粒子群算法在多细胞轮廓估计中的应用研究
多细胞轮廓提取问题的研究，一直是细胞学和生物学研究的重要内容。近年来，细胞轮廓的提取和研究得到越来越多的关注，但是还是有很多因素制约着多细胞轮廓提取的研究。本文针对细胞数目未知、形变和细胞图像对比度低等难题，提出一种基于粒子群优化算法的多细胞轮廓提取技术。
本文在基于细胞类圆的形态特征的基础上，构造一种依赖于细胞质心位置的轮廓模型，利用改进的PSO算法搜索出一定数量的轮廓采样点，进而达到轮廓提取的目的。主要工作如下：首先，利用图像特征对潜在的细胞位置和数目进行初始化；其次，提出一种群交互的改进PSO算法，在利用细胞初始位置的基础上，得相应的细胞轮廓采样点；再次，提出一种迭代式的质心更新策略，使得细胞位置更加精确，从而到达精确提取细胞轮廓的目的；最后，对重复的细胞轮廓进行删除与合并处理。 M000194
为了体现本文所提出的算法的优越性，在实验部分与基础的图像处理方法进行比较，实验结果表明，利用PSO算法估计的多细胞的轮廓具有更高的精度，能有效降低噪声的影响的同时，最大可能地提取出每一个细胞的轮廓。
关键词：粒子群优化算法 轮廓估计 质心
The research of multiple cells contour has been an important part of the cellular and biological research. In recent years, the research of cell contour extraction has been getting more and more attention, but there are still many factors restricting the study of multiple cells contour extraction. In this paper, in the terms of unknown number of cells, cell deformation and low distortion problem, a technique based on particle swarm optimization algorithm is proposed to extract multiple cells’ contour.
In this paper, a contour model is proposed based on the cell’s round or oval characteristic, which relies on the cell centroid. Using the improved PSO algorithm, a certain number of sampling points can be calculated to achieve the goal of contour extraction. The main work is as follows. First, the potential cell location and number are initialized based on the image characteristics; Second, an improved interactive PSO algorithm is proposed to search the contour sampling points based on the initial position of cells; Third, an iterative centroid update strategy is employed to make cell location and contour more accurate. Finally, the repetitive contour will be merged or deleted.
In order to reflect the superiority of the proposed algorithm, it is to compare with basic image processing methods. The experimental results show that the PSO-based algorithm has higher precision to estimate the contour of multiple cells and can effectively reduce the influence of noise. Besides, PSO algorithm can greatest possible to extract the contour of each cell.
Key Words：Particle Swarm Optimization; Contour Estimate; Centroid
目录 查看完整请+Q:351916072获取
1.绪论 1
1.1多细胞轮廓提取的意义 1
1.2细胞轮廓提取研究现状 1
1.3 粒子群研究现状 2
1.4本文主要工作 3
2.粒子群算法基本原理 5
3.基于粒子群的多细胞轮廓估计 9
3.1初始化细胞位置 10
3.2改进的PSO算法 12
3.2.1粒子群的初始化 12
3.2.2适应度函数 12
3.2.3改进的PSO算法 13
3.3质心更新策略 14
3.4轮廓的合并与删除 16
4.实验仿真 17
4.1细胞图像数据与参数设置 17
4.2实验结果与讨论 18
5.总结与展望 25
附录：程序代码 27
致谢 32
1.绪论
1.1多细胞轮廓提取的意义 查看完整请+Q:351916072获取
细胞是多细胞生物结构和生命活动的基本单位。细胞的研究对于生物学和医药学的研究具有重要的意义。细胞的研究推动了产业革命，创造了新的经济生长点。同时推动了医学革命，延长了人类的寿命，推动绿色革命，解决粮食危机。随着对细胞的深入研究，创造了生物新品种，改善了生态环境，发展绿色能源，解决了能源危机等各方面的问题。细胞轮廓的研究是研究细胞的重要组成部分。为了提取细胞的轮廓，首先要对细胞轮廓的主要特性有所了解。由于细胞形态是多变的并且变化微妙，而且细胞是在不断运动的，因此，细胞的轮廓具有不确定性。细胞是人类肉眼无法识别的存在，细胞通常要在显微镜下才能看到，所以细胞轮廓是需要精确度很高的方法才能提取出来。细胞之间的相互接触以及细胞的分裂，都会对提取细胞轮廓的研究产生影响。
为了得到细胞的轮廓，人类尝试了许多种方法。目前的细胞轮廓提取工作大多由人工完成，由于细胞形态多样，变化微妙，运动轨迹复杂，提取细胞轮廓的准确性和效率严重地依赖人们的经验知识和视觉估计，所得到的一般是定性的结论，而缺乏定量的描述、比较和分析。数学、计算机技术及医学等有关学科的飞速发展为细胞自动处理的定量分析奠定了基础。自动处理细胞解决细胞相关方面的问题已成为当前研究的热点。自动处理细胞相较于人工处理能更加准确并快速地处理细胞方面的问题，能够得到定量的描述。细胞的自动处理对疾病诊断、细胞信息定量分析、细胞内信息的传递、细胞变异研究、细胞显微和超显微结构的三维重构实现具有重要价值，还可为病理研究、药物疗效的评估提供仿真依据。因此，在生物医学图像处理中，细胞的自动处理得到图像中细胞的边缘和轮廓的研究在理论上和应用中都具有重要意义。
在过去的几十年里，生物成像技术的迅速发展为人类的健康提供了坚实的技术保证，如荧光显微成像技术为研究细胞内的动力学行为提供了可能。用荧光蛋白粉对所感兴趣的细胞内的结构进行标记并提取其轮廓，从而有助于细胞迁徙等相关细胞生物学的研究。由此可见，提取细胞轮廓有助于掌握导致人类疾病的原因，并研究相关的治疗方法。
提取细胞轮廓是研究细胞动力学行为最有效的工具之一，无论是在信息科学领域还是在生命科学领域都是一个极具挑战性且应用性很强的课题。
1.2细胞轮廓提取研究现状
多细胞轮廓的提取通常利用二值化分割的方法，但是需要细胞轮廓信息不确定性比较小的条件下，当细胞的轮廓信息难以提取时，就要用到其它方法了，通常有主动轮廓法、水平集方法、均值偏移法。对有明确清晰细胞轮廓的提取有相应的提取方法，但对于互相接触的多细胞来说普通的方法就会失效。为了解决这一状况，研究者又提出基于连通和基于形状大小的合并方法，常用的方法有最近邻近法，平滑运动模型和JPDA方法等等。J Yang[6]等提出一种基于方向形态学的轮廓提取方法，该方法在二值化的边缘图像的基础上进行滚动膨胀操作，通过定义方向目标函数确定结构元素的移动向，从而获得目标的轮廓信息。该方法的效果依赖于前期图像边缘提取的结果，易受噪声的影响，在边缘不连续的情况下容易陷入局部的轮廓提取，姚庆梅[7]等对此进行了改进，引入边缘方向信息，利用具有方向信息的结构元素对图像进行滚动膨胀，提取图像中物体的轮廓信息，提高抗噪声能力。吴凤和[8]提出一种运用数学形态学的轮廓提取方法。边缘检测是提取轮廓的基本方法或前期处理过程，检测出来的边缘无法保证单像素宽，往往出现孤立或分段不连续的边缘，需要进行细化处理，并将不连续的边缘像素或分段连接起来，完成轮廓的提取。针对上述问题，该方法先采用灰度阈值法进行图像分割，然后运用数学形态学方法对二值图像进行缺陷修补，再通过链码跟踪存储轮廓信息，实现具有单像素边缘的图像轮廓提取。
虽然众多学者做了大量相关的研究，多细胞轮廓的提取一有了进一步的发展，但仍有些原因制约着多细胞轮廓提取技术的发展：
（1）有些细胞会产生相应的变形，也就是说所提取轮廓的目标是一个变形体，而非刚体。
（2）由于生物体的呼吸而引起的颤抖、细胞进入或离开共焦平面造成对比度的变化，使得所获取的图像质量下降，加大了细胞轮廓提取的难度。
（3）细胞数目随时间的变化，且在运动过程中会出现靠近或交叉等现象。
上述多种不确定性因素，有些属于细胞轮廓提取领域所特有的(如细胞的变形等)，有些与雷达、声纳目标跟踪相类似的(如目标数目随时间的变化等)。但同时，这些不确定性因素的存在也给多细胞的轮廓提取技术的研究带来了新挑战。
对于本课题的细胞轮廓的估计，最常用的方法是主动轮廓法，但是这也有相应的条件限制，当细胞运动速度过快时，这方法就不适用了。
1.3 粒子群研究现状
粒子群优化算法简称PSO，在国内外的关于PSO的文献中，有关PSO 研究的内容可以分为基础研究和应用研究两大类。很明显基础研究是关于PSO其本身的机理和数学方面的基础研究。而应用研究就有很大的扩展性了，应用研究需要发扬PSO的优点，克服PSO的缺点，同时扩展PSO的应用范围。在公开发表的文献中，关于PSO的基础研究比较少，关于PSO收敛性、收敛速度估计等方面的数学证明还未发现。因此这发面的研究是PSO需要完善的内容之一。
PSO算法的改进研究方面可以分为两方面：一方面是将各种先进理论引入到PSO算法当中；另一方面是将PSO算法和其它智能优化算法相结合，从而形成各种混合优化算法，从而将各种优化算法的优点结合起来。文献[12]、[13]、[14]将进化计算中的选择操作引入到PSO算法中，并提出一种改进的PSO算法（和HPSO）。针对基本PSO一直没能有效解决离散即组合优化问题，文献[18]提出了一种广义粒子群优化模型（CPSO）。针对基本PSO无法解决高维多目标优化问题的不足，文献[19]提出了一种适合求解高维多目标优化问题的灰度粒子群算法（GPSO）。
边缘检测在计算机视觉和图像理解系统里占有重要的地位[5]。将粒子群优化算法引入到图像边缘检测中，通过对样本图像的训练，在最小均方误差准则下获优化灰度梯度算子，利用最优梯度算子来得到图像边缘。实验证明该方法能够对不同的图像设计出不同的最优梯度算子，可以很好地解决边缘丢失问题，边缘提取效果显著，灵活性和适应性更高，有推广和研究价值。利用粒子群优化算法设计梯度算子，梯度算子运用一阶差分来计算图像边缘的差异[10]，不同的梯度算子效果不同[11]，适合于不同类型的边缘，梯度算子包括Robert算子，Sobel算子，Prewitt算子以及线性拉普拉斯(I IAP)算子等，常用的Sobe1算子和Prewitt算子。
在粒子群提取轮廓的方法上，最主要的是主动轮廓法。在传统的主动轮廓模型上提出了多种群粒子群优化算法（PSO）的主动轮廓模型，运用粒子群优化算法简单容易实现、收敛速度快并且能以较大的概率找到优化问题的全局最优解的优点，实现对目标边界的快速、准确分割。基于粒子群的snake方法对噪声较大边缘化较大的图像体现出了较强的全局优化特性，但是目前的研究来看，在各项系数和收敛速度方面还有待提高。李惠光、石磊等人提出将单一PSO方法用于主动轮廓模型的控制点的寻优，取得了较好的效果。
1.4本文主要工作
本文在基于细胞类圆的形态特征的基础上，构造一种依赖于细胞质心位置的轮廓模型，利用改进的PSO算法搜索出一定数量的轮廓采样点，进而达到轮廓提取的目的。主要工作如下：首先，利用图像特征对潜在的细胞位置和数目进行初始化；其次，提出一种群交互的改进PSO算法，在利用细胞初始位置的基础上，得相应的细胞轮廓采样点；再次，提出一种迭代式的质心更新策略，使得细胞位置更加精确，从而到达精确提取细胞轮廓的目的；最后，对重复的细胞轮廓进行删除与合并处理。
文章共分为五章，各章内容安排如下：
第一章：本文的绪论部分。简单介绍了多细胞轮廓提取的研究意义和研究现状，以及粒子群算法的研究现状；
第二章：简要介绍粒子群算法的基本原理；
第三章：探讨了基于粒子群算法来提取多细胞的轮廓。主要模块是初始化细胞位置，利用改进的PSO算法得到相应的细胞轮廓上的采样点和质心更新这三部分；
第四章：实验仿真结果和分析；
第五章：本文结论，并对多细胞轮廓提取进行了展望。 查看完整请+Q:351916072获取
本文在基于细胞类圆的形态特征的基础上，构造一种依赖于细胞质心位置的轮廓模型，利用改进的PSO算法搜索出一定数量的轮廓采样点，进而达到轮廓提取的目的。主要工作如下：首先，利用图像特征对潜在的细胞位置和数目进行初始化；其次，提出一种群交互的改进PSO算法，在利用细胞初始位置的基础上，得相应的细胞轮廓采样点；再次，提出一种迭代式的质心更新策略，使得细胞位置更加精确，从而到达精确提取细胞轮廓的目的；最后，对重复的细胞轮廓进行删除与合并处理。 M000194
为了体现本文所提出的算法的优越性，在实验部分与基础的图像处理方法进行比较，实验结果表明，利用PSO算法估计的多细胞的轮廓具有更高的精度，能有效降低噪声的影响的同时，最大可能地提取出每一个细胞的轮廓。
关键词：粒子群优化算法 轮廓估计 质心
The research of multiple cells contour has been an important part of the cellular and biological research. In recent years, the research of cell contour extraction has been getting more and more attention, but there are still many factors restricting the study of multiple cells contour extraction. In this paper, in the terms of unknown number of cells, cell deformation and low distortion problem, a technique based on particle swarm optimization algorithm is proposed to extract multiple cells’ contour.
In this paper, a contour model is proposed based on the cell’s round or oval characteristic, which relies on the cell centroid. Using the improved PSO algorithm, a certain number of sampling points can be calculated to achieve the goal of contour extraction. The main work is as follows. First, the potential cell location and number are initialized based on the image characteristics; Second, an improved interactive PSO algorithm is proposed to search the contour sampling points based on the initial position of cells; Third, an iterative centroid update strategy is employed to make cell location and contour more accurate. Finally, the repetitive contour will be merged or deleted.
In order to reflect the superiority of the proposed algorithm, it is to compare with basic image processing methods. The experimental results show that the PSO-based algorithm has higher precision to estimate the contour of multiple cells and can effectively reduce the influence of noise. Besides, PSO algorithm can greatest possible to extract the contour of each cell.
Key Words：Particle Swarm Optimization; Contour Estimate; Centroid
目录 查看完整请+Q:351916072获取
1.绪论 1
1.1多细胞轮廓提取的意义 1
1.2细胞轮廓提取研究现状 1
1.3 粒子群研究现状 2
1.4本文主要工作 3
2.粒子群算法基本原理 5
3.基于粒子群的多细胞轮廓估计 9
3.1初始化细胞位置 10
3.2改进的PSO算法 12
3.2.1粒子群的初始化 12
3.2.2适应度函数 12
3.2.3改进的PSO算法 13
3.3质心更新策略 14
3.4轮廓的合并与删除 16
4.实验仿真 17
4.1细胞图像数据与参数设置 17
4.2实验结果与讨论 18
5.总结与展望 25
附录：程序代码 27
致谢 32
1.绪论
1.1多细胞轮廓提取的意义 查看完整请+Q:351916072获取
细胞是多细胞生物结构和生命活动的基本单位。细胞的研究对于生物学和医药学的研究具有重要的意义。细胞的研究推动了产业革命，创造了新的经济生长点。同时推动了医学革命，延长了人类的寿命，推动绿色革命，解决粮食危机。随着对细胞的深入研究，创造了生物新品种，改善了生态环境，发展绿色能源，解决了能源危机等各方面的问题。细胞轮廓的研究是研究细胞的重要组成部分。为了提取细胞的轮廓，首先要对细胞轮廓的主要特性有所了解。由于细胞形态是多变的并且变化微妙，而且细胞是在不断运动的，因此，细胞的轮廓具有不确定性。细胞是人类肉眼无法识别的存在，细胞通常要在显微镜下才能看到，所以细胞轮廓是需要精确度很高的方法才能提取出来。细胞之间的相互接触以及细胞的分裂，都会对提取细胞轮廓的研究产生影响。
为了得到细胞的轮廓，人类尝试了许多种方法。目前的细胞轮廓提取工作大多由人工完成，由于细胞形态多样，变化微妙，运动轨迹复杂，提取细胞轮廓的准确性和效率严重地依赖人们的经验知识和视觉估计，所得到的一般是定性的结论，而缺乏定量的描述、比较和分析。数学、计算机技术及医学等有关学科的飞速发展为细胞自动处理的定量分析奠定了基础。自动处理细胞解决细胞相关方面的问题已成为当前研究的热点。自动处理细胞相较于人工处理能更加准确并快速地处理细胞方面的问题，能够得到定量的描述。细胞的自动处理对疾病诊断、细胞信息定量分析、细胞内信息的传递、细胞变异研究、细胞显微和超显微结构的三维重构实现具有重要价值，还可为病理研究、药物疗效的评估提供仿真依据。因此，在生物医学图像处理中，细胞的自动处理得到图像中细胞的边缘和轮廓的研究在理论上和应用中都具有重要意义。
在过去的几十年里，生物成像技术的迅速发展为人类的健康提供了坚实的技术保证，如荧光显微成像技术为研究细胞内的动力学行为提供了可能。用荧光蛋白粉对所感兴趣的细胞内的结构进行标记并提取其轮廓，从而有助于细胞迁徙等相关细胞生物学的研究。由此可见，提取细胞轮廓有助于掌握导致人类疾病的原因，并研究相关的治疗方法。
提取细胞轮廓是研究细胞动力学行为最有效的工具之一，无论是在信息科学领域还是在生命科学领域都是一个极具挑战性且应用性很强的课题。
1.2细胞轮廓提取研究现状
多细胞轮廓的提取通常利用二值化分割的方法，但是需要细胞轮廓信息不确定性比较小的条件下，当细胞的轮廓信息难以提取时，就要用到其它方法了，通常有主动轮廓法、水平集方法、均值偏移法。对有明确清晰细胞轮廓的提取有相应的提取方法，但对于互相接触的多细胞来说普通的方法就会失效。为了解决这一状况，研究者又提出基于连通和基于形状大小的合并方法，常用的方法有最近邻近法，平滑运动模型和JPDA方法等等。J Yang[6]等提出一种基于方向形态学的轮廓提取方法，该方法在二值化的边缘图像的基础上进行滚动膨胀操作，通过定义方向目标函数确定结构元素的移动向，从而获得目标的轮廓信息。该方法的效果依赖于前期图像边缘提取的结果，易受噪声的影响，在边缘不连续的情况下容易陷入局部的轮廓提取，姚庆梅[7]等对此进行了改进，引入边缘方向信息，利用具有方向信息的结构元素对图像进行滚动膨胀，提取图像中物体的轮廓信息，提高抗噪声能力。吴凤和[8]提出一种运用数学形态学的轮廓提取方法。边缘检测是提取轮廓的基本方法或前期处理过程，检测出来的边缘无法保证单像素宽，往往出现孤立或分段不连续的边缘，需要进行细化处理，并将不连续的边缘像素或分段连接起来，完成轮廓的提取。针对上述问题，该方法先采用灰度阈值法进行图像分割，然后运用数学形态学方法对二值图像进行缺陷修补，再通过链码跟踪存储轮廓信息，实现具有单像素边缘的图像轮廓提取。
虽然众多学者做了大量相关的研究，多细胞轮廓的提取一有了进一步的发展，但仍有些原因制约着多细胞轮廓提取技术的发展：
（1）有些细胞会产生相应的变形，也就是说所提取轮廓的目标是一个变形体，而非刚体。
（2）由于生物体的呼吸而引起的颤抖、细胞进入或离开共焦平面造成对比度的变化，使得所获取的图像质量下降，加大了细胞轮廓提取的难度。
（3）细胞数目随时间的变化，且在运动过程中会出现靠近或交叉等现象。
上述多种不确定性因素，有些属于细胞轮廓提取领域所特有的(如细胞的变形等)，有些与雷达、声纳目标跟踪相类似的(如目标数目随时间的变化等)。但同时，这些不确定性因素的存在也给多细胞的轮廓提取技术的研究带来了新挑战。
对于本课题的细胞轮廓的估计，最常用的方法是主动轮廓法，但是这也有相应的条件限制，当细胞运动速度过快时，这方法就不适用了。
1.3 粒子群研究现状
粒子群优化算法简称PSO，在国内外的关于PSO的文献中，有关PSO 研究的内容可以分为基础研究和应用研究两大类。很明显基础研究是关于PSO其本身的机理和数学方面的基础研究。而应用研究就有很大的扩展性了，应用研究需要发扬PSO的优点，克服PSO的缺点，同时扩展PSO的应用范围。在公开发表的文献中，关于PSO的基础研究比较少，关于PSO收敛性、收敛速度估计等方面的数学证明还未发现。因此这发面的研究是PSO需要完善的内容之一。
PSO算法的改进研究方面可以分为两方面：一方面是将各种先进理论引入到PSO算法当中；另一方面是将PSO算法和其它智能优化算法相结合，从而形成各种混合优化算法，从而将各种优化算法的优点结合起来。文献[12]、[13]、[14]将进化计算中的选择操作引入到PSO算法中，并提出一种改进的PSO算法（和HPSO）。针对基本PSO一直没能有效解决离散即组合优化问题，文献[18]提出了一种广义粒子群优化模型（CPSO）。针对基本PSO无法解决高维多目标优化问题的不足，文献[19]提出了一种适合求解高维多目标优化问题的灰度粒子群算法（GPSO）。
边缘检测在计算机视觉和图像理解系统里占有重要的地位[5]。将粒子群优化算法引入到图像边缘检测中，通过对样本图像的训练，在最小均方误差准则下获优化灰度梯度算子，利用最优梯度算子来得到图像边缘。实验证明该方法能够对不同的图像设计出不同的最优梯度算子，可以很好地解决边缘丢失问题，边缘提取效果显著，灵活性和适应性更高，有推广和研究价值。利用粒子群优化算法设计梯度算子，梯度算子运用一阶差分来计算图像边缘的差异[10]，不同的梯度算子效果不同[11]，适合于不同类型的边缘，梯度算子包括Robert算子，Sobel算子，Prewitt算子以及线性拉普拉斯(I IAP)算子等，常用的Sobe1算子和Prewitt算子。
在粒子群提取轮廓的方法上，最主要的是主动轮廓法。在传统的主动轮廓模型上提出了多种群粒子群优化算法（PSO）的主动轮廓模型，运用粒子群优化算法简单容易实现、收敛速度快并且能以较大的概率找到优化问题的全局最优解的优点，实现对目标边界的快速、准确分割。基于粒子群的snake方法对噪声较大边缘化较大的图像体现出了较强的全局优化特性，但是目前的研究来看，在各项系数和收敛速度方面还有待提高。李惠光、石磊等人提出将单一PSO方法用于主动轮廓模型的控制点的寻优，取得了较好的效果。
1.4本文主要工作
本文在基于细胞类圆的形态特征的基础上，构造一种依赖于细胞质心位置的轮廓模型，利用改进的PSO算法搜索出一定数量的轮廓采样点，进而达到轮廓提取的目的。主要工作如下：首先，利用图像特征对潜在的细胞位置和数目进行初始化；其次，提出一种群交互的改进PSO算法，在利用细胞初始位置的基础上，得相应的细胞轮廓采样点；再次，提出一种迭代式的质心更新策略，使得细胞位置更加精确，从而到达精确提取细胞轮廓的目的；最后，对重复的细胞轮廓进行删除与合并处理。
文章共分为五章，各章内容安排如下：
第一章：本文的绪论部分。简单介绍了多细胞轮廓提取的研究意义和研究现状，以及粒子群算法的研究现状；
第二章：简要介绍粒子群算法的基本原理；
第三章：探讨了基于粒子群算法来提取多细胞的轮廓。主要模块是初始化细胞位置，利用改进的PSO算法得到相应的细胞轮廓上的采样点和质心更新这三部分；
第四章：实验仿真结果和分析；
第五章：本文结论，并对多细胞轮廓提取进行了展望。 查看完整请+Q:351916072获取
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/5001.html
