[发明专利]一种视频显微图像细胞自动跟踪方法

摘要

本发明涉及一种视频显微图像细胞自动跟踪的方法。现有的细胞跟踪方法自动化程度较低，不能适应细胞运动形式的复杂多变性和多细胞运动跟踪。本发明的步骤包括：将获取的细胞运动视频显微图像逐帧进行增强处理；从增强处理后的细胞运动图像中提取目标细胞；建立细胞运动动力学模型；跟踪运动的目标细胞。本发明在分析细胞运动特性和图像中噪声与干扰特征的基础上，采用动态系统建模和随机建模方法，通过递推Bayesian滤波和数据关联技术，对细胞的运动轨迹进行跟踪，自动化程度高、处理能力强。

主权项

1.一种视频显微图像细胞自动跟踪方法，其特征在于该方法包括以下步骤：(1)通过相差显微镜获取实时细胞运动图象，将获取的细胞运动视频显微图像逐帧进行增强处理；(2)从增强处理后的细胞运动图像中提取目标细胞；(3)建立细胞运动动力学模型；(4)跟踪运动的目标细胞；步骤(1)中视频显微图像的增强处理采用广义模糊增强处理方法，具体包括以下步骤：①初始化，输入待处理图像f，设定迭代次数的初始值为r＝1；②采用中值滤波器进行平滑滤波，以图像f的每个像素f(i，j)作为窗口的中心，将窗口所覆盖图象的像素灰度平均值作为f(i，j)的新的灰度值fij；③将新的灰度值fij进行第r次迭代，确定中值滤波后图像的模糊特征平面{μij(r)}；④对μij(r)作如下非线性变换，变换结果记为μij′(r)；${\mu }_{\mathrm{ij}}^{\prime }\left(r\right)=T\left({\mu }_{\mathrm{ij}}\left(r\right)\right)=\left\{\begin{array}{cc}2{\left({\mu }_{\mathrm{ij}}\left(r\right)\right)}^2& 0\le {\mu }_{\mathrm{ij}}\left(r\right)\le 0.5\\ 1-2{(1-{\mu }_{\mathrm{ij}}\left(r\right))}^2& 0.5<{\mu }_{\mathrm{ij}}\left(r\right)\le 1\end{array}\right.---\left(1\right)$ ⑤对μij′(r)作逆变换，得到新的灰度图像{fij′}；⑥对模糊增强后的图像进行如下灰度变换$f_{\mathrm{ij}}^e=t\left(f_{\mathrm{ij}}^{\prime }\right)=\frac{f_{\max }^e-f_{\min }^e}{f_{\max }^{\prime }-f_{\min }^{\prime }}(f_{\mathrm{ij}}^{\prime }-f_{\min }^{\prime })+f_{\min }^e---\left(2\right)$ 式中fij e为经过灰度变换t(·)后的图像灰度值，fmin e，fmax e分别为设定的灰度变换后的图像灰度的最大、最小值，fmin′，fmax′分别为模糊增强图像灰度的最大、最小值，且$f_{\min }^{\prime }\ge f_{\min }^e,$ $f_{\max }^{\prime }\le f_{\max }^e;$ ⑦比较第r次和第r-1次增强图像的图像质量评价指标，如果σw(r)小于σw(r-1)，则令${\mu }_{\mathrm{ij}}^{\prime }\left(r\right)\stackrel{\Delta }{=}{\mu }_{\mathrm{ij}}\left(r\right),$r+1r，并返回④对μij(r)进行迭代计算；否则输出第r-1次增强的图像；步骤(2)中提取目标细胞的方法采用主动轮廓线模型方法，具体实现包括以下步骤：①构造能量模型设定曲线v(s)＝[x(s) y(s)]，s∈[0，1]，定义其上的总的能量表示为：Etotal(v(s))＝∫s(Eint(v(s))+Eimage(v(s))+Econ(v(s)))ds (3)其中：Eint(v(s))＝(α(s)|vs(s)|2+β(s)|vss(s)|2) (4)Eimage(v(s))＝wlineEline(v(s))+wedgeEedge(v(s))+wtermEterm(v(s)) (5)Econ(v(s))＝k(x1-x2)2 (6)Eint(v(s))为内部能量，表达了驱使曲线更平滑的力，其中一阶项表达了使相邻点距离更小的拉力，二阶项表达了抵御弯曲的刚性力；α(s)和β(s)表示各自的权重；Eimage(v(s))为图像能量，是从图像得到的引导蛇朝向低灰度或高灰度位置前进的线能量Eline＝I(x，y)、边缘能量用Eedge＝-|I(v(s))|和图像中线的终止点和拐角对轮廓线走向的影响的能量Eterm的三个能量项的加权和；wline、wedge和wterm代表图像能量各分量的权重；Econ(v(s))表示吸引轮廓线到图象位置的弹性力，x1和x2分别表示轮廓线和图像位置的指定点；②利用变分法对总能量进行极小化，使轮廓线满足$F_v-\frac{\partial }{\partial s}{F}_{v_s}+\frac{{\partial }^2}{{\partial s}^2}{F}_{v_{\mathrm{ss}}}=0---\left(7\right)$ ③通过曲线包围区域的中心位置确定细胞目标在图像上的位置，该位置作为当前帧该细胞图像的位置测量；步骤(3)中建立细胞运动动力学模型包括建立目标运动模型和测量模型，其中目标运动模型为x(k+1)＝F(k)x(k)+G(k)u(k)+v(k) (8)测量模型为z(k)＝H(k)x(k)+w(k) (9)x(k)表示目标细胞的在k时刻的运动状态，z(k)表示k时刻的图像测量，F(k)、G(k)和H(k)分别表示k时刻的状态转移矩阵、控制输入矩阵和测量矩阵，v(k)和w(k)分别描述了随机系统噪声和测量噪声；步骤(4)中运动目标细胞的跟踪方法采用递推Bayesian滤波方法更新每个目标，获得每个目标的当前状态和估计精度，对于多细胞跟踪和细胞分裂、细胞聚集通过数据关联进行处理。