割。本發(fā)明的有益效果是，利用直方圖閾值法和、低秩矩陣表示和流形學習理論實現(xiàn)了在復(fù)雜彩色人體血液細胞圖像下分割白細胞細胞核的有效方法。利用直方圖閾值法獲得復(fù)雜的血細胞圖像中白細胞的大致區(qū)域。然后對這一大致區(qū)域中的像素點從RGB彩色空間轉(zhuǎn)換到Lab彩色空間，并提取a和b空間的像素值作為像素點的特征。將這些特征用基于流形的低秩表示實現(xiàn)聚類，將其分成細胞核區(qū)域和背景區(qū)域。本發(fā)明對顏色不均勻的圖像和背景雜質(zhì)較多的圖像同樣適用。
【IPC分類】G06T7-00
【公開號】CN104751461
【申請?zhí)枴緾N201510141099
【發(fā)明人】蔡苗苗, 楚建軍, 曹飛龍, 趙建偉, 周正華
【申請人】嘉善加斯戴克醫(yī)療器械有限公司, 中國計量學院
【公開日】2015年7月1日
【申請日】2015年3月29日