[发明专利]相差显微镜细胞主要信息粘连情况的分离与分组方法

说明书

一种适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，包括如下步骤：1)基于对相差显微镜细胞图像特性的分析，构建图像中的层次信息之后，定义相差显微细胞图像的主要信息；2)手动标记关键信息，标记时需要参照原始图片和主要信息，将细胞主要信息粘连情况划分为一个区域，以便于将这些情况进行单独分析；3)利用无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，对目标粘连情况进行分离和分组；4)更新相差显微镜细胞图像中的主要信息标号与颜色标记，得到此图像修复后的主要信息。本发明能有效处理相差显微镜细胞图像检测和分割。

技术领域

本发明属于医学图像处理技术领域，涉及一种适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法。

背景技术

当前在相差显微镜细胞检测和分割领域，通常假设目标的区域具有内部一致性的特点，即目标内部的灰度、颜色或者其他特征是均匀分布。主要采用阈值的方法对目标区域进行直接分割，或者采用主动轮廓模型得到目标的封闭区域。一般阈值相关方法的思想主要是直接调节并得到最佳阈值，从而能够直接得到目标的区域。主动轮廓模型的方法是在假定目标内部一致性的前提之下，增加了目标具有较强梯度边界的假设，从而优化目标函数，从初始状态开始演化曲线，最终能够形成局部的封闭区域。但是主动轮廓模型无法对粘连的细胞进行有效的区分，其结果通常会把粘连的细胞置于同一个封闭区域中。另外的一类方法是对图像进行分片处理，即将原始较大的图像划分出连续的局部区域块。这类算法，包括超像素划分(Super-Pixel)和UCM(Ultra-metric Contour Map)。前一种先在整幅图上均匀地放置一些种子点，然后构建局部一致性的区块，再通过半监督学习的方式或者谱聚类的方式，对这些局部区块进行一个分类，从而能够构建更具体的分割区块。后一种是通过随机森林的方式对已标记的像素级训练集训练出一个模型。训练集中正样本为目标边界像素，负样本为非边界像素。得到的分类概率图通过一系列的变换，能够形成基于边界信息的局部区域块，再通过MCG(Multiple Combinatorial Grouping)算法对局部的区域块进行融合操作。相差显微细胞的边界和内部都不具有明显的一致性，即细胞内部灰度值的偏差很大且细胞边界的清晰度不够显著，很多部位与背景相粘连。

发明内容

为了克服已有相差显微镜细胞图像检测和分割上较难处理的不足，本发明提供了一种有效处理相差显微镜细胞图像检测和分割的适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法。

本发明解决其技术问题所采用的技术方案是：

一种适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，包括如下步骤：

1)基于对相差显微镜细胞图像特性的分析，构建图像中的层次信息之后，定义相差显微细胞图像的主要信息；

2)手动标记关键信息，标记时需要参照原始图片和主要信息，将细胞主要信息粘连情况划分为一个区域，以便于将这些情况进行单独分析；

3)利用无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，对目标粘连情况进行分离和分组；

4)更新相差显微镜细胞图像中的主要信息标号与颜色标记，得到此图像修复后的主要信息。