基于壓縮感知的延時視頻序列運(yùn)動細(xì)胞跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種延時視頻序列運(yùn)動細(xì)胞跟蹤方法，特別涉及一種基于壓縮感知的 延時視頻序列運(yùn)動細(xì)胞跟蹤方法。
【背景技術(shù)】
[0002] 現(xiàn)有的延時視頻序列運(yùn)動細(xì)胞跟蹤方法主要有兩類：一類是基于參數(shù)模型的，實(shí) 時跟蹤中需要對參數(shù)進(jìn)行不斷的更新；另一類是基于圖像分割的，需要先分割圖像得到細(xì) 胞區(qū)域。
[0003]文獻(xiàn)"LouX，SchieggM，HamprechtF.ActiveStructuredLearningforCell Tracking:Algorithm,Framework,andUsability[J].IEEETransactionsonMedical Imaging, 2014. "公開了一種主動結(jié)構(gòu)學(xué)習(xí)的運(yùn)動細(xì)胞跟蹤方法。提出了一種目標(biāo)任務(wù)模型 的延伸構(gòu)想，將更多的復(fù)雜的目標(biāo)特征和事件考慮進(jìn)模型，這種更加復(fù)雜的目標(biāo)任務(wù)模型 增加了需要學(xué)習(xí)的參數(shù)。接下來從訓(xùn)練數(shù)據(jù)中利用最大邊界結(jié)構(gòu)學(xué)習(xí)方法主動學(xué)習(xí)最優(yōu)參 數(shù)，從而實(shí)現(xiàn)了運(yùn)動細(xì)胞的跟蹤。文獻(xiàn)所用特征擴(kuò)展目標(biāo)任務(wù)模型利用了更多的目標(biāo)特征 數(shù)據(jù)，增加了算法的時間復(fù)雜性。

【發(fā)明內(nèi)容】

[0004] 為了克服現(xiàn)有延時視頻序列運(yùn)動細(xì)胞跟蹤方法復(fù)雜的不足，本發(fā)明提供一種基于 壓縮感知的延時視頻序列運(yùn)動細(xì)胞跟蹤方法。該方法將壓縮感知引入到延時視頻序列運(yùn)動 細(xì)胞的跟蹤中，首先對延時視頻序列每一幀中運(yùn)動細(xì)胞進(jìn)行粗分割，依據(jù)分割結(jié)果確定每 個細(xì)胞所在的一個矩形檢測窗口；然后，在該矩形檢測窗口內(nèi)，使用一族隨機(jī)生成的濾波器 對原始細(xì)胞圖像進(jìn)行隨機(jī)采樣，將該矩形檢測窗口內(nèi)的圖像變換到高維特征空間；接著，構(gòu) 造一個隨機(jī)稀疏矩陣，將窗口內(nèi)的圖像從高維特征空間映射到低維特征空間，形成對矩形 窗口內(nèi)細(xì)胞圖像信息的有效描述特征；最后，將所得的描述特征帶入訓(xùn)練好的樸素貝葉斯 分類器，判定該窗口區(qū)域是否真的還有上一幀中附近位置出現(xiàn)的細(xì)胞，從而實(shí)現(xiàn)細(xì)胞跟蹤。 這種基于壓縮感知的延時序列運(yùn)動細(xì)胞跟蹤方法，將圖像特征從高維特征空間映射到低位 特征空間，從而降低了復(fù)雜度。
[0005] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種基于壓縮感知的延時視頻序列 運(yùn)動細(xì)胞跟蹤方法，其特點(diǎn)是包括以下步驟：
[0006] 步驟一、對于歸一化后的一幀視頻序列圖像I，其中像素點(diǎn)s的像素值 表示為{I(S)e[0, 1]:seS}。定義一個寬度為M、高度為N的圖像塊S，S= {(X，y) :1彡X彡M，1彡y彡N}表示其中像素點(diǎn)的集合。定義7X7窗口大小的濾波器如 下：
[0007]
(1)
[0008] 式中，η表示閾值，c(s)<η表示濾波器窗口內(nèi)像素值小于閾值η的像素點(diǎn)個數(shù)， 表示濾波器窗口內(nèi)像素大于等于閾值η的像素點(diǎn)個數(shù)，Γ(s。）表示濾波后的濾波器窗口中 心點(diǎn)像素s。的像素值。
[0009] 用式（2)的濾波器窗口在圖像上逐點(diǎn)遍歷之后，得到分割后細(xì)胞圖像和背景。 [0010] 用四連通外接最小矩形邊界框提取細(xì)胞的邊緣，得到矩形圖像塊，作為細(xì)胞的原 始?目息〇erwxh。
[0011] 步驟二、對于某一細(xì)胞原始信息0erwxh，按照步驟一中定義的寬度為m、高度為N 的濾波器在原始細(xì)胞信息周圍隨機(jī)采樣。經(jīng)過濾波器采樣后，得到某一細(xì)胞所有圖像塊信 息，包括正樣本和負(fù)樣本，且正負(fù)樣本數(shù)量相等。
[0012] 將采樣得到的某一細(xì)胞所有圖像塊0轉(zhuǎn)化為向量形式，記作
[0013] 對于一幀細(xì)胞圖像中所有細(xì)胞采樣，利用壓縮感知理論，由式（3)計(jì)算得到細(xì)胞 采樣信息的降維稀疏表示特征Ve妒，
[0014] V=ΦΧ (3)Q為固定值50且遠(yuǎn)小于￥ΧΗ，Φ表示稀疏化矩陣，VeRSVfV 為所得到的降維樣本信息。
[0015] 步驟三、由某一細(xì)胞采樣得到的特征經(jīng)過稀疏化壓縮后的特征向量Ve妒，設(shè)計(jì)貝 葉斯分類器if:
[0016]
⑷
[0017] k取0或1，表示正樣本或負(fù)樣本，P(Yi= 0) =P(Y;= 1) = 0· 5 ;
[0018] 提取到的細(xì)胞每個樣本的特征所有元素統(tǒng)計(jì)特性看作獨(dú)立高斯分布，利用其期望 和方差，轉(zhuǎn)換式（4)為：
[0019]
(5)
[0020] 經(jīng)過下式計(jì)算得到結(jié)果H(YJ，
[0021]
(Ο)
[0022] 比較結(jié)果H(YJ大小，使結(jié)果最大的特征向量Vi，且結(jié)果大于閾值ΤΗ，認(rèn)為此特征 向量1為跟蹤的結(jié)果；如果結(jié)果小于閾值ΤΗ，則跟蹤的細(xì)胞消失。
[0023] 所述閾值Τη=0·35。
[0024] 本發(fā)明的有益效果是：該方法將壓縮感知引入到延時視頻序列運(yùn)動細(xì)胞的跟蹤 中，首先對延時視頻序列每一幀中運(yùn)動細(xì)胞進(jìn)行粗分割，依據(jù)分割結(jié)果確定每個細(xì)胞所在 的一個矩形檢測窗口；然后，在該矩形檢測窗口內(nèi)，使用一族隨機(jī)生成的濾波器對原始細(xì)胞 圖像進(jìn)行隨機(jī)采樣，將該矩形檢測窗口內(nèi)的圖像變換到高維特征空間；接著，構(gòu)造一個隨機(jī) 稀疏矩陣，將窗口內(nèi)的圖像從高維特征空間映射到低維特征空間，形成對矩形窗口內(nèi)細(xì)胞 圖像信息的有效描述特征；最后，將所得的描述特征帶入訓(xùn)練好的樸素貝葉斯分類器，判定 該窗口區(qū)域是否真的還有上一幀中附近位置出現(xiàn)的細(xì)胞，從而實(shí)現(xiàn)細(xì)胞跟蹤。這種基于壓 縮感知的延時序列運(yùn)動細(xì)胞跟蹤方法，將圖像特征從高維特征空間映射到低位特征空間， 從而降低了復(fù)雜度。
[0025] 以下結(jié)合【具體實(shí)施方式】詳細(xì)說明本發(fā)明。
【具體實(shí)施方式】
[0026] 本發(fā)明基于壓縮感知的延時視頻序列運(yùn)動細(xì)胞跟蹤方法具體步驟如下：
[0027] 步驟一、細(xì)胞分割。
[0028] 對于歸一化后的一幀視頻序列圖像I，其中像素點(diǎn)s的像素值表示 為{I(s)e[0, 1]:seS}。定義一個寬度為M、高度為N的圖像塊S，S= {(X，y) :1彡X彡M，1彡y彡N}表示其中像素點(diǎn)的集合。定義7X7窗口大小的濾波器如 下：
[0029]
(:7)
[0030] 定義濾波器窗口中心像素點(diǎn)為s。，設(shè)置閾值1\為0. 19,統(tǒng)計(jì)窗口中所有大于閾值 !\的像素點(diǎn)s的個數(shù)c(s)，取像素點(diǎn)個數(shù)c(s)的閾值η為35,c(s) <n表示濾波器窗口 內(nèi)像素值小于閾值η的像素點(diǎn)個數(shù)，表示濾波器窗口內(nèi)像素大于等于閾值η的像素點(diǎn)個數(shù)， I'（s。）表示濾波后的濾波器窗口中心點(diǎn)像素s。的像素值。
[0031] 用式（8)的濾波器窗口在圖像上逐點(diǎn)遍歷之后，得到分割后細(xì)胞圖像和背景。
[0032] 用四連通外接最小矩形邊界框提取細(xì)胞的邊緣，得到矩形圖像塊，作為細(xì)胞的原 始信息〇e Rwxh。
[0033] 步驟二、特征提取。
[0034] 隨機(jī)采樣細(xì)胞信息。首先，對于某一細(xì)胞原始信息0eRWXH，按照步驟一中定義的 寬度為M、高度為N的濾波器在原始細(xì)胞信息周圍隨機(jī)采樣（等同于這一細(xì)胞原始信息的寬 度W和高度H)。經(jīng)過濾波器采樣后，得到某一細(xì)胞所有圖像塊信息，其中包括正樣本和負(fù)樣 本，且正負(fù)樣本數(shù)量相等。
[0035] 將采樣得到的某一細(xì)胞所有圖像塊0轉(zhuǎn)化為向量形式，記作
[0036] 對于一幀細(xì)胞圖像中所有細(xì)胞采樣，利用壓縮感知理論，由式（3)計(jì)算得到細(xì)胞 采樣信息的降維稀疏表示特征Ve妒，
[0037]V=ΦΧ (9)Q為固定值50且遠(yuǎn)小于WXH，Φ表示稀疏化矩陣，V e Rq， te V為所得到的降維樣本信息。
[0038] 步驟三、細(xì)胞跟蹤。
[0039] 首先，由某一細(xì)胞采樣得到的特征經(jīng)過稀疏化壓縮后