血液细胞图像自动分割与计数系统的
血液细胞图像自动分割与计数系统的[20191213213023]
摘 要
白细胞检验是血液分析的一项重要内容，通过对患者体内的白细胞进行定量分析，掌握患者的发病机理，从而为患者的诊断和治疗采取有效措施。但在现在的医院里这项工作存在很多需要解决地问题，如：工作人员工作量大，由于疲劳会引起误判，工作效率低，速度慢，导致延误病人的诊断。因此研制一套可以自动识别白细胞的系统非常迫切，这样不仅可以提高血检的工作效率和精度，还能减少人力劳动。
本文针对白细胞图像的特点，深入研究了白细胞的自动分割原理。给出了一个从复杂的图像场景中分离出白细胞的方案，主要分成了两步来完成白细胞的检出和分割。
首先，通过研究白细胞图像的彩色特征，在HSI颜色空间中根据细胞核的饱和度差异进行阈值分割得到细胞核，完成了白细胞检出的第一步。在白细胞的计数方面，主要通过连通域标记算法确定了细胞核的数量，并且检出了包含单个白细胞的细胞窗。
细胞核提取出后，结合改进的K-均值聚类算法和基于数学形态学的流域分割算法原理，对白细胞的细胞浆进行分割，断开了与白细胞相互粘连的红细胞，从细胞窗中完整的提取出了白细胞。
本文选用了Visual C++ 6.0开发环境，用C/C++语言实现了设计的算法，实验结果表明所采用的算法对白细胞分割计数具有一定的可行性。
查看完整论文请+Q: 351916072
关键字:图像处理；白细胞分割；HSI颜色空间；阈值分割；K-均值聚类分割；数学形态学
目 录
第一章 绪论 1
1.1选题背景和研究意义1
1.2国内外研究现状1
1.3本文主要研究内容2
第二章 白细胞图像自动分割方案3
2.1图像分割基础3
2.2系统环境5
2.3白细胞图像分割的难点5
2.4方案设计6
2.5本章小结6
第三章 实现细胞核的自动提取7
3.1彩色空间7
3.1.1 RGB颜色空间7
3.1.2 HSI 颜色空间8
3.2细胞核的定位检出9
3.2.1 彩色空间转换9
3.2.2基于HSI颜色空间检出细胞核10
3.3白细胞的计数15
3.3.1 连通域标记法统计细胞数量15
3.3.2 单个白细胞细胞窗的确定18
3.4细胞核提取的实验结果与分析18
3.5本章小结18
第四章 实现细胞浆的自动提取19
4.1基于改进的K-均值聚类算法分割图像背景 19
4.2细胞浆的分割20
4.2.1数学形态学 20
4.2.2基于流域算法分割细胞浆 24
4.3细胞浆提取的实验结果与分析26
4.4本章小结27
第五章 总结与展望28
5.1总结28
5.2展望29
参考文献 30
致 谢 32
附 录 33第一章 绪论
1.1 选题背景和研究意义
白细胞检验是血检的一项重要内容[]，其主要工作是测定血液中白细胞的数量、形态等，以此来判断人体是否患病、病情是否严重等，特别是对白血病这种严重血液病的病情诊断具有非常重要的意义。目前，血涂片细胞形态学检查被认为是用于观察血液病比较普遍也是非常重要的手段。如果没有这一项技术，很多发生在血液系统中的疾病都难以确诊。然而,目前这项技术由于完全是人工操作，还存在不少问题：(1)工作效率很低；(2)长时间工作导致的疲劳会造成误判。
近年来，随着计算机科学技术的飞速发展，用计算机进行图像处理等操作越来越成熟，这也促进了它在医学中的应用，比较典型的就是对显微镜下血液细胞形态的自动识别。
据国内医院不完全统计，全国每天总共有几百万张血液涂片需进行白细胞检查，面临这种形势，研发出一套自动化仪器具有非常大的意义，这样不仅可以大幅提高检验的效率和精度，还可以降低人力劳动，同时由于人工操作造成的误判也可以避免，实实在在提高了白细胞检验的可靠性。
1.2 国内外研究现状
目前已开发出的血细胞分析仪主要有两种[][]：一种是组织化学染色法，这种方法主要通过连续流动的系统，靠光电效应的方式来分数单一细胞，计算血细胞中白细胞的总数以及各类白细胞的百分率和绝对值。但是无法通过这种方法直接观察白细胞的形态特征，因为它不是基于形态学特点来辨识各类白细胞，而且还无法保留标本，如果想建立病理数据资料库以便进行进一步病理分析的话，它的局限性比较大。
另外一种是原型认识型，它的工作原理是通过模仿人的“脑一一眼”系统来实现白细胞的智能识别，该方法运用数字图像处理和模式识别技术，基于显微镜和CCD摄像机通过数字图像板来将白细胞图像输入到计算机中，由计算机来处理。较之于上一种类型的血细胞分析仪，它可以保留标本，这样就可以建立病理数据资料库了。但是，目前通过显微镜观察到的白细胞图像，一般都是靠人的知识和经验来进行分析的，因为只有通过复杂的识别、特征抽取进行分类才能从图像中获得有用信息，所以想实现显微白细胞图像的自动化处理还是非常困难的。然而，当今医学对显微图像自动处理的需求非常迫切，同时还缺乏熟练技术操作人员，严峻的形势激励了人们不断进行研究。由此可见，图像自动处理和分析技术，在白细胞图像的自动识别和分类方面会有很大的应用前景。
1.3 本文主要研究内容
如图1.1所示的是一般图像处理的流程图[]，白细胞自动分割计数也遵循此流程。
图1.1 一般图像处理流程图
本文研究的系统是医院中用来统计血液中白细胞数量的实用系统。它主要针对病人的血液样本，运用数字图像处理技术，分割出血液中的白细胞，同时计算出白细胞的数量。主要探讨了在微机组成的系统上，实现白细胞图像自动提取的方案，并研究了其可行性和可靠性。主要进行了以下几方面的工作：
（1）确定了能有效地分割出白细胞细胞核的图像分割算法。
（2）基于提取出的细胞核，实现白细胞的计数。
（3）基于相关图像分割方法，研究分割出白细胞细胞浆的算法，完成整个白细胞的提取。
第二章 白细胞图像自动分割方案
2.1 图像分割基础
为了进行图像的分析和处理，首先要将图像中的特征提取出来，图像分割就是指把图像分成各具特性的区域并从中提取出感兴趣目标的技术和过程。这里的特性可以是图像的原始特性如颜色、灰度、纹理或轮廓等，目标即可以只对应单个区域，也可以对应多个区域。对于不同种类的图像，提取到的特征也不同，因此图像分割方法众多，也是人们研究的重点。
传统的图像分割方法可以分为两大类[]。一类是边界方法，该方法假设图像分割结果中的某一个区域在原来图像中一定会有边缘存在；另一类是区域方法，这种方法是假设图像分割结果的某一个区域一定与原图像有着相同的性质，而不同区域的像素却没有相同的性质。这两类方法都各有优缺点，因此有的专家考虑把两者结合起来进行研究。现在，随着科学技术的飞速发展，新方法层出不穷，比如基于彩色空间分割、数学形态学分割等。
图像分割主要包括4种技术[]：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。
(1)并行边界分割
由于不同的图像灰度也不同，在边界处一般存在明显的边缘，可以利用此特征来分割图像。需要说明的是：边缘并不等同于物体间的边界，边缘指的是图像中像素值突变的地方，而物体间的边界则指的是现实场景中存在于物体之间的边界。有可能边界的地方没有边缘，也有可能边缘的地方不是边界，因为现实世界中的物体是三维的，而图像只有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；此外，成像过程中的光照和噪声也是不可避免的影响因素。由于这些原因，基于边缘的图像分割在当前的图像处理中依旧是难题。
在实际的图像分割中，往往只用到一阶和二阶导数，虽然理论上也可以用更高阶的导数，但是因为噪声的影响，三阶以上的导数信息往往会失去应用价值。在处理灰度变化均匀的图像的时候，只用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息，因为二阶导数可以说明灰度突变的类型，二阶导数对噪声也比较敏感，比如我们先对图像进行平滑滤波，消除部分噪声，然后再进行边缘检测。
(2)串行边界分割
在并行边缘检测中，对图像的每一点所做的处理是不依赖于其他点的处理结果的。而串行边界分割中不但利用了像素本身的信息，还利用了前面处理过的像素的信息。串行边界分割技术通常是通过顺序的搜索边缘点来工作的，一般分三个步骤：①确定起始边缘点；②确定搜索准则，根据这个准则来确定下一个边缘点；③设定终止条件。
边界跟踪是一种串行边界分割的方法，它由梯度图中的一个边缘点出发，搜索并连接边缘点进而逐步检测所有边界。在并行边界分割法中，边缘像素不一定能组合成闭合的曲线，因为边界上有可能有缺口，若缺口太大就不能用一条直线或曲线连接，还有可能不是一条边界上的缺口。边界跟踪的方法可以在一定程度上解决这类的问题。
(3)并行区域分割
并行区域分割主要有两种分割方法：阈值分割和聚类。
直接的阈值分割一般不适用于复杂场景的精确分割，如自然场景，因为在复杂场景的图像中，有的区域很难判断究竟是前景还是背景，阈值分割在处理前景和背景对比强烈的图像时非常有用，如果物体的灰度级比较集中，只需简单的设置灰度级阈值，就能有效地提取出物体。
阈值分割主要分为全局阈值和局部阈值，全局阈值分割是指分割过程中对图像中的每一个像素所使用的阈值都相同；局部阈值分割则对每个像素所使用的阈值不同。
在确定最佳全局阈值的时候，常用方法一般有以下几种：试验法、直方图法和最小误差法。当光照不均、有突发噪声或者背景灰度变化较大时，整幅图像的分割就没有合适的单一门限，因为单一的阈值兼顾不了图像中各个像素的实际情况。我们可以对图像按照坐标分块，对每一块分别选取一阈值进行分割，这种与坐标相关的阈值称为动态阈值方法，也叫做自适应阈值方法。这类方法的时间和空间复杂度都比较大，但是抗噪声能力比较强，对采用全局阈值无法分割的图像有较好的效果。对于自适应阈值的选取，比较容易的方法是对每一个像素确定以它为中心的一个领域窗口，然后计算窗口内像素的最大值和最小值，并取它们的均值作为阈值。对图像分块后的每一个子块都采用直方图分析，如果某个子块内有目标和背景，则直方图呈双峰，如果子块内只有单一的目标或背景，则直方图没有双峰，可以根据领域各块分割得到的参数插值进行分割。实际的自适应阈值分割完全可以根据图像的实际性质来对每个像素设定阈值，但要考虑到实际的要求和计算复杂度的问题。
(4)串行区域分割
串行区域分割一般分为两种：一种是区域生长，另一种是分裂合并。区域生长指的是从某一个像素出发，按照一定的准则，逐步加入邻近像素，直到满足一定的条件时，区域生长终止，其好坏程度主要取决于三个因素：初始点、生长准则和终止条件。
分裂合并正好是区域生长的逆过程，它从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标的提取。分裂合并的假设是对于一幅图像的前景区域由一些相互连通的像素组成，因此，把一幅图像分裂到像素级，就可以判定该像素是否为前景像素，当所有像素点或者子区域完成判断后，把前景区域或像素合并就可以得到前景目标。
2.2 系统环境
由于计算机硬件技术的飞速发展，在计算机上实现对彩色图像进行处理已成为主要方法。因此，本系统运行平台采用目前较为主流的计算机，软件的开发环境为Visual C++ 6.0 。
2.3 白细胞图像分割的难点
在血液样本中，白细胞数量大约只占红细胞的1/800，但白细胞直径却是红细胞的1.3倍以上。此外，观察视野中还存在污渍和背景影响等。所以要从中提取出白细胞是比较困难的。主要分割难点有:
（1）由于染色的不标准，染色过浓或者过淡都会导致图像模糊不清，造成图像中各个区域的颜色差异不明显。
（2）在一个观察视野中，除了若干个白细胞外，周围还有大量的红细胞和少数血小板等，而且还有不少红细胞区域与白细胞区域相互粘连。
（3）某些细胞的细胞浆中存在颗粒干扰，导致细胞浆识别率降低。
综上所述，血液细胞图像的复杂性、差异性等属性是挡在自动分割面前的主要问题。
2.4 方案设计
由于血液细胞形态各异而且有互相粘连，在实际操作中也经常出现染色不好、光照不均等情况，因此在进行细胞图像自动分割的时候，应仔细观察图像，充分利用图像中的信息，找出其特征，尽量提高白细胞自动提取的精确率。本文给出了一套结合彩色空间和边界、区域信息的分割方法，最终达到了较好的分割目的。
算法完整流程如图2.1所示：
主要分成了两步来完成对白细胞的分割：首先，在HSI颜色空间中根据饱和度差异进行阈值分割得到细胞核，再利用连通域标记算法完成对白细胞的定位和计数，并且检出了包含单个白细胞的细胞窗。然后基于改进的K-均值聚类分割算法和流域分割算法对细胞浆进行了分割，最终从细胞窗中完整的提取了白细胞。
2.5 本章小结
本章主要介绍了一下图像分割的基础知识，分析了白细胞图像分割的难点，然后设计了一套结合彩色空间、边界和区域信息多种算法的分割方案，下面章节将基于该方案陆续展开研究。第三章 实现细胞核的自动提取
摘 要
白细胞检验是血液分析的一项重要内容，通过对患者体内的白细胞进行定量分析，掌握患者的发病机理，从而为患者的诊断和治疗采取有效措施。但在现在的医院里这项工作存在很多需要解决地问题，如：工作人员工作量大，由于疲劳会引起误判，工作效率低，速度慢，导致延误病人的诊断。因此研制一套可以自动识别白细胞的系统非常迫切，这样不仅可以提高血检的工作效率和精度，还能减少人力劳动。
本文针对白细胞图像的特点，深入研究了白细胞的自动分割原理。给出了一个从复杂的图像场景中分离出白细胞的方案，主要分成了两步来完成白细胞的检出和分割。
首先，通过研究白细胞图像的彩色特征，在HSI颜色空间中根据细胞核的饱和度差异进行阈值分割得到细胞核，完成了白细胞检出的第一步。在白细胞的计数方面，主要通过连通域标记算法确定了细胞核的数量，并且检出了包含单个白细胞的细胞窗。
细胞核提取出后，结合改进的K-均值聚类算法和基于数学形态学的流域分割算法原理，对白细胞的细胞浆进行分割，断开了与白细胞相互粘连的红细胞，从细胞窗中完整的提取出了白细胞。
本文选用了Visual C++ 6.0开发环境，用C/C++语言实现了设计的算法，实验结果表明所采用的算法对白细胞分割计数具有一定的可行性。
查看完整论文请+Q: 351916072
关键字:图像处理；白细胞分割；HSI颜色空间；阈值分割；K-均值聚类分割；数学形态学
目 录
第一章 绪论 1
1.1选题背景和研究意义1
1.2国内外研究现状1
1.3本文主要研究内容2
第二章 白细胞图像自动分割方案3
2.1图像分割基础3
2.2系统环境5
2.3白细胞图像分割的难点5
2.4方案设计6
2.5本章小结6
第三章 实现细胞核的自动提取7
3.1彩色空间7
3.1.1 RGB颜色空间7
3.1.2 HSI 颜色空间8
3.2细胞核的定位检出9
3.2.1 彩色空间转换9
3.2.2基于HSI颜色空间检出细胞核10
3.3白细胞的计数15
3.3.1 连通域标记法统计细胞数量15
3.3.2 单个白细胞细胞窗的确定18
3.4细胞核提取的实验结果与分析18
3.5本章小结18
第四章 实现细胞浆的自动提取19
4.1基于改进的K-均值聚类算法分割图像背景 19
4.2细胞浆的分割20
4.2.1数学形态学 20
4.2.2基于流域算法分割细胞浆 24
4.3细胞浆提取的实验结果与分析26
4.4本章小结27
第五章 总结与展望28
5.1总结28
5.2展望29
参考文献 30
致 谢 32
附 录 33第一章 绪论
1.1 选题背景和研究意义
白细胞检验是血检的一项重要内容[]，其主要工作是测定血液中白细胞的数量、形态等，以此来判断人体是否患病、病情是否严重等，特别是对白血病这种严重血液病的病情诊断具有非常重要的意义。目前，血涂片细胞形态学检查被认为是用于观察血液病比较普遍也是非常重要的手段。如果没有这一项技术，很多发生在血液系统中的疾病都难以确诊。然而,目前这项技术由于完全是人工操作，还存在不少问题：(1)工作效率很低；(2)长时间工作导致的疲劳会造成误判。
近年来，随着计算机科学技术的飞速发展，用计算机进行图像处理等操作越来越成熟，这也促进了它在医学中的应用，比较典型的就是对显微镜下血液细胞形态的自动识别。
据国内医院不完全统计，全国每天总共有几百万张血液涂片需进行白细胞检查，面临这种形势，研发出一套自动化仪器具有非常大的意义，这样不仅可以大幅提高检验的效率和精度，还可以降低人力劳动，同时由于人工操作造成的误判也可以避免，实实在在提高了白细胞检验的可靠性。
1.2 国内外研究现状
目前已开发出的血细胞分析仪主要有两种[][]：一种是组织化学染色法，这种方法主要通过连续流动的系统，靠光电效应的方式来分数单一细胞，计算血细胞中白细胞的总数以及各类白细胞的百分率和绝对值。但是无法通过这种方法直接观察白细胞的形态特征，因为它不是基于形态学特点来辨识各类白细胞，而且还无法保留标本，如果想建立病理数据资料库以便进行进一步病理分析的话，它的局限性比较大。
另外一种是原型认识型，它的工作原理是通过模仿人的“脑一一眼”系统来实现白细胞的智能识别，该方法运用数字图像处理和模式识别技术，基于显微镜和CCD摄像机通过数字图像板来将白细胞图像输入到计算机中，由计算机来处理。较之于上一种类型的血细胞分析仪，它可以保留标本，这样就可以建立病理数据资料库了。但是，目前通过显微镜观察到的白细胞图像，一般都是靠人的知识和经验来进行分析的，因为只有通过复杂的识别、特征抽取进行分类才能从图像中获得有用信息，所以想实现显微白细胞图像的自动化处理还是非常困难的。然而，当今医学对显微图像自动处理的需求非常迫切，同时还缺乏熟练技术操作人员，严峻的形势激励了人们不断进行研究。由此可见，图像自动处理和分析技术，在白细胞图像的自动识别和分类方面会有很大的应用前景。
1.3 本文主要研究内容
如图1.1所示的是一般图像处理的流程图[]，白细胞自动分割计数也遵循此流程。
图1.1 一般图像处理流程图
本文研究的系统是医院中用来统计血液中白细胞数量的实用系统。它主要针对病人的血液样本，运用数字图像处理技术，分割出血液中的白细胞，同时计算出白细胞的数量。主要探讨了在微机组成的系统上，实现白细胞图像自动提取的方案，并研究了其可行性和可靠性。主要进行了以下几方面的工作：
（1）确定了能有效地分割出白细胞细胞核的图像分割算法。
（2）基于提取出的细胞核，实现白细胞的计数。
（3）基于相关图像分割方法，研究分割出白细胞细胞浆的算法，完成整个白细胞的提取。
第二章 白细胞图像自动分割方案
2.1 图像分割基础
为了进行图像的分析和处理，首先要将图像中的特征提取出来，图像分割就是指把图像分成各具特性的区域并从中提取出感兴趣目标的技术和过程。这里的特性可以是图像的原始特性如颜色、灰度、纹理或轮廓等，目标即可以只对应单个区域，也可以对应多个区域。对于不同种类的图像，提取到的特征也不同，因此图像分割方法众多，也是人们研究的重点。
传统的图像分割方法可以分为两大类[]。一类是边界方法，该方法假设图像分割结果中的某一个区域在原来图像中一定会有边缘存在；另一类是区域方法，这种方法是假设图像分割结果的某一个区域一定与原图像有着相同的性质，而不同区域的像素却没有相同的性质。这两类方法都各有优缺点，因此有的专家考虑把两者结合起来进行研究。现在，随着科学技术的飞速发展，新方法层出不穷，比如基于彩色空间分割、数学形态学分割等。
图像分割主要包括4种技术[]：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。
(1)并行边界分割
由于不同的图像灰度也不同，在边界处一般存在明显的边缘，可以利用此特征来分割图像。需要说明的是：边缘并不等同于物体间的边界，边缘指的是图像中像素值突变的地方，而物体间的边界则指的是现实场景中存在于物体之间的边界。有可能边界的地方没有边缘，也有可能边缘的地方不是边界，因为现实世界中的物体是三维的，而图像只有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；此外，成像过程中的光照和噪声也是不可避免的影响因素。由于这些原因，基于边缘的图像分割在当前的图像处理中依旧是难题。
在实际的图像分割中，往往只用到一阶和二阶导数，虽然理论上也可以用更高阶的导数，但是因为噪声的影响，三阶以上的导数信息往往会失去应用价值。在处理灰度变化均匀的图像的时候，只用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息，因为二阶导数可以说明灰度突变的类型，二阶导数对噪声也比较敏感，比如我们先对图像进行平滑滤波，消除部分噪声，然后再进行边缘检测。
(2)串行边界分割
在并行边缘检测中，对图像的每一点所做的处理是不依赖于其他点的处理结果的。而串行边界分割中不但利用了像素本身的信息，还利用了前面处理过的像素的信息。串行边界分割技术通常是通过顺序的搜索边缘点来工作的，一般分三个步骤：①确定起始边缘点；②确定搜索准则，根据这个准则来确定下一个边缘点；③设定终止条件。
边界跟踪是一种串行边界分割的方法，它由梯度图中的一个边缘点出发，搜索并连接边缘点进而逐步检测所有边界。在并行边界分割法中，边缘像素不一定能组合成闭合的曲线，因为边界上有可能有缺口，若缺口太大就不能用一条直线或曲线连接，还有可能不是一条边界上的缺口。边界跟踪的方法可以在一定程度上解决这类的问题。
(3)并行区域分割
并行区域分割主要有两种分割方法：阈值分割和聚类。
直接的阈值分割一般不适用于复杂场景的精确分割，如自然场景，因为在复杂场景的图像中，有的区域很难判断究竟是前景还是背景，阈值分割在处理前景和背景对比强烈的图像时非常有用，如果物体的灰度级比较集中，只需简单的设置灰度级阈值，就能有效地提取出物体。
阈值分割主要分为全局阈值和局部阈值，全局阈值分割是指分割过程中对图像中的每一个像素所使用的阈值都相同；局部阈值分割则对每个像素所使用的阈值不同。
在确定最佳全局阈值的时候，常用方法一般有以下几种：试验法、直方图法和最小误差法。当光照不均、有突发噪声或者背景灰度变化较大时，整幅图像的分割就没有合适的单一门限，因为单一的阈值兼顾不了图像中各个像素的实际情况。我们可以对图像按照坐标分块，对每一块分别选取一阈值进行分割，这种与坐标相关的阈值称为动态阈值方法，也叫做自适应阈值方法。这类方法的时间和空间复杂度都比较大，但是抗噪声能力比较强，对采用全局阈值无法分割的图像有较好的效果。对于自适应阈值的选取，比较容易的方法是对每一个像素确定以它为中心的一个领域窗口，然后计算窗口内像素的最大值和最小值，并取它们的均值作为阈值。对图像分块后的每一个子块都采用直方图分析，如果某个子块内有目标和背景，则直方图呈双峰，如果子块内只有单一的目标或背景，则直方图没有双峰，可以根据领域各块分割得到的参数插值进行分割。实际的自适应阈值分割完全可以根据图像的实际性质来对每个像素设定阈值，但要考虑到实际的要求和计算复杂度的问题。
(4)串行区域分割
串行区域分割一般分为两种：一种是区域生长，另一种是分裂合并。区域生长指的是从某一个像素出发，按照一定的准则，逐步加入邻近像素，直到满足一定的条件时，区域生长终止，其好坏程度主要取决于三个因素：初始点、生长准则和终止条件。
分裂合并正好是区域生长的逆过程，它从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标的提取。分裂合并的假设是对于一幅图像的前景区域由一些相互连通的像素组成，因此，把一幅图像分裂到像素级，就可以判定该像素是否为前景像素，当所有像素点或者子区域完成判断后，把前景区域或像素合并就可以得到前景目标。
2.2 系统环境
由于计算机硬件技术的飞速发展，在计算机上实现对彩色图像进行处理已成为主要方法。因此，本系统运行平台采用目前较为主流的计算机，软件的开发环境为Visual C++ 6.0 。
2.3 白细胞图像分割的难点
在血液样本中，白细胞数量大约只占红细胞的1/800，但白细胞直径却是红细胞的1.3倍以上。此外，观察视野中还存在污渍和背景影响等。所以要从中提取出白细胞是比较困难的。主要分割难点有:
（1）由于染色的不标准，染色过浓或者过淡都会导致图像模糊不清，造成图像中各个区域的颜色差异不明显。
（2）在一个观察视野中，除了若干个白细胞外，周围还有大量的红细胞和少数血小板等，而且还有不少红细胞区域与白细胞区域相互粘连。
（3）某些细胞的细胞浆中存在颗粒干扰，导致细胞浆识别率降低。
综上所述，血液细胞图像的复杂性、差异性等属性是挡在自动分割面前的主要问题。
2.4 方案设计
由于血液细胞形态各异而且有互相粘连，在实际操作中也经常出现染色不好、光照不均等情况，因此在进行细胞图像自动分割的时候，应仔细观察图像，充分利用图像中的信息，找出其特征，尽量提高白细胞自动提取的精确率。本文给出了一套结合彩色空间和边界、区域信息的分割方法，最终达到了较好的分割目的。
算法完整流程如图2.1所示：
主要分成了两步来完成对白细胞的分割：首先，在HSI颜色空间中根据饱和度差异进行阈值分割得到细胞核，再利用连通域标记算法完成对白细胞的定位和计数，并且检出了包含单个白细胞的细胞窗。然后基于改进的K-均值聚类分割算法和流域分割算法对细胞浆进行了分割，最终从细胞窗中完整的提取了白细胞。
2.5 本章小结
本章主要介绍了一下图像分割的基础知识，分析了白细胞图像分割的难点，然后设计了一套结合彩色空间、边界和区域信息多种算法的分割方案，下面章节将基于该方案陆续展开研究。第三章 实现细胞核的自动提取
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/2462.html
