一種基于直方圖閾值及低秩表示的白細(xì)胞細(xì)胞核分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，涉及一種基于直方圖閾值及低秩矩陣表示聚 類(lèi)的白細(xì)胞細(xì)胞核分割方法。
【背景技術(shù)】
[0002] 人體血液白細(xì)胞的分割識(shí)別是近些年來(lái)醫(yī)學(xué)圖像處理與應(yīng)用領(lǐng)域研宄中最熱門(mén) 課題之一，也是一項(xiàng)復(fù)雜而意義重大的研宄工作。也是人體血液中各類(lèi)白細(xì)胞的含量在臨 床診斷中扮演著重要角色，它是判斷有無(wú)疾病和疾病嚴(yán)重程度的重要依據(jù)之一。白細(xì)胞圖 像的自動(dòng)分割問(wèn)題是血液白細(xì)胞分析中最關(guān)鍵的步驟之一，也是后續(xù)分析和定量研宄的基 礎(chǔ)。白細(xì)胞的分割質(zhì)量將直接影響到后續(xù)的細(xì)胞和細(xì)胞核的特征提取及細(xì)胞分類(lèi)，計(jì)數(shù)等。 如果分割結(jié)果不夠準(zhǔn)確，則提取出的特征將不能反映細(xì)胞以及細(xì)胞核的形態(tài)特征，繼而不 能夠在分類(lèi)時(shí)提供準(zhǔn)確的特征信息，導(dǎo)致分類(lèi)的不準(zhǔn)確，計(jì)數(shù)就會(huì)出現(xiàn)偏差，最終影響醫(yī)生 對(duì)病情的診斷。
[0003] 目前，許多研宄者在白細(xì)胞分割方面做了大量的研宄，提出了許多實(shí)用的分割算 法，主要包括：基于閾值的分割方法、邊緣檢測(cè)方法和基于區(qū)域的分割方法。其特點(diǎn)如下：
[0004] (1)專(zhuān)利《一種基于生物視覺(jué)的二值圖像自動(dòng)閾值方法》（專(zhuān)利申請(qǐng)?zhí)?201210346068. 6,申請(qǐng)公布日：2013年2月6日）利用閾值的方法進(jìn)行細(xì)胞分割，該方法原 理簡(jiǎn)單，實(shí)現(xiàn)容易。其算法的主要思想是根據(jù)圖像中的所有灰度級(jí)中的特定的灰度級(jí)作為 分解，將圖像分成一定相對(duì)關(guān)系的兩部分?；陂撝档姆指罘椒ㄖ饕腥珠撝捣指罘椒?和局部閾值分割方法。
[0005] 缺點(diǎn)：這類(lèi)方法通常只考慮到了圖像的灰度信息，而沒(méi)有考慮到圖像的空間特征 信息，因而會(huì)對(duì)噪聲很敏感。這類(lèi)方法中，閾值的選擇是非常重要的，因此對(duì)閾值的選取也 是很敏感的。
[0006] (2)專(zhuān)利《一種基于閾值分割的圖像邊緣檢測(cè)方法》（專(zhuān)利申請(qǐng)?zhí)?200710178737. 2,公開(kāi)日，2008年4月30日）利用圖像邊緣檢測(cè)的方法進(jìn)行圖像分割，該方 法通過(guò)檢測(cè)不同區(qū)域之間的邊緣，利用不同區(qū)域在邊緣處的灰度級(jí)、顏色或是紋理等的劇 烈變化來(lái)解決圖像分割。這類(lèi)方法的基本思想是按一定的策略將檢測(cè)到的邊緣點(diǎn)連接起來(lái) 構(gòu)成輪廓，以此來(lái)實(shí)現(xiàn)分割。
[0007] 缺點(diǎn)：對(duì)噪聲較為敏感，對(duì)變化不太劇烈的邊緣無(wú)法完整的檢測(cè)出來(lái)。
[0008] (3)專(zhuān)利《基于規(guī)則的區(qū)域生長(zhǎng)圖像分割方法》（專(zhuān)利申請(qǐng)?zhí)?00810118794. 6,公 開(kāi)日2009年1月7日）利用區(qū)域的分割方法來(lái)完成圖像的分割，這類(lèi)方法是將具有相似性 質(zhì)的像素集合起來(lái)構(gòu)成區(qū)域。它是從某個(gè)或者某些像素點(diǎn)出發(fā)，最后得到整個(gè)區(qū)域，進(jìn)而實(shí) 現(xiàn)目標(biāo)的提取。還有一種方法是區(qū)域分裂的方法，區(qū)域分裂是從整個(gè)圖像出發(fā)，不斷分裂得 到各個(gè)子區(qū)域，然后再把前景區(qū)域合并，實(shí)現(xiàn)目標(biāo)提取。
[0009] 缺點(diǎn)：需要人為確定種子點(diǎn)，分割結(jié)果在很大程度上依賴(lài)于種子點(diǎn)的選擇，同時(shí)其 對(duì)噪聲很敏感，容易導(dǎo)致空洞或不連續(xù)的區(qū)域。

【發(fā)明內(nèi)容】

[0010] 本發(fā)明的目的是提供一種基于直方圖閾值及低秩表示的白細(xì)胞細(xì)胞核分割方法， 解決了現(xiàn)有技術(shù)中存在的問(wèn)題，實(shí)現(xiàn)對(duì)白細(xì)胞細(xì)胞核的精準(zhǔn)分割。
[0011] 本發(fā)明所采用的技術(shù)方案是，一種基于直方圖閾值及低秩表示的白細(xì)胞細(xì)胞核分 割方法，包括以下步驟：
[0012] 步驟一：自適應(yīng)閾值的白細(xì)胞大致區(qū)域的獲?。?br>[0013] 首先將染色的白細(xì)胞圖像從RGB彩色圖像轉(zhuǎn)換成灰度圖像作為輸入圖像，再統(tǒng)計(jì) 圖像灰度直方圖，根據(jù)得到的圖像灰度直方圖設(shè)計(jì)一個(gè)自適應(yīng)的閾值，用該閾值對(duì)灰度圖 像進(jìn)行二值化，即可獲得白細(xì)胞的大致區(qū)域；
[0014] 步驟二：白細(xì)胞細(xì)胞核的精確分割：
[0015] 對(duì)上述提取的白細(xì)胞的大致區(qū)域從RGB空間轉(zhuǎn)換到Lab彩色空間，將a彩色空間 和b彩色空間像素值作為像素的特征作為下一步聚類(lèi)方法的輸入特征，根據(jù)上面得到的特 征向量，將白細(xì)胞大致區(qū)域的像素利用低秩矩陣表示和流形學(xué)習(xí)理論求取像素之間的相關(guān) 矩陣，根據(jù)求得的相關(guān)矩陣，將像素聚類(lèi)問(wèn)題轉(zhuǎn)變成無(wú)向圖的分割問(wèn)題，將每個(gè)像素視為無(wú) 向圖的節(jié)點(diǎn)，根據(jù)無(wú)向圖的節(jié)點(diǎn)和相關(guān)矩陣將像素劃分成組，從而實(shí)現(xiàn)像素點(diǎn)的聚類(lèi)，將白 細(xì)胞大致區(qū)域分割成細(xì)胞核和背景兩部分。
[0016] 本發(fā)明的特征還在于，
[0017] 步驟一自適應(yīng)閾值的白細(xì)胞大致區(qū)域的獲取具體包括以下步驟：
[0018] 1)將彩色血細(xì)胞圖像從RGB空間轉(zhuǎn)換到灰度空間，其轉(zhuǎn)換的公式為：
[0019] Y = 0? 212671*R+0. 715160*G+0. 072169*B，
[0020] 2)對(duì)灰度圖像統(tǒng)計(jì)其直方圖，并利用自動(dòng)閾值法OTSU自適應(yīng)選擇閾值，實(shí)現(xiàn)白細(xì) 胞大致區(qū)域的初步提取。
[0021] 步驟二白細(xì)胞細(xì)胞核的精確分割具體包括以下步驟：
[0022] 1)將獲得的白細(xì)胞的大致區(qū)域的像素從RGB彩色空間轉(zhuǎn)換到Lab彩色空間；將a 和b空間的色彩作為像素的特征用于作為下一步聚類(lèi)的輸入特征向量；
[0023] 2)令X = [Xl，x2，…，xn]為步驟二1)中得到的特征矩陣，其中每一列的x"（i = 1，…，n)表示已經(jīng)檢測(cè)到的白細(xì)胞大致區(qū)域中的像素的特征向量；
[0024] 假設(shè)所有的大致區(qū)域的像素點(diǎn)分別歸屬于兩類(lèi)，要么屬于細(xì)胞核要么屬于背景， 即假設(shè)子空間是具有低秩性，并且互不相交；
[0025] 為了將X中的向量聚類(lèi)到其相應(yīng)的類(lèi)別中，每一個(gè)特征向量可以由相應(yīng)的字典A =[ap a2，…，am]的線性組合表示：
[0026] X = AZ
[0027] 其中Z = [Zl，z2，…，zn]為線性表示系數(shù)矩陣；通過(guò)求解如下模型求解Z:
[0028]
【主權(quán)項(xiàng)】
1. 一種基于直方圖閾值及低秩表示的白細(xì)胞細(xì)胞核分割方法，其特征在于，包括以下 步驟： 步驟一：自適應(yīng)閾值的白細(xì)胞大致區(qū)域的獲?。? 首先將染色的白細(xì)胞圖像從RGB彩色圖像轉(zhuǎn)換成灰度圖像作為輸入圖像，再統(tǒng)計(jì)圖像 灰度直方圖，根據(jù)得到的圖像灰度直方圖設(shè)計(jì)一個(gè)自適應(yīng)的閾值，用該閾值對(duì)灰度圖像進(jìn) 行二值化，即可獲得白細(xì)胞的大致區(qū)域； 步驟二：白細(xì)胞細(xì)胞核的精確分割： 對(duì)上述提取的白細(xì)胞的大致區(qū)域從RGB空間轉(zhuǎn)換到Lab彩色空間，將a彩色空間和 b彩色空間像素值作為像素的特征作為下一步聚類(lèi)方法的輸入特征，根據(jù)上面得到的特征 向量，將白細(xì)胞大致區(qū)域的像素利用低秩矩陣表示和流形學(xué)習(xí)理論求取像素之間的相關(guān)矩 陣，根據(jù)求得的相關(guān)矩陣，將像素聚類(lèi)問(wèn)題轉(zhuǎn)變成無(wú)向圖的分割問(wèn)題，將每個(gè)像素視為無(wú)向 圖的節(jié)點(diǎn)，根據(jù)無(wú)向圖的節(jié)點(diǎn)和相關(guān)矩陣將像素劃分成組，從而實(shí)現(xiàn)像素點(diǎn)的聚類(lèi)，將白細(xì) 胞大致區(qū)域分割成細(xì)胞核和背景兩部分。
2. 根據(jù)權(quán)利要求1所述的一種基于直方圖閾值及低秩表示的白細(xì)胞細(xì)胞核分割方法， 其特征在于，所述步驟一自適應(yīng)閾值的白細(xì)胞大致區(qū)域的獲取具體包括以下步驟： 1) 將彩色血細(xì)胞圖像從RGB空間轉(zhuǎn)換到灰度空間，其轉(zhuǎn)換的公式為： Y = 0·212671*R+0. 715160*G+0. 072169*B， 2) 對(duì)灰度圖像統(tǒng)計(jì)其直方圖，并利用自動(dòng)閾值法OTSU自適應(yīng)選擇閾值，實(shí)現(xiàn)白細(xì)胞大 致區(qū)域的初步提取。
3. 根據(jù)權(quán)利要求1所述的一種基于直方圖閾值及低秩表示的白細(xì)胞細(xì)胞核分割方法， 其特征在于，所述步驟二白細(xì)胞細(xì)胞核的精確分割具體包括以下步驟： 1) 將獲得的白細(xì)胞的大致區(qū)域的像素從RGB彩色空間轉(zhuǎn)換到Lab彩色空間；將a和b 空間的色彩作為像素的特征用于作為下一步聚類(lèi)的輸入特征向量； 2) 令X = [X^X2, "·，χη]為步驟二1)中得到的特征矩陣，其中每一列的Xi, (i = 1，…，η)表示已經(jīng)檢測(cè)到的白細(xì)胞大致區(qū)域中的像素的特征向量； 假設(shè)所有的大致區(qū)域的像素點(diǎn)分別歸屬于兩類(lèi)，要么屬于細(xì)胞核要么屬于背景，即假 設(shè)子空間是具有低秩性，并且互不相交； 為了將X中的向量聚類(lèi)到其相應(yīng)的類(lèi)別中，每一個(gè)特征向量可以由相應(yīng)的字典A = Iia1, a2,…，am]的線性組合表不： X = AZ 其中Z = [Zl，Z2，…，zn]為線性表示系數(shù)矩陣；通過(guò)求解如下模型求解Z :
這一優(yōu)化問(wèn)題的最優(yōu)解Z#為數(shù)據(jù)X在字典A下的的低秩表示，又由于求解秩最小化的 模型為NP難題，可以將求秩最小的問(wèn)題轉(zhuǎn)換成求核范數(shù)最小化，即上述優(yōu)化問(wèn)題轉(zhuǎn)化為：
其中，11 · 11?表示核范數(shù)； 計(jì)算其相關(guān)矩陣z，選擇特征矩陣X作為字典，因此，求解相關(guān)矩陣z的最優(yōu)化問(wèn)題轉(zhuǎn)換 為：
將微小噪聲考慮到優(yōu)化模型中：
稱(chēng)為12;1范數(shù)，E為噪聲，[E] ^表示矩陣E 中的第i行第j列元素，λ為正則化因子用來(lái)平衡核范和I21范數(shù)的影響； 將基于流形學(xué)習(xí)的正則項(xiàng)添加到求解相關(guān)矩陣的優(yōu)化模型中，對(duì)于樣本矩陣X中的樣 本X1, X2,…，χη，可以構(gòu)建最近鄰無(wú)向圖，令W為最近鄰無(wú)向圖的權(quán)矩陣，如果樣本Xj位于樣
本Xi的k個(gè)最近鄰中，則Wij= 1，否則Wij= 0,定義 而將加權(quán)最近鄰無(wú)向圖映射到線性表示系數(shù)Z中，則利用最小化如下模型來(lái)求解最佳 映射：
其中L = D-W是Laplacian矩陣，Tr為矩陣的跡，即矩陣對(duì)角線元素之和，\為線性表 示系數(shù)，將Laplacian正則項(xiàng)添加到原始低秩表示模型中，可以得到求解相關(guān)矩陣的優(yōu)化 模型為：
s. t. X = XZ+E 其中，Z為線性表示系數(shù)，E為噪聲，L是Laplacian矩陣，β為正則化系數(shù)； 對(duì)這一優(yōu)化模型用不精確的拉格朗日乘子算法進(jìn)行求解得到相關(guān)矩陣的最優(yōu)解； 3)在得到了相關(guān)矩陣的最優(yōu)解Zi之后，則兩個(gè)特征向量X i，\之間的關(guān)系可以表示為 Pij= I (Zi)ijI + ! (Z%|，再利用NCut方法利用無(wú)向圖分割方法產(chǎn)生最終分割得到的圖像。
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于直方圖閾值及低秩表示的白細(xì)胞細(xì)胞核分割方法，包括以下步驟：自適應(yīng)閾值的白細(xì)胞大致區(qū)域的獲??；白細(xì)胞細(xì)胞核的精確分割。本發(fā)明的有益效果是，利用直方圖閾值法和、低秩矩陣表示和流形學(xué)習(xí)理論實(shí)現(xiàn)了在復(fù)雜彩色人體血液細(xì)胞圖像下分割白細(xì)胞細(xì)胞核的有效方法。利用直方圖閾值法獲得復(fù)雜的血細(xì)胞圖像中白細(xì)胞的大致區(qū)域。然后對(duì)這一大致區(qū)域中的像素點(diǎn)從RGB彩色空間轉(zhuǎn)換到Lab彩色空間，并提取a和b空間的像素值作為像素點(diǎn)的特征。將這些特征用基于流形的低秩表示實(shí)現(xiàn)聚類(lèi)，將其分成細(xì)胞核區(qū)域和背景區(qū)域。本發(fā)明對(duì)顏色不均勻的圖像和背景雜質(zhì)較多的圖像同樣適用。
【IPC分類(lèi)】G06T7-00
【公開(kāi)號(hào)】CN104751461
【申請(qǐng)?zhí)枴緾N201510141099
【發(fā)明人】蔡苗苗, 楚建軍, 曹飛龍, 趙建偉, 周正華
【申請(qǐng)人】嘉善加斯戴克醫(yī)療器械有限公司, 中國(guó)計(jì)量學(xué)院
【公開(kāi)日】2015年7月1日
【申請(qǐng)日】2015年3月29日