[发明专利]基于质心跟踪框架的粒子滤波与均值漂移的细胞跟踪方法

说明书

技术领域

本发明属于数字图像处理技术领域，涉及视频显微图像中运动细胞的自动跟踪，可用于医学显微视频图像中对运动细胞的分析。

背景技术

细胞图像处理作为生物学中的一个研究方向，由于其对细胞研究尤其是癌细胞的研究具有很重要的指导意义，已经成为生物学中的一个新的研究热点。显微技术的发展给观察和研究细胞周期性活动提供了一个很重要的工具。不过，传统的数据人工分析方法对处理这类细胞显微图像数据的作用非常有限，费时费力而且不准确。如今，用于视频显微图像下的细胞自动跟踪系统，作为生物学研究中的一个新兴研究方向，对细胞研究具有重要的指导意义。

细胞跟踪的目标是高速、自动的提供细胞的行为，包括移动、分裂、出现、消失等。广泛的计算机视觉领域的研究已造成强大和灵活的可视化算法。目前，存在的细胞跟踪方法，大致可以分为三类：基于数据关联、单独帧独立分割的方法；基于轮廓变化模型的方法；随机滤波和概率统计的方法。其中：

1.基于数据关联、单独帧独立分割的方法，是细胞跟踪当中比较有效的方法。Al-Kofahi等人在各种匹配假说中使用了线性规则，但是他们的方法不能捕获聚集的细胞以及进入或者离开图像视角的细胞。Dehauwer等人采用了基于欧氏距离匹配的方法，在帧间进行关联。Padfield等人通过跟踪单一细胞训练出的特征，在时空上关联细胞。不过，各种相关的分割匹配技术在关联进入或移出的细胞方面不是很有效，在细胞的分裂跟聚集情况上也都需要特别处理。

2.基于轮廓变化模型的方法，如水平集算法也是常用于细胞跟踪的方法。由于水平集方法可以很容易的在拓扑结构下传递变化信息，为此Yang和Padfield等人采用该方法，将进化水平集用于时空上，能及时有效的关联检测目标。其他相关方法，如Dufour等人提出的水平集方法，采用由先前图像得到的轮廓作为初始，来实时传播变化信息。这种基于轮廓变化模型的方法，虽然能非常有效的处理拓扑结构的变化，但是，在细胞的快速移动或者出现、消失时，都要求重新进行参数的初始化，而大量参数的及时获取和初始化是比较复杂和困难的，无疑会影响该方法的效果。

3.用以跟踪的随机滤波和概率统计的方法，一般情况下都依赖于强有力的模型假设。例如，均值漂移算法可以通过一个基本的外观模型来跟踪目标，这种方法的效果取决于目标定位的精确性，以及模型的实时转移倾向；又如卡尔曼滤波算法，如果该方法采用的状态转移模型可以较好的模拟跟踪目标的运动状态，那么这种滤波方法将非常有效。Kachouie等人提出了一种基于概率准则的最大后验概率，用以细胞追踪，但是由于该算法需要大量的假设，所以该系统能跟踪的细胞数目受到一定限制。事实上，由于细胞自身的非线性运动，不能找到理想的模型去较好的模拟所有细胞的运动，以及视频图像中待跟踪的细胞数目相对较多，增加了跟踪的复杂度，传统的随机滤波和概率统计的方法用于细胞跟踪都不是非常理想。

综上，现有的细胞跟踪方法有如下一些缺点：(1)有些方法不能对细胞运动变化做出准确的判断，如细胞的出现或消失，即使做出判断，对于复杂的运动也不能达到理想的跟踪效果；(2)有些方法对跟踪的目标数目有一定的限制，不能跟踪视频图像中的所有细胞，仅能跟踪一定数目的细胞；(3)有些方法不具有很好的鲁棒性，仅对某些视频图像中具有特定特征或者运动规律的细胞有较为理想的跟踪效果。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于质心跟踪框架的粒子滤波与均值漂移的细胞跟踪方法，以对每个细胞的运动变化做出准确的判断，提供精确的细胞运动轨迹，并且对视频图像中的细胞及跟踪的细胞数目没有限制。

实现本发明目的的技术思路是将粒子滤波与均值漂移跟踪方法引入到基于质心跟踪的框架中，得到跟踪细胞的准确位置。其具体实现步骤包括如下：

(1)对视频的每帧图像运用Otsu方法进行二值化分割，并对二值图像中的细胞区域进行标记，提取每个细胞的中心位置；

(2)根据每个细胞的中心位置，对二值图像中出现的细胞进行质心跟踪，记录得到的细胞跟踪轨迹；

(3)根据每个细胞的跟踪轨迹，判断二值图像是否为细胞跟踪轨迹的起始图像和终止图像，并将起始图像和终止图像中细胞轨迹的起始和终止坐标分别记录于起始坐标集合和终止坐标集合中；