基于机器视觉的宫颈癌细胞图像识别

来源:用户上传      作者:

　　摘要：本文使用计算机图像处理技术对宫颈癌细胞进行预处理，选取合适的滤波进行去燥，并对图像进行二值化处理得到二值图像。然后使用OpenCV函数库对处理后的细胞对象进行边缘提取，并运求取细胞质以及细胞核的面积之比，对正常细胞和癌变细胞的质核比进行比较，结合相关资料和研究结论，得出了质核比接近于1比1即为癌细胞的结论。实验结果表明，本文较好的完成了宫颈癌细胞图像的特征提取和识别任务。
　　关键词：图像预处理;数学形态学;特征提取
　　中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2019）06-0056-01
　　1 绪论
　　宫颈癌是乳腺癌后女性特异性癌症相关死亡的第二大原因，如果患者在癌前病变阶段或更早期被诊断，疾病的死亡率会显著降低。使用计算机、图像处理、人工智能等技术的医学显微图像处理是近年来迅速发展起来的图像识别技术。本文从宫颈癌细胞的获取到对宫颈癌细胞图片进行预处理，再对宫颈癌细胞图片进行特征识别从而达到对宫颈癌细胞识别的目的。
　　2 机器视觉获取图像
　　机器视觉系统主要由照明、镜头、高速相机、图像采集卡、视觉处理器构成。通过照相机将被检测的目标转化成图像信号，传送到指定系统中进行处理。相机主要分为CCD相机和CMOS相机，多数采用CCD相机，其优势是相机噪声小，分辨率高，灵敏度高。
　　3 宫颈癌细胞显微图像预处理
　　3.1 图像数据格式
　　计算机图像由像素组成，一个图像的行和列各有256个像素点，共65536个像素点。像素的大小受分辨率的影响，由分辨率的大小得出图像的实际尺寸。图像的强度通常用2的整数次幂的灰度级来表示。图像在计算机中的储存方式有很多，如BMP、GIF、JPEG、TIFF等。
　　3.2 彩色图像灰度化
　　在RGB彩色模型当中，每个图像都由三个分量图像构成，即红、绿、蓝三原色各一个分量级组成。彩色图像的灰度化是使彩色模型中R、G、B的分量相等，此时得到的是只有黑白颜色的图片，其相等的数值即为灰度级。R、G、B的取值为0-255，故灰度级可描述256种从白到黑等不同深浅的颜色。进行图像处理前，将图片转变成灰度图进行后续的操作。灰度化处理方法：最大值法、平均值法、加权平均值法。
　　3.3 图像增強
　　图像的获取或传输过程中会产生一些影响图像处理的噪声，噪声主要有：高斯噪声、瑞利噪声、伽马噪声、指数噪声、椒盐噪声。
　　直方图均衡化使图像在每个灰度区间内的像素点数尽可能相等，使灰度级分布广泛，图像可以包含更多的信息。
　　膨胀运算是对图像的细节进行增强，并对不连通区域进行连通处理。假设有一个结构元素S，将S平移后得到S1，若S1击中被处理的对象X，记下这个点，所有满足这个条件的点的集合被称作为膨胀后的结果。腐蚀运算是膨胀运算的对偶运算，可过滤掉图像当中不必存在的细节。
　　4 宫颈癌细胞显微图像的分割
　　4.1 阈值分割法
　　通过对图像中不同区域内的颜色差异进行分割，阈值分割需要设定一个阈值，对图像内的所有像素与阈值相比较，将像素分为不同的区域。阈值分割法实现简单、计算量小、性能比较稳定、分割速度快。
　　4.2 区域生长法
　　从一个像素点出发，按照规则判断其相邻像素点与其是否相似，若相似，则归并到同一区域内进行相邻像素点的比较，直至其领域内没有与之相似的像素点或小区域，像素点停止增长。
　　5 宫颈癌细胞显微图像特征提取和计数
　　5.1 基于OpenCV的宫颈癌细胞特征提取
　　对细胞进行预处理后，使用OpenCV的findcontours算法对细胞核和细胞进行边缘提取。该算法首先对读取的二值化图像内连续的点构成的集合进行计算，即每一个由连续点构成的点的集合的向量的个数为该二值化图片具有的轮廓数，检测到的轮廓可分为后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓。本文检测所有的轮廓，并将所有的轮廓建立一个等级树状结构。该算法定义轮廓的近似方法有三种：（1）保存边界上的所有轮廓点到向量内。（2）仅保存轮廓拐点的信息，并将其保存到向量内。（3）用teh-Chinlchain近似算法进行计算。最后加上所检测到的轮廓信息与原始图像对应点的偏移量。
　　边缘提取操作后，提取细胞及细胞核边缘，选用cvcountarea算法对连通域轮廓线所包含的区域求面积。周长的计算用api-arcLength算法，寻找像素点中心，连通像素点得到连通区域，计算联通曲线的长度即为周长。
　　5.2 对癌变细胞鉴别方法
　　查阅医学相关资料总结出宫颈细胞癌变的明显特征，例如癌变细胞的细胞核明显增大以至质核比明显减小。本文计算正常细胞的质核比和癌变细胞的质核比并对其进行比较来判断是否为癌变细胞。
　　6 结语
　　本文对癌变细胞和未癌变细胞进行识别并比较数据，分别求其质核比，发现癌变细胞质核比2.46，未发生癌变细胞的质核比为48.49，并结合资料得出判断宫颈细胞发生癌变的依据为质核比接近1，根据这一方法可以判断细胞是否癌变。
　　参考文献
　　[1] 赵国超.基于细胞核分析的癌细胞图像特征提取与识别[D].武汉理工大学，2013.
　　[2] 宋盟春.宫颈癌细胞计算机自动识别系统研究与设计[D].暨南大学，2008.
　　[3] 李子柔，王健庆，陈景森，et al.基于计算机视觉的细胞显微图像研究[J].福建电脑， 2017（12）：53.
　　[4] 范金坪.宫颈细胞图像分割和识别方法研究[D].暨南大学，2010.
　　[5] 谢欣，夏哲雷.深度卷积神经网络的宫颈癌细胞图像识别[J].中国计量大学学报，2018（02）：200-203. 　　Image Recognition of Cervical Cancer Cells Based on Machine Vision
　　ZHANG Hao-qi，HAN Jia-hao，JIANG Zhuo-ying，YUAN Sheng，HOU Xiao-qiang
　　（Zhengzhou University，Zhengzhou Henan  450001）
　　Abstract：In this paper， the computer image processing technology is used to pretreat the cervical cancer cells， select the appropriate filter for desiccating， and the image is binarized to obtain the binarization image.After that， OpenCV function library was used to extract the edge of the processed cell objects， and the ratio of cytoplasm and nucleus area was obtained by operation to compare the cytoplasm and nucleus ratio of normal cells and cancerous cells. Combined with relevant data and research conclusions， the conclusion that the cytoplasm and nucleus ratio was close to 1-1 was the cancer cell.The experimental results show that the task of feature extraction and recognition of cervical cancer cell image is completed well in this paper.
　　Key words：image preprocessing; mathematical morphology; feature extraction
转载注明来源:https://www.xzbu.com/8/view-15008240.htm