尿沉淀显微图像中细胞识别

来源:互联网 发布:九芝堂 知乎 编辑:程序博客网 时间:2024/03/29 15:12

主要是分为三大部分:1、分割出细胞,包括细胞的定位;2、有效特征的提取;3、训练出合适的分类器。

0、预处理

图像加强:f(x,y)=L(x,y)+G(x,y)*H(x,y)

L(x,y)为源图像的低频部分,G(x,y)为图像增强的增益,H(x,y)为源图像的高频成分。

一、细胞分割

方法1:

a、先进行图像平滑滤波、锐化滤波、RGB空间转换至HSI;

b、基于HSI颜色空间,彩色图像背景区域的亮度I明显大于其它部分,且分布十分集中,白细胞与红细胞在H上有明显的差别。将色度分量H调至最大,可以增加白细胞、红细胞与背景的对比度,然后转换至色度空间进行色度分量提取,利用色度直方图进行迭代阈值分割。

方法2:

对于不同质量的图像,应采用不同的阈值进行 Canny 边缘提取,例如当图像比较模糊的时候,为了得到多的闭合边缘,应该采用较小的 Canny 阈值;而对于比较清晰的图片,则应使用较大的阈值,以去掉多余的杂点。本方法使用了计算梯度标准差的方法来对阈值进行动态设置。图像梯度的计算方法具体为:



1)如果 STD <  最小阈值STmin ,则表示图像过于模糊,在后期的识别过程中也不易进行识别,则跳过该图像,不做 Canny 边缘检测。

2)如果 STD  ≥  最小阈值STmin 且  STD  ≤  阈值ST,则表示图像较为模糊,但后期识别还可以接受,且 Canny 边缘检测易造成边缘破碎不连续,采用小阈值T1对其进行 Canny 边缘提取。
3)如果 STD ≥阈值ST,则表示图像较为清晰,可采用大点的阈值T2对其进行Canny 运算,同时使用大点的阈值T2可以对图像进行过滤,去除背景中的杂点。

方法3:

1)转换至灰度图像,并去噪;

2)小波变换

  ①读入原图像,对其进行小波变换,将原图像分解为LL,HL,LH,HH四部分; 

  ②将低频部分LL置为零矩阵后,再用置零后的LL分量与原来的HL,LH,HH各分量利用小波变换将图像进行重构;
  ③采用经验阈值T=1.7对重构得到的图像进行阈值处理,大于该阈值的部分灰度值设为1,小于阈值的设为0,得到其   二值图像;
  ④采用半径为4的圆形结构元素对图像进行闭运算,封闭图像中狭窄的断裂以及缺口;
  ⑤对图像用半径为4的圆形结构元素进行填充;
  ⑥采用半径为4的圆形结构元素对图像进行开运算,断开狭小的连接,去掉细小的突出部分。

分割出的尿沉渣目标成分的边缘很不精确,只是目标成分位置的一个粗略定位。因此,根据小波结合形态学分割得到的二值图像,遍历该二值图像,找出每个白色区域的横轴与纵轴的最大值与最小值,即找到了每个二值区域的外接矩形。为了得到完整的尿沉渣各有形成分子图像,实验中,在得到的外接矩形的基础上各边再向外扩展了20个像素,然后将其对应到原尿沉渣图像中,得到了各个完整的尿沉渣子图像。

方法4:


流域分割算法可分为3个步骤:首先将经过预处理的二值图像变换成距离图,即用逐渐加深的灰度级表示,极限腐蚀部分表示为最黑的区域;然后标记出各凸集的“种子”,即计算出极限腐蚀集合y,最后,以各个凸集的“种子”为基础,
逐渐有条件“生长”图像,达到分割的目的。如下图

      

       距离图                                       种子图




二、特征提取

1)几何特征提取

面积、周长、圆形度、矩形度、伸长度、占空比、对称度、均匀度、最小外接矩形的长宽比......

2)统计特征提取

区域灰度均值和图像均值的差;

方差---区域灰度的弥散程度;

一致性。

3)纹理特征提取

a、灰度共生矩阵

熵值-----灰度均匀则熵值小,纹理复杂则熵值大;

角二阶矩------灰度分布均匀的度量;

相关度-----反映图像中局部灰度相关性;

均值、方差、对比度、逆差距......

b、灰度----梯度共生矩阵

能量、灰度平均、梯度平均、惯性、小梯度优势、大梯度优势、灰度熵、梯度熵、混合熵。

c、基于距离变换的 Local Jet 纹理特征

①  距离变换,距离变换是指在二值图中,每个像素值为 1 的点到最近非零值像素的距离,边界点的距离定义为 0。


根据得到的距离图,我们可以按照距离的大小将目标从中心到边缘分为m份,对应于原始目标,则是将目标按照距离值的大小分成了m个环,即将目标从内到外分成了不同层次,我们可以分别统计每个层上的纹理特征。这种做法有效的避免了背景的干扰,而且将纹理的位置信息考虑到特征中,分层次的统计使纹理统计更加细致,同时,根据距离图分成的各个层又能够不受到旋转、平移的干扰。

4)采用PCA给特征空间降维


三、分类器

SVM、BP神经网络。








0 0
原创粉丝点击