悬浮细胞图像的处理方法与流程

1.本发明涉及细胞分析，特别涉及悬浮细胞图像的处理方法和方法。


背景技术：

2.悬浮细胞不同于贴壁细胞，其在细胞培养液中悬浮生长，如图1所示，拍摄到的悬浮细胞图像会呈现部分细胞重叠的现象，且悬浮细胞图像通常会伴随着光晕伪影、细胞与背景之间对比度低、背景噪声等影响，以及在培养后期细胞出现大面积的粘连现象。现有分割方法主要有：
3.1.传统的otsu阈值分割，处理结果如图2(b)所示，或采用在贴壁细胞中分割效果良好的双高斯阈值分割法处理，结果如图2(c)所示，图2(a)是细胞图像，从分割结果可以看出，这些方法无法实现准确有效的分割，分割出的细胞轮廓有着明显锯齿，且无法分割粘连与重叠细胞；
4.2.基于区域直方图，处理结果如图2(d)所示，或预处理、canny边缘结合与形态学结合的方法，处理结果如图2(e)所示，无法正确分割出粘连与重叠细胞。


技术实现要素：

5.为解决上述现有技术方案中的不足，本发明提供了一种悬浮细胞图像的处理方法。
6.本发明的目的是通过以下技术方案实现的：
7.悬浮细胞图像的处理方法，所述悬浮细胞图像的处理方法为：
8.对于所述悬浮细胞图像，根据细胞区域和背景区域中纹理特征的不同，得到图像纹理分割后的细胞区域和背景区域；
9.利用hough变换对所述悬浮细胞图像进行检测，得到的图像中具有与多个类圆形细胞对应的多个圆，多个圆中具有空白圆；
10.判断所述多个圆的圆心是否处于所述图像纹理分割后的细胞区域内，并处理，从而得到图像g4(x，y)，所述处理的方式为；
11.若结果为是，保留该圆；
12.若结果为否，删除该圆，从而消除所述空白圆。
13.与现有技术相比，本发明具有的有益效果为：
14.1.准确性好；
15.通过使用悬浮细胞图像的纹理分割结果，对hough圆形检测的圆心进行过滤的方法，能有效减少因图像背景噪声带来的干扰，显著降低了hough圆形检测结果中虚假细胞检测(空白圆的处理)的出现，提高了图像处理的准确性；
16.通过对两个参数纹理量化与分割后的二值化结果进行相交的方法，能够综合考虑图像纹理不同量化参数的结果，减少单一参数对纹理量化与细胞区域分割的错误率；
17.2.处理快速；
18.通过分别对悬浮细胞图像使用局部标准差和局部熵值进行图像纹理量化，然后进行自动化阈值(类间方差最大时自动取得的阈值)分割这一方法，能简单快速地根据细胞区域粗糙、背景区域平滑的特点对这两类像素进行准备分类，可满足实际生产中对悬浮细胞图像实时分割计数的要求；
19.同时，根据类间方差最大规则自动化选取的阈值也避免了手动调整分割阈值参数，提高了图像处理速度。
附图说明
20.参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于举例说明本发明的技术方案，而并非意在对本发明的保护范围构成限制。图中：
21.图1是悬浮细胞图像的示意图；
22.图2是现有技术中各种图像处理结果的示意图；
23.图3是图像纹理特征分割结果的示意图；
24.图4是图像处理过程中各个阶段处理结果的示意图；
25.图5是图像处理前后对比示意图；
26.图6是数据集对应的细胞生长曲线。
具体实施方式
27.图1-6和以下说明描述了本发明的可选实施方式以教导本领域技术人员如何实施和再现本发明。为了解释本发明技术方案，已简化或省略了一些常规方面。本领域技术人员应该理解源自这些实施方式的变型或替换将在本发明的范围内。本领域技术人员应该理解下述特征能够以各种方式组合以形成本发明的多个变型。由此，本发明并不局限于下述可选实施方式，而仅由权利要求和它们的等同物限定。
28.实施例1：
29.悬浮细胞图像的处理方法，所述悬浮细胞图像的处理方法为：
30.对于所述悬浮细胞图像，根据细胞区域和背景区域中纹理特征的不同，得到图像纹理分割后的细胞区域和背景区域；
31.利用hough变换对所述悬浮细胞图像进行检测，得到的图像中具有与多个类圆形细胞对应的多个圆，多个圆中具有空白圆；
32.判断所述多个圆的圆心是否处于所述图像纹理分割后的细胞区域内，并处理，从而得到图像g4(x，y)，所述处理的方式为；
33.若结果为是，保留该圆；
34.若结果为否，删除该圆，从而消除所述空白圆。
35.为了提高处理准确性，进一步地，所述图像纹理分割的方式为：
36.使用局部标准差对悬浮细胞图像纹理进行量化，得到第一图像f1(x，y)并阈值分割，得到图像g1(x，y)，该图像中大于第一阈值t1的作为细胞区域，不大于第一阈值t1的作为背景区域；(x，y)表示图像中像素点的坐标；
37.使用局部熵值对悬浮细胞图像纹理进行量化，得到第二图像f2(x，y)并阈值分割，
得到图像g2(x，y)，该图像中大于第二阈值t2的作为细胞区域，不大于第二阈值t2的作为背景区域；
38.对图像g1(x，y)和图像g2(x，y)进行相交处理，得到第三图像g3(x，y)。
39.为了提高处理准确性，进一步地，对所述第三图像进行形态学操作，得到图像纹理分割后的细胞区域和背景区域，所述形态学操作包括形态学开操作、形态学闭操作和面积约束。
40.为了自动化获得阈值以提高处理速度，进一步地，所述第一阈值的获取方式为：
41.第一图像中，细胞类和背景类之间的类间方差最大时，得到阈值t，所述第一阈值t1为0.5t。
42.为了自动化获得阈值以提高处理速度，进一步地，所述第二阈值t2的获取方式为：
43.第二图像中，细胞类和背景类之间的类间方差最大时，得到阈值t，所述第二阈值t2为t。
44.为了提高处理准确性，进一步地，
[0045][0046]
为了有效地去除空白圆，进一步地，所述多个圆的圆心位置(xi,yi)，对应半径ri，i＝1,2
···
n；所述处理的方式为：
[0047]
图像g4(x，y)中圆的圆心位置半径
[0048]
实施例2：
[0049]
根据本发明实施例1的悬浮细胞图像的处理方法的应用例。
[0050]
在本应用例中，悬浮细胞图像的处理方法为：
[0051]
对于所述悬浮细胞图像，根据细胞区域和背景区域中纹理特征的不同，得到图像纹理分割后的细胞区域和背景区域，具体方式为：
[0052]
使用了局部标准差与局部熵值分别对悬浮细胞图像的纹理特征进行量化，当使用局部标准差(local standard deviation，lsd)对图像纹理进行量化时，lsd越大，表明该区域越不平滑，即为细胞区域；lsd越小，表明该区域越平滑，即为背景区域。当使用局部熵值(local entropy，le)对图像纹理进行量化时，le越大，表明该区域所包含的信息越多，即此区域越不平滑，为细胞区域；le越小，表明该区域所包含的信息越少，即此区域越平滑，为背景区域。
[0053]
其中局部标准差lsd与局部熵值le的计算方式为：
[0054]
对于以(x，y)为中心点，窗口大小为(2n+1)*(2n+1)的局部区域，p(x，y)是点(x，y)处的灰度值，则该局部区域内的灰度平均值m
p
(x，y)为：
[0055]
[0056]
局部标准差lsd为：
[0057]
若用ph表示图像中灰度值为h的像素所占的比例，其中ph可通过该局部区域的归一化直方图求得，则该区域的局部熵值le为：
[0058]
当使用局部标准差和局部熵值对悬浮细胞图像纹理进行量化后，得到了如图3(b)、图3(d)所示的图像纹理图像，图3(a)是细胞图像原图。从两幅不同的图像纹理量化图中可以看出，图像中较明亮即图像灰度值较高的部分代表了细胞区域，较黑暗即图像灰度值较低的部分代表了背景部分，这与前文所分析的细胞区域不平滑，所含信息较多，背景区域较平滑，所含信息较少这一特征相符合。
[0059]
为了对细胞区域与背景区域进行分类，使用阈值方法对参数量化后的纹理图像进行分类，即低于阈值的区域归为背景区域，高于阈值的归为细胞区域。为了避免手动调整阈值参数，基于当图像中两类，即细胞像素类与背景像素类，这两类间的类间方差达到最大时，求取最佳阈值t这一原理，提出了自动阈值进行纹理图像的分割。经过多次实验验证，确定了使用lsd参数得到的纹理图像对应的阈值t1＝t/2；使用le参数得到的纹理图像对应的阈值t2＝t。使用这两个自动阈值分别对纹理图像进行分割，得到了如图3所示了两个二值化结果(图3(c)、图3(e))。
[0060]
求得阈值t1、t2后，可对相应的纹理图像f1(x，y)、f2(x，y)进行阈值分割，得到相应的二值化图像g1(x，y)、g2(x，y)，其中将大于阈值的部分视为细胞区域，在图像中表示为白色；将小于阈值的部分视为背景区域，在图像中表示为黑色。即：
[0061][0062]
为了使图像分割结果更准确，将两个不同的阈值分割结果进行相交处理，得到图像g3(x，y)，如图4(b)所示，图4(a)为原图。
[0063]
其中相交处理方式为：
[0064][0065]
同时对二值化后的结果进行一系列形态学操作，以优化分割后的细胞轮廓。其中形态学开操作是为了断开一些细小的连接；形态学闭操作是为了对一些细小的孔洞进行填充；面积约束是为了消除图像中一些细小的杂质，最后的结果如图4(c)所示。将细胞的轮廓进行提取并在原图中进行映射，如图4(d)所示，可以看出基于图像纹理分割这一方法准确区分出了细胞区域与背景区域。
[0066]
使用hough圆形变换对悬浮细胞图像进行检测，会得到每个类圆形细胞对应的多个圆，所述多个圆的圆心位置(xi,yi)，对应半径ri，i＝1,2
···
n；多个圆中具有空白圆。
[0067]
为了消除这些空白圆，本方法将纹理分割出的细胞区域作为参考，结合hough圆形变换，将hough检测出的圆心根据是否在细胞区域进行过滤，若该圆心在细胞区域，则保留该圆心与对应的半径；若该圆心不在细胞区域，则将该圆心与其对应的半径清除，以此清除因背景噪声干扰而出现虚假细胞检测,即消除hough检测结果中的空白圆，得到图像g4(x，
y)，所述过滤的方式为：
[0068]
图像g4(x，y)中圆的圆心位置半径
[0069]
最终的分割结果如图5中第三列所示，图5中第一列是原图，第二列是图像纹理特征分割结果，并将细胞区域的轮廓曲线映射在原图中，第三列为本方法的最终分割结果。图5中每一行的细胞密度不同，可以看出本方法在处理稀疏、密集、重叠、粘连等情况的悬浮细胞图像时，均有良好的分割效果。
[0070]
可以通过细胞计数的结果来对分割结果进行量化分析，并利用精确率(precision)、召回率(recall)和f值(f-score)来衡量图像分割的效果。其中精确率、召回率和f值的表达式为：
[0071][0072]
不同的悬浮细胞图像的细胞计数结果如下表所示，其中手动计数结果gt是专家通过专用的标注软件对细胞图像进行标出得出的细胞数目，以此为真实的细胞数目。en表示算法识别出的细胞个数，tp表示算法正确识别的细胞个数，fp表示错误识别的细胞个数，fn表示未被算法识别的细胞个数。精确率越高，表示细胞被误检的概率越低；召回率越高，表示细胞被漏检的概率越低；f值是精确率和召回率的调和均值，可以衡量算法的整体性能，f值越高，表示该算法的检测性能越好。
[0073][0074]
因为本方法的分割与计数速度很快，可满足实际细胞培养中的实时分割与实时细胞计数要求，通过分割细胞图像并绘制实时的细胞生长曲线，如图6所示，可以根据曲线的走势、斜率变化与细胞个数等相关参数信息来判断细胞需要进行传代培养的时间点。