彩色血液显微图像分割方法的研究
血液细胞图像分割在临床医学的检测中有很重要的地位。在20世纪初期血液细胞分割检测的方法很单一，它主要仅能通过光学显微镜并且依靠医务人员的专业知识已经一些工作的经验来完成，显而易见的是这种靠肉眼识别来分割检测方式存在着不少缺点，例如工作量巨大、工作效率低下、主观性比较强等等。现在随着计算机图像技术的飞速发展与投入到医学的工作中使用，图像分割检测技术在血细胞检测方面也获得了较为出色的成绩，这种先进技术的发展将有助于大大地提高血液细胞显微镜下图像的分割计数效率。本文对于血液中最为常见的两种细胞（白细胞和红细胞）进行细胞图像自动分割以及计数，首先分析红白两种细胞的自身的特性，然后根据它们的自身特性选取适合它们的一些分割计数的方法，并且做出实验，例如对于白细胞和红细胞本文采用K均值聚类的算法进行分割，然后分别对白细胞采取连通算法，对红细胞采取分水岭和面积比较法来进行计数，并且本文在最后也针对采用的方法的优缺点进行了客观的评价。实验结果表明分割和计数效果较好。
目录
摘要 I
Abstract II
第1章. 绪论 1
1.1 国内外研究的现状 1
1.1.1 国外的研究现状 2
1.1.2 国内的研究现状 2
1.2细胞图像分割方法的总体流程 3
1.3 本文主要研究内容和章节安排 4
第2章.细胞图像基本特点与常用分割方法 5
2.1细胞图像的外在特征 5
2.1.1 白细胞的特征 5
2.1.2 红细胞的特征 6
2.2 血液图像的分割难点 7
2.2.1 白细胞的分割难点 7
2.2.2 红细胞的分割难点 7
2.3 常用的几种图像分割方法 8
2.3.1 阈值分割方法 8
2.3.2 边缘检测法 8
2.3.3 基于形变模型的方法 9
2.3.4 基于数学形态学的方法 9
2.3.5 基于区域的方法 9
2.3.6 基于模糊集的方法 10
2.4 本章小结 10
第3章.血液图像白细胞自动分割计数 10
3.1
*好棒文|www.hbsrm.com +Q: 3_5_1_9_1_6_0_7_2
K均值聚类分割算法的研究 10
3.1.1 K均值聚类算法的具体思路 10
3.1.2 K均值聚类算法所存在的一些缺点 11
3.2血液中白细胞分割计数的流程 12
3.3 白细胞的分割计数 13
3.3.1 分离RGB分量 13
3.3.2 将RGB模型转化成为HSV模型 14
3.3.3 分离HSV分量 14
3.3.4 K均值聚类 15
3.3.5 图像的二值化 16
3.3.6 形态学腐蚀膨胀运算 16
3.3.7 白细胞的计数 17
3.4本章小结 18
第4章.血液图像红细胞自动分割计数 18
4.1红细胞的分割与计数 19
4.1.1二值图像还原为彩色图像 19
4.1.2分离红细胞图像的HSV分量 19
4.1.3红细胞区域分割 20
4.1.4红细胞图像的二值化 21
4.1.5红细胞孔洞填充 21
4.1.6形态学形态学处理 22
4.1.7红细胞计数 22
4.3红细胞图像分割中分水岭算法的改进 24
4.4红细胞分割计数中各算法的总结 26
4.4.1 分割算法 26
4.4.2.其他算法 34
4.4本章总结 35
第5章.总结与展望 36
5.1总结 37
5.2展望 38
致谢 39
参考文献 40
第1章 绪论
人体血液中包含最多的是白细胞和红细胞，所以为了能够研究血液图像显微镜下分割技术，本文主要针对血液中最常见的这两种细胞来进行研究，并且提出一些改进后的分割算法。而这两种细胞的形态，本身特点以及它们的工作原理和工作环境等等一直以来都是血液图像分割分析技术所研究的的一项重要内容，由于细胞的数目巨大性和微小性更加对这项研究带来了不小的挑战性。首先白细胞是构成人体免疫系统不可缺少的重要细胞，存在于人体全身的每个角落，它的功能是能够有效的清除血液的循环系统中的异物。所以根据白细胞的这个特性，人体内的白细胞数目的或增加或减少都是可以作为判断人体组织是否收到感染的一项重要指标。而红细胞也是人体内部重要的细胞组成部分之一，我们人体血液中的二氧化碳分子和氧气分子运转流经人体的血液中的每个角落的过程中都是依靠红细胞，并且它也能够平衡人体细胞内部的酸碱性[1]。因此对于红细胞和白细胞的数量统计以及显微镜图像上红白细胞的区分在一些血液常规检查中显得尤为重要。
就现在来看能够投入使用的大部分自动血液图像分割计数都采取的是细胞图像增强，细胞图像分割，细胞图像特征提取和细胞图像分类及计数这些步骤。而随后的一些工作，例如：细胞特征的提取，细胞数目的计算的准确性等等，都很依赖于细胞图像的分割是否准确。但是由于细胞的微小性和细胞图像中的多样性所导致的很多不确定因素，所以这个问题也极具挑战性，更加值得我们去关注与研究。
1.1 国内外研究的现状
上个世纪60到70年代，数字化信息图像分割计数的雏形开始形成，这种计数的最终目的主要是对所选取目标的测量，提取，统计以及分析。这一门科学技术最早的应用地方也是医学上对于一些肉眼不易发现的疾病的诊断。随着几十年时间的推移，我们的电子信息技术不断完善进步，最终现在获得了显著的发展，其特点可以概括如下：
1.应用的领域不断拓宽，最早仅仅能够在CT技术层面得到应用到现在的微观医学显微图像研究的各个领域。
2.图像处理的方法不断深入，伴随这医学显微图像处理的日益复杂化，相对应的图像处理新的方法也不断涌现。
3.所研究的图像中的直观化信息不断增多，从最早的灰度图像逐步演化成为彩色图像。
4.二维图像向三维图像动态化分析。
1.1.1 国外的研究现状
在国外，医学上较早的提出了这方面的需求，所以国外的科学界在这方面研究的学者起步较早，他们较早联系到医学应用方面的一些复杂化的情景，并且对于这些情景提出一些可能性的方法进行摸索探求，所以国外的图像自动分割技术发展速度较国内而言比较领先一些。
自从CT技术在1972年发明，医学图像处理技术在人体内部肿瘤细胞自动识别等领域有了成功的进展，最为成功的是1989年的神经网络技术（PapNet），这个技术从1993年开始被应用于临床试验，辅助于人工进行涂片筛选，从而有效的降低了癌症的初步判断中出现误判的情况。1996年，Thiran JP39[2]等人介绍了一种从医学显微图像中自动能够识别出癌变组织的方法，这种方法用数学形态理论和测地学理论 ，根据细胞的大小与形状，可以成功对癌细胞进行四客观数值的提取[3]。2001年，DeMediros M提出了利用基于纹理的神经网络算法对彩色细胞显微镜下图像进行分割，先是使用Karhunen Looeve 变化对彩色图像进行预处理，再次利用无监督的竞争神经网络来选择每个像素在三维空间内部的每个属性，从而建立起三维的向量，通过三维属性向量对于神经网络来进行训练，最后利用数学形态学方法来进行滤波，这种方法可以再能量函数中来考虑空间信息，可以很好的保持分割区域中的连续性[4]。2005年，S.Kim提出了利用混合水平集的方法来处理医学上的图像，先把图像的背景去除，再用水平集的演化对去除了背景的图像来处理，从而找到医学图像中的边界。不同的算法互相融合是未来图像分割方法的一个发展方向，2006年，Tae HK等一些人把贝叶斯分类算法，人工神经网络算法和小波变化进行了融合，对目标的特征进行划分，这样应用于医学上显微图像，会取得良好的分割效果[5]。
目录
摘要 I
Abstract II
第1章. 绪论 1
1.1 国内外研究的现状 1
1.1.1 国外的研究现状 2
1.1.2 国内的研究现状 2
1.2细胞图像分割方法的总体流程 3
1.3 本文主要研究内容和章节安排 4
第2章.细胞图像基本特点与常用分割方法 5
2.1细胞图像的外在特征 5
2.1.1 白细胞的特征 5
2.1.2 红细胞的特征 6
2.2 血液图像的分割难点 7
2.2.1 白细胞的分割难点 7
2.2.2 红细胞的分割难点 7
2.3 常用的几种图像分割方法 8
2.3.1 阈值分割方法 8
2.3.2 边缘检测法 8
2.3.3 基于形变模型的方法 9
2.3.4 基于数学形态学的方法 9
2.3.5 基于区域的方法 9
2.3.6 基于模糊集的方法 10
2.4 本章小结 10
第3章.血液图像白细胞自动分割计数 10
3.1
*好棒文|www.hbsrm.com +Q: 3_5_1_9_1_6_0_7_2
K均值聚类分割算法的研究 10
3.1.1 K均值聚类算法的具体思路 10
3.1.2 K均值聚类算法所存在的一些缺点 11
3.2血液中白细胞分割计数的流程 12
3.3 白细胞的分割计数 13
3.3.1 分离RGB分量 13
3.3.2 将RGB模型转化成为HSV模型 14
3.3.3 分离HSV分量 14
3.3.4 K均值聚类 15
3.3.5 图像的二值化 16
3.3.6 形态学腐蚀膨胀运算 16
3.3.7 白细胞的计数 17
3.4本章小结 18
第4章.血液图像红细胞自动分割计数 18
4.1红细胞的分割与计数 19
4.1.1二值图像还原为彩色图像 19
4.1.2分离红细胞图像的HSV分量 19
4.1.3红细胞区域分割 20
4.1.4红细胞图像的二值化 21
4.1.5红细胞孔洞填充 21
4.1.6形态学形态学处理 22
4.1.7红细胞计数 22
4.3红细胞图像分割中分水岭算法的改进 24
4.4红细胞分割计数中各算法的总结 26
4.4.1 分割算法 26
4.4.2.其他算法 34
4.4本章总结 35
第5章.总结与展望 36
5.1总结 37
5.2展望 38
致谢 39
参考文献 40
第1章 绪论
人体血液中包含最多的是白细胞和红细胞，所以为了能够研究血液图像显微镜下分割技术，本文主要针对血液中最常见的这两种细胞来进行研究，并且提出一些改进后的分割算法。而这两种细胞的形态，本身特点以及它们的工作原理和工作环境等等一直以来都是血液图像分割分析技术所研究的的一项重要内容，由于细胞的数目巨大性和微小性更加对这项研究带来了不小的挑战性。首先白细胞是构成人体免疫系统不可缺少的重要细胞，存在于人体全身的每个角落，它的功能是能够有效的清除血液的循环系统中的异物。所以根据白细胞的这个特性，人体内的白细胞数目的或增加或减少都是可以作为判断人体组织是否收到感染的一项重要指标。而红细胞也是人体内部重要的细胞组成部分之一，我们人体血液中的二氧化碳分子和氧气分子运转流经人体的血液中的每个角落的过程中都是依靠红细胞，并且它也能够平衡人体细胞内部的酸碱性[1]。因此对于红细胞和白细胞的数量统计以及显微镜图像上红白细胞的区分在一些血液常规检查中显得尤为重要。
就现在来看能够投入使用的大部分自动血液图像分割计数都采取的是细胞图像增强，细胞图像分割，细胞图像特征提取和细胞图像分类及计数这些步骤。而随后的一些工作，例如：细胞特征的提取，细胞数目的计算的准确性等等，都很依赖于细胞图像的分割是否准确。但是由于细胞的微小性和细胞图像中的多样性所导致的很多不确定因素，所以这个问题也极具挑战性，更加值得我们去关注与研究。
1.1 国内外研究的现状
上个世纪60到70年代，数字化信息图像分割计数的雏形开始形成，这种计数的最终目的主要是对所选取目标的测量，提取，统计以及分析。这一门科学技术最早的应用地方也是医学上对于一些肉眼不易发现的疾病的诊断。随着几十年时间的推移，我们的电子信息技术不断完善进步，最终现在获得了显著的发展，其特点可以概括如下：
1.应用的领域不断拓宽，最早仅仅能够在CT技术层面得到应用到现在的微观医学显微图像研究的各个领域。
2.图像处理的方法不断深入，伴随这医学显微图像处理的日益复杂化，相对应的图像处理新的方法也不断涌现。
3.所研究的图像中的直观化信息不断增多，从最早的灰度图像逐步演化成为彩色图像。
4.二维图像向三维图像动态化分析。
1.1.1 国外的研究现状
在国外，医学上较早的提出了这方面的需求，所以国外的科学界在这方面研究的学者起步较早，他们较早联系到医学应用方面的一些复杂化的情景，并且对于这些情景提出一些可能性的方法进行摸索探求，所以国外的图像自动分割技术发展速度较国内而言比较领先一些。
自从CT技术在1972年发明，医学图像处理技术在人体内部肿瘤细胞自动识别等领域有了成功的进展，最为成功的是1989年的神经网络技术（PapNet），这个技术从1993年开始被应用于临床试验，辅助于人工进行涂片筛选，从而有效的降低了癌症的初步判断中出现误判的情况。1996年，Thiran JP39[2]等人介绍了一种从医学显微图像中自动能够识别出癌变组织的方法，这种方法用数学形态理论和测地学理论 ，根据细胞的大小与形状，可以成功对癌细胞进行四客观数值的提取[3]。2001年，DeMediros M提出了利用基于纹理的神经网络算法对彩色细胞显微镜下图像进行分割，先是使用Karhunen Looeve 变化对彩色图像进行预处理，再次利用无监督的竞争神经网络来选择每个像素在三维空间内部的每个属性，从而建立起三维的向量，通过三维属性向量对于神经网络来进行训练，最后利用数学形态学方法来进行滤波，这种方法可以再能量函数中来考虑空间信息，可以很好的保持分割区域中的连续性[4]。2005年，S.Kim提出了利用混合水平集的方法来处理医学上的图像，先把图像的背景去除，再用水平集的演化对去除了背景的图像来处理，从而找到医学图像中的边界。不同的算法互相融合是未来图像分割方法的一个发展方向，2006年，Tae HK等一些人把贝叶斯分类算法，人工神经网络算法和小波变化进行了融合，对目标的特征进行划分，这样应用于医学上显微图像，会取得良好的分割效果[5]。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wlw/664.html
