一种红细胞边缘检测算法的研究
来源:用户上传
作者:
摘要：近年来，计算机技术得以迅猛发展，在细胞病理检测中，模式识别及图像处理技术被大范围的应用，已成为现代医学和分子生物技术新的科研方向。
关键词：红细胞;边缘检测;噪声点;图像处理技术
中图分类号：TP311 文献标识码：A
文章编号：1009-3044（2020）02-0208-02
实践表现，图像预处理技术在多个领域均有涉及，依据需求的不同，要求预处理需对图像个体性特征予以凸显，处理方法也存在明显差别，细胞图像预处理以增强和去噪处理为主要工作内容，图像预处理结果如何，可对细胞检测准确率造成严重影响。所获取的红细胞图像，因采集角度、视觉有所不同，有细胞模糊的情况存在，在处理呈模糊状态的红细胞图像时，可应用图像和视频的相关打码技术，即在具体操作时，于一个区域内，对随机像素值和分布于其他区域的像素值随机应用，来对原来区域中分布的像素值处理模糊细胞进行代替。
1 EMD Wavelet理论
1998年，由Huang NE等对EMD方法制定，其为一种重要的信号处理技术，可依据信号时间特征对自适应多角度分解信号，从理论角度而言，此方法可对任何信号展开分解处理，在应对非平稳、非线性信号时，优势较为突出，分析EMD多尺度分解核心思路，即任何信号均由系列相对呈简单显示的非正弦信号叠加而成，信号s（t）可经EMD对系列可对以下条件的IMF进行分解。在噪声压制上，研究示，EMD分解含噪信号后，可在不同的呈固有状态模态函数（IMF）中将信号中有效信号和噪声分离，经科学对IMF重构信号选择，发挥将噪声去除的作用。
分析经验模态分解（EMD）特征，是多一个信号完成平稳化处理操作，将信号中分布的不同尺度波动分解，促系列特征不同的尺度数据序列产生，所获取的每一个数据序列，即为本征模态函数（IMF）。若信号[x（t）]给定，则其EMD可按以下形式分解：[x（t）=n=1NCn（t）+rn（t）] ，式中：[Cn（t）]：为经第n次分解获取的IMF分量分解;[rn（t）] 属为分解完成后获取的残差。EMD分解过程除将模态波形叠加消除外，可增加波形轮廓所表现出的对称性，其分解步骤主要包括：
（1） 对搜索信号特征进行分析，所有局部所包括的极大和极小值点，极大值点用三次样条曲线进行连接，可促使上包络线形成，所有极小值点连接，可促使下包线形成，并保证信号 [x（t）]上分布的所有数据点均介于上下包线之间;
（2） 上下包络线所呈现出的均值记[m1]，按 [h1=x（t）-m1（1）]定义，若[h1] 满足本征模态函数（IMF）的2个条件，则认为 是分解得到的第一个IMF;
（3） 若[h1]对本征模态函数（IMF）条件不具满足性，则[h1]为原始数据，对（1）和（2）步骤重复，至获取合格的IMF，实验中第一个IMF分量为[c1]，则残量[r1（t）=x（t）-c1（t）]
（4） 再将[rn]按原始数据予以定义，对上述过程进行重复，获得信号[x（t）] 的n个可对IMF条件进行满足的分量。当[rn] 成为单调函数或常量，不能对IMF条件满足的分量进行提取时，结束循环。[rn]可按残余函数予以定义，地表信号表现为平均趋势的情况。
2 基于灰度化及二值化算法
测试图像可以选用RGB模式的细胞图像，因任何色素均可用红，绿、蓝经充分混合获取，以此为基础，所选取的平面图像，可用二维基于位置坐标的函数予以表示，即：[f（x，y）=fred（x，y），fgreen（x，y），fblue（x，y）]，其中[f（x，y）]是[（x，y）]点的颜色值，而[fred（x，y）]，[fgreen（x，y）]，[fblue（x，y）]，分别是红色，绿色和蓝色的分量值，由于光照对彩色细胞图像的识别结果具有影响，此外彩色图像会降低识别的效率，提高算法的时间复杂度，因此需要将彩色图像转换成灰度图像，而R=G=B，[fred（x，y）]=[fgreen（x，y）]=[fblue（x，y）]。
3 Sobel算法解析
對边缘予以定义，为图像中分布的灰度表现为急剧变化所对应的区域的相关边界，图像灰度所出现的变化，可用图像灰度梯度来进行反映，故可用局部图像微分技术，对边缘检测算子进行获取，简单且经典的边缘检测法，是按像素的某领域对原始图像构造边缘算子，在一般情况下，因原始图像通常有噪声分布，而在空间域上，边缘和噪声以有比较大的起落灰质为表现，在频域则按高频分量进行反映，增加了检测给边缘的难度。
对Sobel算子相关边缘检测特征进行分析，是在图像空间中，通过对两个方向分布的模板与图像应用，进行领域卷积获取。总结两个方向模板特征，一个用于对水平边缘检测，一个用于对垂直边缘检测，如图1。图中模板内呈现出的数字为模板系数，分布于中间的点为中心元素，边缘和梯度方向均表现为正交垂直。就Sobel算子而言，属对图像每个像素点灰度进行综合的加权和，所模板中心的权值接触较大，后对一适当阈值进行选择，若某一点梯度幅值在此阈值之上，则属该点边缘点。
分析Sobel边缘检测算子特征，在使用时，有水平和垂子向算子构成。因图像边缘周围亮度有较大变化，故可在相关领域内，将灰度变化大于某个适当阈值的像素点按边缘点来进行定义。
对数字图像[{f（i，j）}]所呈现出的每个像素，对其邻近灰度加权差计算，对与之接近的邻点的权大掌握，据此定义，相关Sobel算子如下述：
Sobel边缘检测算子方向模板
在空间上，极易对Sobel算子实现，此法计算具有简单性，但因只对两个方向模板进行应用，只能对水平和垂直方向的边缘进行检测，故，此算法对纹理相对呈复杂显示的图像，其边缘检测尚不理想;同时，依据经典Sobel算法，凡灰度新增超过或与阈值相等的像素点均可按边缘点定义，这种判定依据缺乏合理性，会增加边缘点误判风险，因许多噪声点有较大的灰度新值。
本文讨论了利用EMD-Wavelet和Sobel算法计算红细胞图像边缘，目的在于对细胞图像质量进行改善，对细胞图像局部或整体特征突出，使细胞视觉识别特征和效果提高，同时将细胞边缘信息突出。本文通过两种算法对标，实验结果证明，EMD-Wavelet检测方法对红细胞边缘检测效果好，能师图像更清晰、平滑。
4 实验结果
相关实验结果基于windows XP/VC++6.0环境获取。图2是细胞原始图像，图3表示将Sobel算子的图像进行细化和去噪声后，形成单边缘图像，图4和图5分别表示改进Sobel算子和- EMD Wavelet算法边缘检测效果图。由图像可以看出，EMD Wavelet算法提取的边缘图像更加清晰，能较好地去除噪声，边缘效果较好，是一种有效的边缘检测算法。
参考文献：
[1] 蔡武斌. 癌细胞病理图像的检测技术研究[D]. 太原： 中北大学， 2018.
[2] 于帅，刘超，李盟盟，等.EMD-Wavelet-ICA耦合模型及其在GPS坐标序列降噪中的应用[J].测绘科学技术学报，2016，33（2）：139-144.
[3] 赵海龙，张干，吕安涛，等.基于EMD-Wavelet模型的实时交通流噪声数据清洗方法[J].交通科技，2013（2）：150-153.
[4] 李旭辉.基于图像预处理的局部二值模式人脸识别方法[J].电子技术与软件工程，2019（7）：66-67.
【通联编辑：光文玲】
转载注明来源:https://www.xzbu.com/8/view-15128052.htm
