[发明专利]一种自适应阈值的细胞图像分割方法

说明书

本发明公开了一种自适应阈值的细胞图像分割方法，包括如下步骤：获取包含n张图像的细胞加药处理图像序列；将图片灰度值按照最大最小值归一化后，线性映射到指定范围[m.n]内，图片对应像素点灰度值为f(x，y)；对图像进行模糊度判断，将图像映射到模糊域中；对有效信息区域进行增强，对无效信息区域进行抑制，即对模糊的细胞区域进行加强，对背景区域进行抑制；选取相邻两帧增强后的图像g′_i，g′_i‑1迭代计算图像的最优分割阈值。实现了对细胞延时图像序列的精确快速分割，从而结合了传统方法提取的图像特征，从而抑制了面积约束造成的模板过度膨胀的问题，也加强了图像的分割效果。

技术领域

本发明涉及图像处理技术领域，特别涉及一种自适应阈值的细胞图像分割方法。

背景技术

活细胞的动态分析对于研究细胞的结构、功能、生命活动的规律和本质具有重要意义。

在动态定量分析过程中，常需要从细胞的延时序列图像中提取出细胞区域进行分析和计算，细胞区域的分割精度也影响着最终的定量分析结果。

近年来，对细胞图像的分割算法发展迅速，现有的图像分割方法主要分为以下几类：

1)传统的基于阈值的分割方法

阈值分割是一种区域分割技术，适用于目标与背景对比强烈的场景分割。阈值的选择是图像阈值分割方法中的关键技术。在基于阈值的图像分割方法中，最典型的代表是Otsu提出的最大类间方差阈值选择方法(Otsus[1])。对于细胞图像，图像的目标与背景相差很大，即灰度直方图没有明显的双峰时，基于单张图像的特征，难以找到最优的分割阈值，分割效果不佳，往往需要加入一些图像预处理。但对于形态变化，对比度变化大的序列图像，预处理参数需要很大的改变，需要手动序列图像的每一帧图片进行预处理参数调整。

2)传统的基于能量泛函的方法

基于能量泛函的分割方法主要是指活动轮廓模型及其基础上发展出来的算法。其通过定义一个能量泛函，使得作为自变量的连续曲线演化到目标边界，这样分割过程就变成了求解函数极小值的过程。距离正则化水平集算法(DRLSE[2])是其中较为著名的分割方法。在使用传统的能量泛函算法处理形态和对比度不同的图像时，需调整演化函数的参数，从而达到最优分割效果。而在细胞的动态研究中，常需要加入特定的药物处理，研究细胞对药物的反应，加药后的细胞的形态、对比度将发生很大的变化，需要手动对每一帧图像的能量泛函算法参数进行调整。

3)基于区域生长的方法

基于边缘检测的分割方法是利用两个相邻区域边缘上像素的灰度值变化较大来获得边界，从而实现图像分割。这种算法对噪声敏感，且容易导致区域内有孔洞，对于细胞荧光图像难以有效分割，且分割时间较长。

发明内容

本发明的目的在于提供一种自适应阈值的细胞图像分割方法，实现了对细胞延时图像序列的精确快速分割，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种自适应阈值的细胞图像分割方法，包括如下步骤：

步骤1：获取包含n张图像的细胞加药处理图像序列；

步骤2：将图片灰度值按照最大最小值归一化后，线性映射到指定范围[m.n]内，图片对应像素点灰度值为f(x，y)，线性映射公式如下：

步骤3：对图像进行模糊度判断，将图像映射到模糊域中，映射公式为：

其中，g_max是线性映射后图像灰度的最大值，即255，g(i,j)是线性映射后图像在(i,j)点的像素值；