细胞识别统计系统的开发毕业论文(编辑修改稿)

细胞识别统计系统的开发毕业论文(编辑修改稿)内容摘要：

AL制）。 YIQ， YUV， YCBCR都是 RGB的线性变换。 HSI颜色模型的介绍 HSI（ HUE－－ SATURATION－－ INTENSITY）中的 H是色调，表示颜色的类别； S是饱和度，表示颜色的纯度； I是亮度，表示光亮程度。 HSI颜色模型用直观的形式表示 ， 如图 ，H分量的值用弧度表示，变化范围在 0到 2π 之间； S分量的值由距离圆柱体中心轴的半径长度表示，离圆柱体的 中心轴 越近， S值越小，颜色越浅， H值越不稳定； I分量用圆柱体轴方向上的高度表示，它反映了颜色的灰度等级。 圆柱体底平面上的点的 I值最小，所有点的颜色都为黑色；圆柱体平面上的点的 I值最大，所有点的颜色都为白色，此两平面上 H、 S的 取值没有意义，图。 陕西理工学院毕业设计 第 5 页 共 55 页 图 HSI 颜色模型的图形表示 表达颜色的彩色空间有很多种，它们常是根据不同的应用目的而提出的。 最常见的色彩空间是红绿蓝 （ RED,GREEN， BLUE， RGB）空间，彩色图像常用 R、 G、 B三个分量的值来表示，但 R、 G、 B三分量之间有很强的相关性，直接利用这些分量往往不能得到所需的效果。 微机上显示的彩色图像一般用 RGB 颜色模型来表示和存储像素点的颜色信息。 RGB 模型有利于图像的显示，但不符合人们的视觉习惯，也不 利于程序对图像颜色特征的利用。 比较接近人对颜色视觉感知的是色度、饱和度和亮度（ HUE， SATURATION， INTENSITY，HSI）空间 【 20】。 在对色彩信息的利用中， HSI空间 的优点在于它将亮度（ I）与反映色彩本质特性的两个参数 —— 色度（ H）和饱和度（ S）分开。 光照明暗给物体颜色带来的直接影响就是亮度分量（ I），它与彩色信息无关，而 H 和 S分量与人感受彩色的方式紧密相连。 HSI 空间比较直观并符合人的视觉特性，因此采用此空间作为图像分割的基础，会获得比较好的效果。 本文中，我们将彩色图像转化到 HSI彩色空间。 针对染色后得到的细胞图像，本文选用 HSI模型表达细胞的颜色信息。 选择该模型的原因有四个： 1) 人们对颜色的感知经过外界光刺激、色感觉、色知觉三个过程，最终形成对物体颜色三方面的认识：颜色的类别、颜色的纯度、颜色的明亮程度，而根据上面的介绍， HSI 颜色模型的三个分量正好与人们对颜色三方面的认识相对应，符合 人们的 视觉习惯与视觉心理，有利于利用计算机视觉方面的知识； 2) 在 HSI颜色模型中，将人眼视觉上得到的颜色感受转换为特定的数值表示，使得程序能够容易地利用颜色信息，而在 RGB模型中，虽然也是用数 值表示颜色，但程序不能根据人眼的视觉判断机制有效地利用其中所蕴含的信息，且三原色之问相关性大； 3) HSI颜色模型将颜色信息和亮度信息分开， H分量和 S分量 表示 颜色， I分量 表示 光亮强度，这点对于处理细胞图像各个部分亮度变化较大的情况尤为有用； 4) 对于经过染色的红细胞，其细胞本身和另外的血小板或者白细胞在 H值或 S值上有明显的区别，根据这个区别设定恰当的阈值，可以分割出红细胞的区域。 使用 HSI颜色模型使我们能够利用人眼得到的颜色差别达到分割细胞图像的目的。 显微图像是由彩色 CCD摄像机获得的由 R， G， B三基色组成的图像。 大部分情况下，可以直接在 RGB彩色空间中处理图像，但对于分割目标可能在三维空间形成混叠的情况，有必要对图像作变换，映射到其它彩色空间中，得到较好的分离效果。 HSI 空间是 RGB 的非线性变换空间，其中 H分量在大多数情况下能反映出细胞的有关特性，具有良好的可分性。 在分析中直方图和高维直方图对真彩色图像分割中正确选择合适的彩色模型研究有很好的作用。 陕西理工学院毕业设计 第 6 页 共 55 页 图 一副红细胞彩色图样 图 对应的红、绿、蓝分量的直方图 RGB色彩空间转换到 HSI色彩空间的公式 : ]),m in ([1])()()(3a r c t a n [3IBGRSBRGRBGHBGRI 关于从 RGB转换到 HSI色彩空间在后面还会讲到。 图像的灰度拉伸是图像线性变换的一种方式。 图像的线性变换就是将图像中所有的点的灰度按照线性灰度变换函数进行变换。 该线性灰度变换函数是一个一维线性函数 【 11】 ：   BKxxF  陕西理工学院毕业设计 第 7 页 共 55 页 灰度变换方程为 ： BDKDFD AAB  )( 式中参数 K 为线性函数的斜率， B 为线性函数在 Y 轴的截距， DA表示输入图像的灰度，DB表示输出图像的灰度。 当 K＞ 1 时，输出图像的对比度将增大：当 K＜ 1 时，输出图像的对比度将减小；当 K＝ 1且 K≠ 0时，操作仅使所有像素的灰度值上移或下移，其效果是使整个图像更暗或更亮；如果 K＜ 0，暗区域将变亮，亮区域将变暗，点运算完成了图像求补运算。 特殊情况下，当 K＝ 1， B＝ 0时，输出图像和输入图像相同：当 K＝ 1， B＝ 255时，输出图像的灰度正好反转。 灰度拉伸是分段线性变换，它的灰度变换函数表达式如下 : )(2 5 52 5 5)1(222121211xxSttsxSSttxSt 2211xxxxxxx 图像拉伸可以更 加灵活的控制输出灰度直方图的分布，它可以有选择的拉伸某段灰度区间以改善输出的图像。 如果一幅图像灰度集中在较暗的区域而导致图像偏暗，可以用灰度拉伸功能来拉伸（斜率＞ 1）物体灰度区间以改善图像；同样如果图像灰度集中在较亮的区域而导致图像偏亮，也可以使用灰度拉伸功能来压缩（斜率＜ 1） 物体灰度区间以改善图像质量。 图像的平滑是一种实用的数字图像处理技术，主要目的是为了减少图像的噪声 【 12】。 一般情况下，在空 间 域内可以用 平均 临域来减少噪声：在频率域，由于噪声频谱通常多在高频段，因此可以采用各 种形式的低通滤波的办法来减少噪声。 图像的均值滤波是一种图像空间域滤波增强技术。 图像的空间信息可以反映图像中的物理位置、形状、大小等特征，而这些特征可以通过一定的物理模式来描述。 例如，物体的边缘轮廓由于灰度值变化剧烈，一般呈现高频率特征，而一个比较平滑的物体内部由于灰度值比较均一则呈现低频率特征。 因此，根据需要可以分别增强图像的高频和低频特征。 例如，对于人像的比对查询，就需要通过高频增强突出五官的轮廓。 对图像的高频增强为高通滤波，可以突出物体的边缘轮廓，从而起到锐化图像的作用。 因此，也可以 称为锐化滤波。 从频率域的角度讲，它能减弱甚至消除图像的低频分量，保留高频分量，故称之为高通 滤波。 相应地，低通滤波则是指对图像的低频部分进行增强，它可以对图像进行平滑处理，一般用于图像的噪声消除，因此，也可以称为平滑滤波。 从频率域的角度讲，可以减弱甚至消除图像的高频分量，而保留低频分量，故称之为低通滤波。 滤波技术按照所在的空间不同，可以分为空间域滤波和频率域滤波，锐化滤波和平滑滤波一般在空间域进行，高通滤波和低通滤波则一般在频率域进行。 在一般的图像平滑中，常用 3 X 3或者 5 X 5的模板 得到的平滑图像，一般用于消除图像中的随机噪声，从而起到图像平滑的作用。 均值滤波法是将一个像素及其邻域中的所有像素的平均值输出作为相应的像素，从而达到平滑图像的目的。 线性滤波器是线性系统和频域滤波概念在空 间 域的自然延伸。 其输出 像素 值 R的计算由陕西理工学院毕业设计 第 8 页 共 55 页 下列公式定义： )(1 2211 nnzwzwzwnR   其中： Wi i=1,2， „ ， n是模板的系数 Zi i=1,2， „ ， n是被计算像素的值 常见的均值滤波 3X3模板见图 11111111191H 图 常见的均值滤波器 将以上的均值滤波加以修改，可以得到以下的加权滤波器。 11110111181121242121101111121111101321 HHH 图 修正加权均值滤波器 医学图像处理的主要研究方向有图像分割、图像配准等，而其中医学图像分割的研究具有更重要的意义 【 20】。 结构分析、运动分析、三维可视化等后续操作，以及图像引导手术、肿瘤放射治疗、治疗评估等应用研究都假设己对图像做了准确分割，或者说都是以图像分割为基础的。 这与计算机视觉中出现的情况类似。 医学 图像分割是正常组织和病变组织的三维重建、定量分析等后续操作的基础，也是临床医学应用的瓶颈，分割的准确性对医生判断疾病的真实情况并做出正确的诊断计划至关重要。 由于医学图像具有的极繁杂的多样性和复杂性，加上目前医学影像设备（ CTMRI， PET）等成像技术上的特点，使得医学图像存在一定的噪声，图像中目标物体部分边缘也有可能局部不清晰，这使得医学图像的分割更困难。 因此，目前在医学图像分割方面仍然没有可以通用的理论和方法，从指导思想上看，图像分割方法可以分为两种体系，以计算机为单一执行者的自动分割方法和人机 结合的交互式分割方法。 自动分割方法的指导思想是追求完全由计算机自主完成目标的分割任务，而不需要人的参与。 但是，目前计算机自主分割的结果不能令人满意，准确性不能满足医学图像的应用要求，而对人机交互过于依赖又是实际应用不能接受的。 因而，目前对自动分割方法的研究继续关注的同时，对交互分割方法的研究也成了医学图像分割的研究重点。 所谓图像分割是指将图像中具有特殊 涵义 的不同区域区分开来，这些区域是互 相 不交叉的 【 15】。 图像分割的要求主要有：图像分割所得到的全部子区域的总和应该能包括图像中所有的像素。 各个子 区域是相互不重叠的，分割出的区域的内部不应该有 很小的孔 洞；分割出的图陕西理工学院毕业设计 第 9 页 共 55 页 像区域应该具有某种相同的性质。 分割出的区域的边界与实际的边界要吻合；分割出的同一个子区域内的像素应当是连通的。 图像分割是当今图像技术的一个热点和焦点。 对于一幅灰度图像，区域内部的像素一般具有灰度相似性，而在区域之间的边界上一般具有灰度的不连续性，所以分割算法可据此分为利用区域问灰度不连续性的基于边界的算法和利用区域内灰度相似性的基于区域的算法。 另外根据分割过程中的处理策略不同，分割算法又可以分为并行 算法和串行算法 【 12】。 对于医 学图像分割算法的分类依据也不统一。 并行边界技术的分割方法比较典型的是并行微分算子法，该算法对图像中灰度的变化进行检测，通过求一阶导数极值点或二阶导数过零点来检测边缘 【 12】。 常用的一阶导数算子有梯度算子、 PREWITT算子和 Sobel算子，二阶导数算子有 LAPLACIAN算子，还有 KIRSCH算子和WALLIS算子等非线性算子。 1) 基于曲面拟合的方法：这种方法的基本思想是将灰度看成高度，用一个曲面来拟合一个小窗口内的数据，然后根 据该曲面来决定边缘点。 2) 基于曲线拟合的方法：这种方法用平面曲线来表示不同区域之间的图像边界线，试图根据图像梯度等信息找出能正确表示边界的曲线从而得到图像分割的目的，而且由于它直接给出的是边界曲线而不象一般的方法找出的是离散的、不相关的边缘点，因而对图像分割的后继处理如物体识别等高层处理有很大帮助。 即使是用一般的方法找出的边缘点，用曲线来描述它们以便于高层处理也是经常被采用的一种有效的方式。 1) 阈值分割的方法：阈值分割是最常见的并行的直接检测区域的分割方法 【 14】。 单阈值分割，将图像分为 目标和背景两大类；多阈值方法，图像将被分割为多个目标区域和背景；为区分目标，还需要对各个区域进行标记。 选取的 阈 值应位于两个峰之间的谷，从而将各个峰分开。 2) 分类和空间聚类的方法：分类是模式识别领域中－ LEE基本的统计分析方法。 主要应用有：对人脑 MR 图像和 CT 肝脏图像进行组织分类、处理微循环图像、计算血管面积、对电镜图像中的细胞特性进行提取、计算、识别和分类以及对隔膜图像的结构进行分析等。 3) 基于随机场的方法：最常用的一种统计学方法是将图像看作一个马尔科夫随机场 MRF（ MARKOV RANDOM FIELD），统 计学方法的实质是从统计学的角度出发对数字图像进行建模，把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量。 在很多情况下，组织的灰度分布呈高斯分布。 整幅图像的直方图可以看作各组织分布的迭加。 例如，对人脑的 MR图。