一种动物脑组织切片显微图像分割方法与流程
本发明涉及显微图像处理技术领域，特别是指一种动物脑组织切片显微图像分割方法。
背景技术：
随着计算机技术的迅速发展，生物显微影像技术和设备不断更新，建立基于解剖结构的数字化虚拟人和动物及其器官的三维可视化模型成为各国研究的热点。研究动物脑组织结构，构建动物脑组织的三维可视化模型可以更加清晰地掌握其三维结构，对于动物学的相关科研和教学有着重要的意义。
为了实现动物脑组织结构的三维重构，需要利用显微镜观察动物脑组织的结构并采集显微图像，再借助数字图像处理手段实现三维重构，而在实现三维重构的过程中最关键的就是如何根据动物脑组织切片的显微图像分割出有用区域。现阶段的动物在脑组织切片显微图像分割方法大多数依赖于人工全手动分割和部分半自动分割技术。手工分割和半自动分割技术分割效果受操作人员主动影响较大，同时分割效率低，因此亟需一种可以实现动物脑组织切片显微图像全自动高效分割的方法。
技术实现要素：
有鉴于此，本发明的目的在于提出一种动物脑组织切片显微图像分割方法，以解决现有技术中全部或者部分不足。
基于上述目的本发明提供的一种动物脑组织切片显微图像分割方法，所述的分割方法包括如下步骤：
(1)显微图像预处理；
(2)显微图像小波变换；
(3)ga-fcm图像分割；
(4)显微图像小波重构；
(5)增强图像的量化评估；
(6)分析评价指标是否达到预设；
(7)输出显微图像分割的结果。
在一些可选实施例，所述显微图像预处理是采用pcnn(脉冲耦合神经网络)算法，将动物脑组织原始显微图像进行图像预处理，改善显微图像的质量。
在一些可选实施例，所述显微图像小波变换对预处理后的显微图像进行小波变换得到水平和垂直方向的高、低频子空间图像，包括如下步骤：
(a)首先对预处理后的显微图像的每一行进行1d-dwt，获得原始图像在水平方向上的低频分量l和高频分量h；
(b)然后对变换所得数据的每一列进行1d-dwt，获得原始图像在水平和垂直方向上的低频分量ll、水平方向上的低频和垂直方向上的高频lh、水平方向上的高频和垂直方向上的低频hl以及水平和垂直方向上的高频分量hh。
在一些可选实施例，所述ga-fcm图像分割是使用ga-fcm(遗传优化的模糊c均值聚类算法)对所述显微图像小波变换得到的ll、lh、hl和hh分别进行图像分割，包括如下步骤：
(a)初始化和编码操作：首先对算法的参数进行初始化，然后使用二进制编码将直方图中归一化的聚类中心坐标设定为基因，同时随机生成初始种群；
(b)计算适应度：f＝a/(b+j)，其中，a,b是可调参数，j为
(c)选择个体：个体被选择的概率与适应度值成正比，即根据适应度大小按比例选择个体；
(d)交叉产生新的个体：采用实值中间重组方式进行交叉操作；
(e)变异操作：将变异前后个体的变化量设为0.6r(t/t)，r是区间[0,1]内的随机数，t为演化最大代数，t为当前演化代数；
(f)迭代计算：得到新种群后计算新的模糊隶属度矩阵，返回(b)继续迭代计算，直到满足迭代中止条件为止，迭代中止后，依据计算出的聚类中心得到分割阈值，完成图像分割。
在一些可选实施例，所述显微图像小波重构是对ll、lh、hl和hh完成图像分割后的图像进行小波重构，包括如下步骤：
(a)首先对变换结果的每一列，即ll、lh和hl、hh进行以为离散小波逆变换，得到列重构后的低频分量l和高频分量h；
(b)再对变换所得数据的每一行，即l和h进行一维离散小波逆变换，得到图像分割后的重构图像，即分割后的显微图像。
在一些可选实施例，所述增强图像的量化评估是采用客观评价指标进行分割图像的量化评估，包括如下步骤：
(a)区域内一致性指标：各个区域zebk的加权平均
(b)区域间差异性指标：
在一些可选实施例，所述分析评价指标是否达到预设是分析量化的评估指标是否达到预设要求，包括如下步骤：
(a)将所述增强图像的量化评估中的区域内一致性指标zeb和区域间差异性指标dir和预设值进行比较；
(b)若是不满足要求，则返回执行所述ga-fcm图像分割；
(c)若是满足要求，则执行所述输出显微图像分割的结果。
在一些可选实施例，所述输出显微图像分割的结果是输出显微图像分割的结果，同时将分割后的显微图像保存成统一格式的文件。
从上面所述可以看出，本发明提供的一种动物脑组织切片显微图像分割方法，首先借助小波变换处理显微图像得到高频和低频两个子空间的图像，再分别对高频子空间图像和低频子空间图像，保证了显微图像的高频分量和低频分量都得到有效分割，采用ga-fcm实现显微图像的有效分割，同时借助客观评价的量化指标来评估分割效果，保证了显微图像分割的准确性；可以对动物脑组织切片显微图像进行感兴趣区域的有效分割，能够输出图像分割后的显微图像，便于科研人员观察脑组织结构和分析显微图像，同时能满足后续脑组织结构三维重建的要求。
附图说明
图1为本发明实施例显微图像分割方法流程图；
图2为本发明实施例ga-fcm图像分割的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明实施例为了解决现在技术的全部或者部分不足提供了一种动物脑组织切片显微图像分割方法，所述的分割方法包括如下步骤：
(1)显微图像预处理；
(2)显微图像小波变换；
(3)ga-fcm图像分割；
(4)显微图像小波重构；
(5)增强图像的量化评估；
(6)分析评价指标是否达到预设；
(7)输出显微图像分割的结果。
为使本发明实施例的目的、技术方案和优点更加清楚明白，结合附图，对本发明实施例提供的一种动物脑组织切片显微图像分割方法作详细说明，本发明实施例提供的一种动物脑组织切片显微图像分割方法，所述分割方法包括的步骤如图1所示：
101：显微图像预处理，将动物脑组织原始显微图像进行图像预处理，使用pcnn算法改善显微图像的质量，进而提升后续显微图像分割的效果。
102：显微图像小波变换，是对预处理后的显微图像进行小波变换得到水平和垂直方向的高、低频子空间图像，包括如下步骤：
(a)首先对预处理后的显微图像的每一行进行1d-dwt(一维离散小波变换)，获得原始图像在水平方向上的低频分量l和高频分量h；
(b)然后对变换所得数据的每一列进行1d-dwt，获得原始图像在水平和垂直方向上的低频分量ll、水平方向上的低频和垂直方向上的高频lh、水平方向上的高频和垂直方向上的低频hl以及水平和垂直方向上的高频分量hh。
103：ga-fcm图像分割，是使用ga-fcm(遗传优化的模糊c均值聚类算法)对102变换得到的ll、lh、hl和hh分别进行图像分割，ga-fcm图像分割流程见图2所示，包括如下步骤：
201：初始化和编码操作：首先对算法的参数进行初始化，然后使用二进制编码将直方图中归一化的聚类中心坐标设定为基因，同时随机生成初始种群；
202：计算适应度：f＝a/(b+j)，其中，a,b是可调参数，j为
203：选择个体：个体被选择的概率与适应度值成正比，即根据适应度大小按比例选择个体；
204：交叉产生新的个体：采用实值中间重组方式进行交叉操作；
205：变异操作：将变异前后个体的变化量设为0.6r(t/t)，r是区间[0,1]内的随机数，t为演化最大代数，t为当前演化代数；
206：迭代计算：得到新种群后计算新的模糊隶属度矩阵，返回(b)继续迭代计算，直到满足迭代中止条件为止，迭代中止后，依据计算出的聚类中心得到分割阈值，完成图像分割。
104：显微图像小波重构，是对ll、lh、hl和hh完成图像分割后的图像进行小波重构，包括如下步骤：
(a)首先对变换结果的每一列，即ll、lh和hl、hh进行以为离散小波逆变换，得到列重构后的低频分量l和高频分量h；
(b)再对变换所得数据的每一行，即l和h进行一维离散小波逆变换，得到图像分割后的重构图像，即分割后的显微图像。
105：增强图像的量化评估，采用客观评价指标进行分割图像的量化评估，包括如下步骤：
(a)区域内一致性指标：各个区域zebk的加权平均
(b)区域间差异性指标：
106：分析评价指标是否达到预设，分析量化的评估指标是否达到预设要求，包括如下步骤：
(a)将105中的区域内一致性指标zeb和区域间差异性指标dir和预设值进行比较；
(b)若是不满足要求，则返回执行103；
(c)若是满足要求，则执行下一步107。
107：输出显微图像分割的结果，输出显微图像分割的结果，同时将分割后的显微图像保存成统一格式的文件。
从上面所述可以看出，本发明提供的一种动物脑组织切片显微图像分割方法，首先借助小波变换处理显微图像得到高频和低频两个子空间的图像，再分别对高频子空间图像和低频子空间图像，保证了显微图像的高频分量和低频分量都得到有效分割，采用ga-fcm实现显微图像的有效分割，同时借助客观评价的量化指标来评估分割效果，保证了显微图像分割的准确性；可以对动物脑组织切片显微图像进行感兴趣区域的有效分割，能够输出图像分割后的显微图像，便于科研人员观察脑组织结构和分析显微图像，同时能满足后续脑组织结构三维重建的要求。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！