基于改进分水岭方法的癌细胞图像分割技术学士学位论文.docx
- 文档编号:23104641
- 上传时间:2023-04-30
- 格式:DOCX
- 页数:51
- 大小:651.34KB
基于改进分水岭方法的癌细胞图像分割技术学士学位论文.docx
《基于改进分水岭方法的癌细胞图像分割技术学士学位论文.docx》由会员分享,可在线阅读,更多相关《基于改进分水岭方法的癌细胞图像分割技术学士学位论文.docx(51页珍藏版)》请在冰豆网上搜索。
基于改进分水岭方法的癌细胞图像分割技术学士学位论文
分类号:
TP391.1UDC:
D10621-408-(2012)0670-0
密级:
公开编号:
2008023005
成都信息工程学院
学位论文
基于改进分水岭方法的癌细胞图像分割技术
论文作者姓名:
申请学位专业:
生物医学工程
申请学位类别:
工学学士
指导教师姓名(职称):
论文提交日期:
独创性声明
本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。
据我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得成都信息工程学院或其它教育机构的学位或证书而使用过的材料。
与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。
签名:
日期:
2012年06月09日
关于论文使用授权的说明
本学位论文作者完全了解成都信息工程学院有关保留、使用学位论文的规定,有权保留并向国家有关部门或机构送交论文的复印件和磁盘,允许论文被查阅和借阅。
本人授权成都信息工程学院可以将学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。
(保密的学位论文在解密后应遵守此规定)
签名:
日期:
2012年06月09日
毕业设计(论文)原创性声明和使用授权说明
原创性声明
本人郑重承诺:
所呈交的毕业设计(论文),是我个人在指导教师的指导下进行的研究工作及取得的成果。
尽我所知,除文中特别加以标注和致谢的地方外,不包含其他人或组织已经发表或公布过的研究成果,也不包含我为获得及其它教育机构的学位或学历而使用过的材料。
对本研究提供过帮助和做出过贡献的个人或集体,均已在文中作了明确的说明并表示了谢意。
作者签名:
日 期:
指导教师签名:
日 期:
使用授权说明
本人完全了解大学关于收集、保存、使用毕业设计(论文)的规定,即:
按照学校要求提交毕业设计(论文)的印刷本和电子版本;学校有权保存毕业设计(论文)的印刷本和电子版,并提供目录检索与阅览服务;学校可以采用影印、缩印、数字化或其它复制手段保存论文;在不以赢利为目的前提下,学校可以公布论文的部分或全部内容。
作者签名:
日 期:
学位论文原创性声明
本人郑重声明:
所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。
除了文中特别加以标注引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写的成果作品。
对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。
本人完全意识到本声明的法律后果由本人承担。
作者签名:
日期:
年月日
学位论文版权使用授权书
本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。
本人授权 大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
涉密论文按学校规定处理。
作者签名:
日期:
年月日
导师签名:
日期:
年月日
基于改进分水岭方法的癌细胞图像分割技术
摘要
细胞识别系统是针对癌变组织来分割粘连的细胞,用来进行细胞识别,获取它们的个数,面积,周长等特征。
但是在获取癌细胞图像的过程中,由于很多外在和人为的因素,会存在细胞粘连在一起、并且分布不均的情况。
那么就对后续的研究造成了很大的困难。
传统的分水岭算法在图像分割时,对噪声极为敏感和易于出现过分割。
量化误差、噪声及梯度纹理的局部不规则均会使在后面分割时许多的过小封闭区域,容易丢失细胞的重要轮廓。
针对以上问题,本人在传统分水岭的基础上,实现了一种解决此问题的有效方法。
一、通过中值滤波器滤除部分噪声,再使用形态学滤波平滑图像。
二、求出形态学图像梯度,再进行开闭重建修正梯度,在去掉噪声和纹理细节的情况下保存癌细胞的重要梯度轮廓。
三、对重建后的图像梯度采用极小值标记的分水岭变换。
四、对分割好的细胞进行数目,面积,周长等特征的计算。
该方法能有效抑制过分割,有较好的效果。
关键词:
形态学滤波;梯度;分水岭;统计计算
Cancercellimagesegmentationtechniquebasedonimprovedwatershedalgorithm
Abstract
Cellidentificationsystemisusedtosplittheoverlappedcellsincanceroustissue.Usedforcellrecognition,andgettheirnumber,area,perimeter,andothercharacteristics.Butmostlyintheprocessofgettingthecancercellimage,duetoexternalandanthropogenicfactors.Therewillbecellsticktogetherandtheunevendistribution,thencausedalotofdifficultiesonthefollow-upstudy.Thetraditionalwatershedalgorithmisextremelysensitivetothenoiseinimagesegmentation,andcausetotheover-segmentation.Quantizationerror,noiseandthepartialirregularoftexture'sgradientcanformatenumeroussmallclosedregions.Sothevitalcontourofcellslosemoreeasily.
Inviewoftheaboveproblems.Basedonthetraditionalwatershedalgorithm.Aeffectivewaytosolvetheproblemwasimplemented.First,usethemedianfiltertofilteroutthenoise,thensmoothingtheimagethoughthemorphologicalfilter.Second,calculatethemorphologicalgradient,openingandclosingbyreconstructionwasperformedtorevisethegradient.Third,thewatershedtransformofthegradientimageafterreconstructionbyusingminimummarker.last,calculatethenumberofthecellaftersegmentation,theareaandsoon.Themethodcaneffectivelyrestraintheover-segmentation.Ithasagoodeffect.
Keywords:
Themorphologicalfilter;thegradient;thewatershedalgorithm;statisticalcalculation
目录
1引言1
1.1课题背景1
1.2本课题研究现状2
1.3本课题研究的意义3
1.4本课题的主要内容3
2癌细胞图像改进的分水岭分割4
2.1分水岭基本思想4
2.2分水岭实现原理4
2.2.1模拟浸水的过程原理5
2.2.2模拟降水的过程原理5
2.3图像预处理技术5
2.3.1灰度形态学开闭滤波器5
2.3.2开闭滤波器的改进算法7
2.4形态学梯度9
2.4.1形态学梯度9
2.4.2形态学图像重建10
2.5分水岭分割11
2.5.1修改标记符梯度图的分水岭变换12
2.5.2具体实现步骤13
2.6细胞形态学特征计算13
3实验仿真结果分析14
4结论22
4.1全文总结22
4.2全文展望23
参考文献25
致谢26
1引言
1.1课题背景
图像分割近年来在医学领域的运用越来越广泛,对癌细胞的分析处理是医学图像分割的一个典型例子,在临床诊断拥有重要的意义。
细胞图像分割是对细胞图像分析的基础和关键,也是处理医学图像的重要一环。
但在癌细胞图像切片获取的过程中,癌细胞图像会存在边缘模糊和噪声较大、同时目标和背景的对比度较差的特点。
对于医生对疾病的诊断,判断健康状况极为不利。
由于细胞的特殊性,会存在多个细胞粘连在一块,聚堆成较大区域的现象。
为后续的对细胞图像进行统计细胞数目,计算各个细胞面积、周长造成了比较大的难度。
医学图像分割目前经过多年来的广泛深入研究,多种方法被提出。
基于边缘的分割法,基于阈值的分割法,基于能量泛函的分割方法,基于区域的分割法以及分水岭算法。
其中分水岭算法是一种被广泛应用的基于数学形态学的图像分割方法。
具有边界定位准确,即独特的区域边缘定位能力。
拥有计算速度快,算法易于实现,分割精度高,产生的边界是单像素宽度等各种优点,被运用到医学图像分割中。
然而对于传统的分水岭算法一个不良的缺点就是易于产生过分割问题。
主要原因:
1、对噪声敏感,受内部局部纹理的影响,会使检测到的局部极值过多,从而形成大量封闭的细小区域。
2、让输入的图像是梯度图像,图像不经过预处理进行分水岭,图像中的噪声会直接影响后续的分割效果。
3、对于医学癌细胞图像有对比度很差的特点,易丢失细胞的重要轮廓。
目前的研究来看,主要有两类解决办法去抑制过分割。
一是在细胞分割之前对图像做预处理,在对处理后的图像目标进行标记提取。
二是对分水岭分割后的结果进行区域融合,但是融合的区域数目较大,过程中的计算量也较大,并且十分耗时。
因此本文实现了一种改进分水岭算法。
在图像分割之前进行预处理,通过中值滤波器滤除部分噪声,再通过形态开闭滤波器平滑图像,保留图像的重要轮廓而去除易造成过分割的噪声和细节。
提取出目标的形态学梯度,同时对梯度进行阈值优化。
标记出所需要的目标,利用标记对梯度进行修正。
最后对修正优化后的梯度图像再进行分水岭分割。
后续再对细胞的特征做分析。
1.2本课题研究现状
针对传统的分水岭变换有过分割问题,很难拥有我们想要的满意的分割结果。
很多学者结合自己的研究,提出了很多改进的方法。
就目前进展来看,主要在4类方法中改进:
1、预处理滤波2、区域合并3、标记4、其他。
在预处理滤波期间,由于图像本身具有的噪声和纹理量化误差。
传统分水岭被运用在分割时,会在大边缘包围的区域分割形成很多细小的区域,因此就在真正的边缘中出现了许多的虚假的边缘。
那很多学者在预处理方面做了深入的研究,同时配合实验操作,取得了较好的实验效果。
比如:
康维等人先使用形态学滤波的方法滤除原图中离散的细胞核点的同时也包括了细胞核其中的孔洞,随后应用分水岭算法对重叠细胞进行分割,结果显示算法能提取理想的细胞组织边界。
潘婷婷等人针对卫星图像中道路的基本特征,考虑到提取道路信息的不易,她运用高通滤波器对原始图像进行去噪和平滑,取得了很好的效果。
在改进算法中避免了过分割问题。
有的研究者使用形态学滤波和各向异性滤波两种滤波器来处理遥感图像,同时加上分水岭算法用于检测自动橄榄树[1]。
姬宝金等人在图像预处理过程中先使用中值滤波来消除部分噪声,然后对原始图像的梯度图进行开闭重建运算,在去除了噪声和图像细节的情况下又很好的保留了区域重要轮廓。
在区域合并方面学者们做了很多探究性改进。
针对区域自身的特点,尤鸿霞等人将分水岭算法结合区域合并应用于虹膜图像。
结果表明该方法得到精确封闭的虹膜边缘,减少过度分割现象。
Harrisk等人提出一种有效的改进方法。
即对分水岭分割所得区域进行区域融合,但是初始分水岭分割所得区域数目往往会很大,因此融合过程计算量极大。
学者在标记方向也做了许多改进的研究,在实际的项目中也取得了一定的成绩。
文献[2]对于传统分水岭分割算法对噪声敏感,从而产生过分割的缺点,提出一种基于开闭二次重建的基础上进行非线性处理的分水岭图像分割方案。
王鑫等人在测地距离的概念基础之上,利用小波变换产生多分辨率图像,然后采用基于标记对最低分辨率图像分水岭分割,得到最初分割区域,最后运用小波反变换和区域标记,得到的分水岭分割结果是高分辨率图像,有效地解决了过分割问题。
一种改进方法在医学临床显微图像自动快速分析实现。
参见文献[3],具体是先将二值化后的图像进行距离变换,然后对重建距离变换后的图像采用快速灰度重建算法,最后用分水岭算法分割,实现了自动探测目标细胞并分割重叠细胞,有效避免了过分割和分水岭标记点过分依赖于图像先验知识的缺陷,效果非常好。
同时有些人将小波变换,链码,图论和能量驱动和分水岭结合。
在降低空间复杂度和时间以及适应性方面有很好的成效。
冯林等人将图论融合分水岭算法。
根据分水岭分割所得到的小区域的空间信息和灰度,用规一化分割方法从全局角度在区域之间进行分割来消除过分割现象。
研究人员在传统的分水岭的基础上改进方法,同时与其他方法结合上面做了大量的研究和实验。
将小波变换、链码、图论等与分水岭算法相结合的技术则为分水岭算法改进的研究提供了思路和研究方向。
目前这已经成为了一个图像分割领域最重要的课题。
1.3本课题研究的意义
从医学细胞图像中提取细胞在医学诊断中具有很高的现实意义。
由于医学影像设备仪器的关系,使得医学图像存在目标和背景的对比度较差,图像中噪声较多,同时目标的边缘比较模糊。
那么要把细胞提取出来就尤为关键,这将直接影响例如肿瘤放射治疗、图像引导手术、估计病情等后续操作。
对医生判断病人的病情密不可分。
鉴于分水岭方法能够定位准确的边缘,并行化处理容易,同时运行简单等优点,但是会产生过分割问题。
所以如何利用改进的分水岭从噪声中提取出我们需要的有用的细胞图像将有助于解决这些问题。
1.4本课题的主要内容
本文以医学癌组织细胞图像为研究对象,以如何能够得到准确的细胞细节为出发点,在综合了前人对改进分水岭分割细胞图像研究的基础上系统地研究了基于形态学梯度,开闭重建和阈值优化修正梯度以及通过内外标记限制极小值的分水岭分割算法。
本文首先综合阐述了分水岭细胞分割的研究现状和背景意义。
基于数学形态学的基本理论,详细全面的分析阐述了基本理论。
从灰度图的形态学分析着手,在细胞分割的基础上,研究了分水岭分割及改进算法。
同时将改进的算法用在了医学癌细胞分割的运用上。
论文的主要成果和安排工作如下:
第1章引言以概述的形式简单介绍了分水岭分割技术的发展现状以及本论文研究背景意义。
第2章主要介绍了分水岭的原理,中值滤波和形态学开闭滤波的图像预处理方法。
分析了结构元素形状和大小的差别对滤波结果的影响,同时针对图像的复杂噪声,我们提出了改进的滤波方法。
在单尺度形态学梯度的基础上,我们提出利用一组大小不等的正方形结构元素来求取多尺度形态学梯度,最后基于内外标记和强制极小值方法修正梯度,最后进行分水岭分割。
第3章主要通过几副图像来说明改进方法的过程和分割效果,并对分割后的癌组织细胞进行统计计数和分别计算每个细胞的面积和周长。
第4章对本论文的工作总结和展望。
2癌细胞图像改进的分水岭分割
2.1分水岭基本思想
分水岭算法作为一种基于区域的图像分割方法,建立在数学形态学的基础上。
是数学形态学的在图像处理的经典方法,最初的思想来源于地形学,它把一幅图像看作成是一个立体的地形表面。
图像中每一点的像素灰度值代表该点海拔高度,每一个局部极小值和它的影响区域称为集水盆地。
图像的边缘灰度较大,对应于集水盆地的边界,即地形学中的山脊。
由边缘区域过渡到灰度极小值点的渐变过程称为山坡。
那么就可以在图像中模拟自低向上逐渐淹没地形图的过程。
在每一个局部极小值表面刺穿一个小孔,然后把整个模型慢慢浸入水中,随着浸入的逐渐加深,每一个局部极小值的影响域慢慢向外扩展,当水快要溢满盆地时,也就是两个或者多个盆地的水快要交融时,在两个集水盆汇合处构筑大坝,最后各个盆地会完全被水淹没,只有大坝不会被淹没。
于是得到了各个大坝,即为分水岭。
2.2分水岭实现原理
2.2.1模拟浸水的过程原理
一副高低起伏的地形图,如果把图像的所有像素都看成是它们的地形海拔高度。
地形图由盆地(局部灰度极小值),山脊,以及盆地和山脊之间形成的山坡三部分构成。
水从各个局部最低点向上漫溢,水面逐步上升,不同区域的水在各个区域的边缘便会汇合,我们就需要在山脊上修筑大坝来阻止它们汇合。
这样大坝就将地形模型分割成了不同的区域。
区域边缘建起的大坝被称为分水岭,被分割开的各个区域被称为汇水盆地。
这就是模拟浸水的过程。
2.2.2模拟降水的过程原理
仍然把图像看作是地形图模型来说明。
当一滴雨珠从模型上空落下时,水降落到山体表面并顺势向下流,直到流到相同的局部最低点。
山脊水滴经过的路线就是一个连通分支,通往局部最低点的所有连通分支就形成了一个集水盆地。
那么山脊就是分水岭。
这个就是模拟降水的过程。
2.3图像预处理技术
预处理是图像处理的第一步,也是非常关键的一步。
它能够加强突出大家感兴趣的目标,而抑制对我们无用的信息,最终改善图像的质量。
图像预处理去除背景噪声有很多种方法:
中值滤波[4],邻域平均法[5],形态学滤波[6]。
这些方法主要对图像中的点状噪声滤波效果比较好,对于实际癌细胞图像中复杂的块状背景噪声,往往达不到很好的滤波效果。
那么针对癌细胞图像中复杂块状噪声,我们利用改进的形态学开闭滤波算法。
2.3.1灰度形态学开闭滤波器
把形态学处理从二值图像扩展到灰度图像的基本操作,包括2个基本的运算:
腐蚀、膨胀。
同时在这两个运算的基础上发展的开运算和闭运算。
用
对函数
的灰度膨胀用
,定义为式(2-1):
(2-1)
灰度腐蚀表示为
,定义为式(2-2):
(2-2)
“
”表示膨胀算法,“
”表示腐蚀算法。
函数
为一灰度图像,
为结构元素。
灰度形态膨胀和灰度形态腐蚀,与二值图像不同,运算的时候,移动的是
而不是
。
然而,实际应用中经常是
比
小,所以以
滑过
还是以
滑过
在概念上是没有区别的。
灰度形态膨胀是用最大值运算代替卷积求和,用加法运算代替卷积求乘积。
是以
结构元素为模板,搜寻图像在结构元素大小范围内的灰度和的极大值。
灰度形态腐蚀是用最小值运算代替求和,用减法运算代替相关乘积。
是以
结构元素为模板,搜寻图像在结构元素大小范围内的灰度和的极小值。
从信号处理角度来看,灰度形态和差是一种极值滤波。
灰度形态腐蚀和膨胀相当于局部的最小和最大运算,那么灰度形态学就是一种非线性的,不可逆的变换。
灰度膨胀的计算是逐点进行的,求某点的灰度值就是计算该点局部范围内各点与结构元素所对应点的灰度值之和,并选择其中的最大值作为该点的膨胀结果。
经过膨胀后,目标的边缘得到了延伸。
灰度腐蚀的计算是逐点进行的,求某点的灰度值就是计算该点局部范围内各点与结构元素所对应点的灰度值之差,并选择其中的最小值作为该点的腐蚀结果。
经过腐蚀后,目标的边缘具有高灰度值的点的灰度会降低。
在腐蚀和膨胀基础上的二级运算是开闭运算,分别用“
”和“
”表示。
定义如下:
(2-3)
(2-4)
开运算是先对图像进行腐蚀运算,再进行膨胀运算。
开运算一般能平滑图像的轮廓,削弱狭窄的部分,去掉细的突出。
闭运算则是先对图像进行了膨胀后腐蚀的操作。
它也能平滑图像的轮廓,它一般能融合窄的缺口和细长的弯口。
2.3.2开闭滤波器的改进算法
1、将原始图像进行灰度化处理。
2、对灰度图像进行开闭滤波,经过实验发现,用方形结构元素效果佳。
3、对开闭滤波后的图像结果进行阈值二值化处理。
4、将二值化处理后的结果和原灰度图像比较,保留目标灰度,背景灰度置为“255”。
即为白色,那就能很好的滤掉背景噪声中的气泡。
实验结果:
图2-1为我们处理的原始图像,为了便于观察。
我们截取一个片断图2-2来处理。
图2-1原始灰度图图2-2截取的片段
图2-3(3×3)均值滤波图2-4(5×5)均值滤波
图2-5(3×3)中值滤波图2-6(5×5)中值滤波
通过上面的对比可以看出,均值滤波和中值滤波只能对较小的点状噪声有很好的去噪效果。
当均值滤波器用(3×3)小模块时,滤波效果明显。
当模块变大为(5×5)时,在降低噪声的同时又会使图像变得模糊,给图像带来损失。
中值滤波器是一种非线性平滑滤波器,与均值滤波器相比,它在衰减噪声的同时不会使图像的边缘模糊,不具有边缘模糊效应。
这是中值滤波器的主要优点。
用中值滤波器可以有效的去除点状噪声,同时不会使边缘变模糊。
而对于癌细胞图像中复杂的块状噪声,均值滤波和中值滤波均不能有很好的滤波效果。
那么就需要在中值滤波的基础上使用形态学的开闭滤波器来进行预处理。
开闭滤波结果:
1、用半径为2和4的圆盘形结构元素分别来开闭滤波
图2-7原始灰度图图2-8半径为2的圆盘开闭滤波图2-9半径为4的圆盘开闭滤波
2、改用大小为(2×2)和(4×4)方形结构元素来开闭滤波
图2-10原始灰度图图2-11(2×2)方形结构元素图2-12(4×4)方形结构元素
由上面的实验看出,结构元素的类型和大小都将影响图像的滤波效果。
对此,我们选用方形(2×2)的结构元素。
但是对于下面图像,用(2×2)的方形结构元素并不能很好的取得去噪的效果。
图2-13原始灰度图图2-14(2×2)方形结构元素开闭滤波
对于灰度图中的复杂背景和气泡噪声,我们采用改进的开闭滤波器。
对开闭滤波结果进行阈值二值化。
对应灰度图像使背景噪声置为“255”。
图2-15原始灰度图图2-16阈值二值化图2-17滤波结果
2.4形态学梯度
2.4.1形态学梯度
基于分水岭变换的图像分割方法,其性能在很大程度上依赖于用来计算待分割图像梯度的算法,对分水岭而言,理想的梯度算子输出应等于输入的边缘高度,即边缘两边像素的灰度差,而不是边缘的斜率。
自然图像中一般很少出现阶跃边缘,通常都是界限比较模糊的边缘。
对于这种边缘类型,传统的梯度算子输出的是边缘斜率,形态学梯度算子确能输出高度。
形态学梯度可以用原始图像与图像的膨胀或腐蚀的处理结果进行差分来计算。
对于图像f和结构元素B常用的形态学梯度有以下三种定义:
1、膨胀图像和腐蚀图像之间的算术差
(2-5)
2、原始图像和腐蚀图像之间的算术差
(2-6)
3、膨胀图像和原始图像之间的算术差
(2-7)
B选择为圆盘状结构元素,“
”和“
”分别表示膨胀和腐蚀。
图2-18膨胀图像-腐蚀图像图2-19原始图像-腐蚀图像图2-20膨胀图像-原始图像
形态
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 分水岭 方法 癌细胞 图像 分割 技术 学士学位 论文