您好, 访客   登录/注册

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