一种抗干扰能力强的微小粒子自适应分割识别方法及系统与流程

1.本发明涉及检测技术领域，具体而言，涉及一种抗干扰能 力强的微小粒子自适应分割识别方法及系统。


背景技术：

2.目前绝大多数的(包括上述方案)单一光源图像分割方案 都是基于小粒子的，4-10x显微镜下微小粒子(《20um)大靶面、 复杂成像背景的单一光源图像分割还未见报道。对于单一光源 不均匀图像分割问题，主要采用的分割方案有3种：1)规则方 形分块法，通过将图像分成若干小块，对块内硬币采用固定阈 值分割；2)圆环区域法，通过获取光源中心，构建以光源中心 为中心点的，多圆环区域，对圆环区域内鱼饵、汉字图像进行 分割；3)灰度补偿法：通过对不同亮度区域进行亮度补偿，使 不均匀背景变得均匀后，在用统一阈值进行分割。
3.对于复杂背景图像，尤其有大面积杂质图像，传统方 法是采用阈值法识别出杂质区域，然后将整个杂质区域去 除。对于微小粒子计数装置，杂质区域的整体去除，也会 导致杂质区域内的细胞不被计数，这就影响了该样本粒子 计数，导致计数不准确。
[0004][0005]
上述所述技术方案，在一定程度上解决了背景不均匀图像 单一分割误差，但对于大靶面、复杂成像背景、单一光源、4-10x 显微镜下微小目标粒子(《20um)分割问题，上述方法还存在着： 1)大靶面图像，规则方形分块法所需要划分的分块太多，对于 处在边界、或阴影下的微小粒子分割精度不高；2)图像背景不 是单一的单光源分布，大面积的杂质区域导致背景中存在多个 不确定光源分布区域，仅以光源区域为中心的环形区域法精度 不高；3)灰度补偿方法则通过对不均匀区域进行灰度补偿，算 法适用性得到显著提升，但需要分析背景光源分布，算法整体 复杂度升高。


技术实现要素：

[0006]
本发明的目的在于提供一种抗干扰能力强的微小粒子自适 应分割识别方法及系统，以解决以上问题。
[0007]
本发明的实施例是这样实现的：
[0008]
本发明实施例的一方面，提供一种抗干扰能力强的微小粒 子自适应分割识别方法，首先对待检测血样进行预处理，以降 低不相干细胞杂质的干扰；其特征在于，所述抗干扰能力强的 微小粒子自适应分割识别方法包括如下步骤：
[0009]
获取细胞图像，并通过数学算法进行图像噪声去除；
[0010]
根据粒子形态，构建形状结构，并以形状结构，数学形态 学腐蚀运算，获取图像背景图像；
[0011]
根据背景图像分布，构建等值梯度轮廓；
[0012]
提取梯度轮廓间像素，最大方差获取轮廓内阈值并分割；
[0013]
待轮廓间像素分割完成后，图像分割完成。
[0014]
可选地，图像背景区域获取采用数学形态学开运算完成， 对于粒子图像f，首先根据图像上粒子大小，设置相应的结构函 数se。白细胞粒子直径6-20μm，结构函数se为直径5～10pix 的圆盘结构，则背景图像if：
[0015][0016]
可选地，所述获取轮廓的步骤包括：
[0017]
首先，根据获取到的背景图像，构建基于光强分布的等值 曲面集：计算if图像3维像素曲面峰值vp及最小值vm；
[0018]
在[vm，vp]中，获取n个等值曲线cn，其中曲线c0＝vp， 曲线cn＝vm，则曲线cn：
[0019][0020]
以等值曲线为轮廓，曲线c0～cn演化为自适应窗口：(c0， c1]为窗口1，(c1，c2]为窗口2，(cn-1，cn]为窗口n，n个不 规则自适应轮廓。
[0021]
可选地，采用高斯-拉普拉斯算法实现图像噪声去除。
[0022]
可选地，首先对图像进行高斯平滑，剔除噪声；然后对图 像求二阶导，用二阶导的过零点确定边缘，在去噪的同时，保 留细胞的边界信息。
[0023]
可选地，对待检测血样进行预处理包括：用台盼蓝对血样 中白细胞染色，增强细胞对比度
[0024]
可选地，对待检测血样进行预处理还包括：利用红细胞裂 解液，溶解红细胞。
[0025]
可选地，图像分割包括根据上一步获取的自适应轮廓，分 别计算各自轮廓内，前景和背景区域之间的图像方差，得到各 自适应轮廓内分割阈值。
[0026]
可选地，图像分割包括具体实现步骤如下：
[0027]
在满足图像灰度范围的前提下，在图像灰度区间初始化阈值 t；
[0028]
使用t分割图像，灰度值大于等于t的像素区域g1及小于 t的区域g2；
[0029]
计算g1和g2区域内的灰度方差μ1和μ2；
[0030]
更新阈值t：
[0031][0032]
计算类间方差σ：
[0033]
σ＝ω1×
ω2×
(μ
1-μ2)2[0034]
其中，ω1为区域1面积占整幅图像面积比，ω2为区域2 面积占整幅图像面积比，ω1 ω2＝1。
[0035]
重复上述过程，直到连续迭代中t的使得σ最小为止，得 到最佳分类阈值，从而实现白细胞区域分割。
[0036]
另一方面，还提供一种抗干扰能力强的微小粒子自适应分 割识别系统，其特征在于，包括处理器和存储器；其中，所述 存储器用于存储程序代码，所述处理器用于调用所述程序代码， 以执行上述的方法。
附图说明
[0037]
为了更清楚地说明本发明实施例的技术方案，下面将对实 施例中所需要使用的附图作简单地介绍，应当理解，以下附图 仅示出了本发明的某些实施例，因此不应被看作是对范围的限 定，对于本领域普通技术人员来讲，在不付出创造性劳动的前 提下，还可以根据这些附图获得其他相关的附图。
[0038]
图1为本发明实施例抗干扰能力强的微小粒子自适应分割 识别方法流程图；
[0039]
图2为经裂解染色后的白细胞图像；
[0040]
图3为图2的背景图像；
[0041]
图4为图2自适应轮廓图像。其中白色线条为自适应轮廓 曲线；
[0042]
图5为图2分割结果；
[0043]
图6为图2中，高亮区域自适应轮廓及区域内杂质阴影下 粒子分割结果。
具体实施方式
[0044]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本 发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。 通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配 置来布置和设计。
[0045]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限 制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本 发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获 得的所有其他实施例，都属于本发明保护的范围。
[0046]
请结合参照图1至图6，本发明提出一种抗干扰能力强的微小粒子自适 应分割识别方法和系统，用于快速、准确、自动分割单光源、大靶面、复 杂背景的微小粒子图像，其技术方案主要阐述如下：
[0047]
1)图像采集
[0048]
为了提高白细胞计数精度，本方法在实施前，先用台盼蓝对血样中白 细胞染色，增强细胞对比度；然后再用红细胞裂解液裂解掉血样中的红细 胞，降低不相干细胞杂质的干扰。
[0049]
2)图像预处理
[0050]
细胞图像在生成和传输过程中常受到各种噪声的干扰和影响，使图像 质量下降，这样对后续的算法顺利开展产生很大影响，有必要对图像进行 相关的预处理工作，改善图像质量。根据5～20x显微镜下细胞图像特点， 采用高斯-拉普拉斯算法实现图像噪声去除，首先对图像进行高斯平滑，剔 除噪声；然后对图像求二阶导，用二阶导的过零点确定边缘，在去噪的同 时，保留细胞的边界信息。图像预处理操作也可用其它方法实现。
[0051]
3)背景图像获取
[0052]
图像背景区域获取采用数学形态学开运算完成。对于粒子图像f，首先 根据图像上粒子大小，设置相应的结构函数se。白细胞粒子直径6-20μm， 结构函数se为直径5～10pix的圆盘结构，则背景图像if：
[0053]
[0054]
4)不规则自适应轮廓获取
[0055]
为满足便携式即时检验设备大靶面多细胞快速检测要求，便携式设备 中显微镜多数只有5-20倍。由于显微镜成像限制，大靶面获取的图像背景 均匀性差，图像中间区域亮度高，周边区域亮度低；由于用于盛装样本的 容器存储、运输等环境因素影响，溶血染色时操作问题，导致所拍摄的到 图像上会有很大概率存在很多不确定的，难以消除的杂质区域。根据这些 成像特点，本发明通过设置自适应等值曲线，构建任意形状自适应窗口， 实现roi区域快速准确，不受杂质影响的自适应分割。实现流程如图2所 示，具体实现过程如下：
[0056]
①
首先，根据获取到的背景图像，构建基于光强分布的等值曲面集： 计算if图像3维像素曲面峰值v
p
及最小值vm；
[0057]
②
在[vm，v
p
]中，获取n个等值曲线cn，其中曲线c0＝v
p
，曲线cn＝vm， 则曲线cn：
[0058][0059]
③
以等值曲线为轮廓，曲线c0～cn演化为自适应窗口：(c0，c1]为窗 口1，(c1，c2]为窗口2，(c
n-1
，cn]为窗口n，n个不规则自适应轮廓。
[0060]
根据上述步骤获取到的自适应轮廓，杂质区域会根据自身的灰度分布， 构建单独的分割轮廓，和周边的正常区域分割轮廓中分离出来，实现真正 意义上的自适应分割。
[0061]
5)图像分割
[0062]
根据上一步获取的自适应轮廓，分别计算各自轮廓内，前景和背景区 域之间的图像方差，得到各自适应轮廓内分割阈值：
[0063]
具体实现步骤如下：
[0064]
①
在满足图像灰度范围的前提下，在图像灰度区间初始化阈值t；
[0065]
②
使用t分割图像，灰度值大于等于t的像素区域g1及小于t的区域 g2；
[0066]
③
计算g1和g2区域内的灰度方差μ1和μ2；
[0067]
④
更新阈值t：
[0068][0069]
⑤
计算类间方差σ：
[0070]
σ＝ω1×
ω2×
(μ
1-μ2)2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0071]
其中，ω1为区域1面积占整幅图像面积比，ω2为区域2面积占整幅图 像面积比，ω1 ω2＝1。
[0072]
重复上述过程，直到连续迭代中t的使得σ最小为止，得到最佳分类阈 值，从而实现白细胞区域分割。白细胞分割也可以应用其它二分类算法。
[0073]
与现有上述技术相比，本发明有如下优点：
[0074]
1)本方法不受光源影响、不受杂质影响的不规则自适应分割轮廓，可 以完整的将杂质区域从背景区域中分离出来，建立杂质区域专有的自适应 轮廓及分割阈值，分割更加精确；
[0075]
2)通过分析具有相似背景区域内，图像的前景和背景区域灰度方差， 完成复杂背景区域微粒子分割更加高效、快速、精确；
[0076]
3)突破传统分块数量过多及卷积轮廓局限，更适合单光源大靶面背景 不均匀图像分割：对于一副1000
×
2000像素点的图像，普通分块方法需要 构建50个轮廓区域，本方法则需要8～10个，极大缩小了轮廓数量，降低 了分割时计算量，缩小了分割过程中的不确定性误差；
[0077]
为了验证本发明的可行性和有效性，采用本发明所提出的方法对 10μl溶血染色4x白细胞图像采集及分割，图像大小为2130
×
2120。
[0078][0079]
采用本发明提出方法，图2为经裂解染色后白细胞图像，图3为图2背景 图像；图4为图2的自适应轮廓图像；图5为本发明方法图像分割结果。从初 步实验效果图来看，通过本发明提出的方法能够快速、准确的实现悬浮运 动细胞自动聚焦。
[0080]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于 本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精 神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明 的保护范围之内。