一種基于支持向量機的白細胞圖像精確分割方法與系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種基于支持向量機的白細胞圖像精確分割方法與系統(tǒng)，所述方法包括：細胞核初始定位與分割，粗略膨脹獲得細胞大致區(qū)域標(biāo)記圖，利用顏色特征和支持向量機分類器進行細胞精確分割。本發(fā)明所述方法，一方面根據(jù)人類視覺顯著性注意機制，模擬人眼對圖像邊緣變化的敏感性，提出利用邊緣顏色點對聚類，實現(xiàn)細胞核區(qū)域準(zhǔn)確快速分割；另一方面，本發(fā)明采用的支持向量機分類器具有良好的穩(wěn)定性與抗干擾性，同時本發(fā)明充分利用顏色信息及像素點之間的空間關(guān)系，改進了支持向量機分類器訓(xùn)練的訓(xùn)練樣本采樣方式，從而可以實現(xiàn)細胞小圖內(nèi)白細胞的精準(zhǔn)分割。
【專利說明】一種基于支持向量機的白細胞圖像精確分割方法與系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，更具體地，涉及一種基于支持向量機的白細胞圖像精確分割方法與系統(tǒng)。
【背景技術(shù)】
[0002]血細胞自動分割與識別技術(shù)是近年來圖像處理技術(shù)的熱門研究方向之一。白細胞數(shù)目的增加與減少可以作為判斷人體是否受到感染或存在炎癥的主要判據(jù)，所以，利用計算機視覺技術(shù)實現(xiàn)白細胞的自動統(tǒng)計與分類可以協(xié)助醫(yī)生實現(xiàn)快速分析與診斷。一般而言，白細胞自動分類識別系統(tǒng)包含三個主要步驟:細胞分割、特征提取、分類識別。而特征提取和分類識別均依賴于細胞分割的結(jié)果。因此，細胞分割是細胞分類識別系統(tǒng)中極其關(guān)鍵的步驟，保證細胞分割的精確性、魯棒性、智能性和實時性是實現(xiàn)細胞分類識別系統(tǒng)的基礎(chǔ)。
[0003]目前，典型的白細胞自動分割算法大都針對傳統(tǒng)的標(biāo)準(zhǔn)染色方法(如Wright氏和Giemsa氏染色法)得到的染色效果圖，其染色效果良好，圖像顏色穩(wěn)定，但其存在的嚴(yán)重缺陷是染色時間過長，難以滿足臨床檢測診斷的實時性要求，同時會比較多地存在白細胞與紅細胞粘連的情況，增加了準(zhǔn)確分割的難度。為了改正傳統(tǒng)染色方法存在的缺陷，科學(xué)家們已經(jīng)發(fā)明了一種針對血液圖像的新型快速染色試劑，該試劑的染色速度大大提高，每張圖的染色時間從幾十分鐘減少到十幾秒，同時會溶解掉紅細胞，去除了白細胞與紅細胞粘連的可能性。但快速染色帶來的問題是染色不均勻且含有未徹底溶解掉的紅細胞雜質(zhì)。到目前為止，還沒有一種有效的自動分割方法不僅能針對傳統(tǒng)的標(biāo)準(zhǔn)染色圖像，也能針對快速染色圖像產(chǎn)生較好的圖像分割效果。

【發(fā)明內(nèi)容】

[0004]針對現(xiàn)有技術(shù)的以上缺陷或改進需求，本發(fā)明提供了一種基于支持向量機的白細胞圖像精確分割方法與系統(tǒng)，其目的在于不僅能夠針對標(biāo)準(zhǔn)染色白細胞圖像實現(xiàn)精確分害I]，也能夠針對快速染色白細胞圖像實現(xiàn)精確分割。
[0005]為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種基于支持向量機的白細胞圖像精確分割方法，包括:
[0006](I)細胞核初始定位與分割:對原始染色白細胞彩色圖像進行濾波處理并提取圖像邊緣，進而獲取邊緣特定鄰域內(nèi)的顏色點對，對顏色點對像素點進行聚類計算，并根據(jù)聚類結(jié)果對所述原始染色白細胞彩色圖像進行全圖掃描，對細胞核區(qū)域和非細胞核區(qū)域進行標(biāo)記，將細胞核區(qū)域作為前景區(qū)域；
[0007](2)粗略膨脹獲得細胞大致區(qū)域標(biāo)記圖:對步驟(I)中濾波處理后的彩色圖像進行過分割，得到多個不規(guī)則小區(qū)域；并對所述前景區(qū)域進行形態(tài)學(xué)膨脹，得到所述多個不規(guī)則小區(qū)域與膨脹后的前景區(qū)域相交的小區(qū)域集合；判斷所述小區(qū)域集合中的小區(qū)域是否包含有圖像邊緣像素點，若有則將其從所述小區(qū)域集合中去除，得到處理后的小區(qū)域集合；將所述處理后的小區(qū)域集合與膨脹后的前景區(qū)域取并集，得到細胞大致區(qū)域標(biāo)記圖；
[0008](3)利用顏色特征和支持向量機SVM分類器進行細胞精確分割:對原始染色白細胞彩色圖像進行中值濾波，獲得各個像素點在鄰域內(nèi)的紅綠藍三通道顏色中值；利用步驟
(2)中過分割得到的多個不規(guī)則小區(qū)域和細胞大致區(qū)域標(biāo)記圖，分別對細胞區(qū)域和非細胞區(qū)域采樣相同個數(shù)的樣本訓(xùn)練點；基于所述樣本訓(xùn)練點訓(xùn)練得到支持向量機模型，利用所述支持向量機模型對原始染色白細胞彩色圖像進行分類，得到細胞精確分割圖像。
[0009]本發(fā)明所述方法，一方面根據(jù)人類視覺顯著性注意機制，模擬人眼對圖像邊緣變化的敏感性，提出利用邊緣顏色點對聚類，實現(xiàn)細胞核區(qū)域準(zhǔn)確快速分割；另一方面，本發(fā)明采用的支持向量機分類器具有良好的穩(wěn)定性與抗干擾性，同時本發(fā)明充分利用顏色信息及像素點之間的空間關(guān)系，改進了支持向量機分類器訓(xùn)練的訓(xùn)練樣本采樣方式，從而可以實現(xiàn)細胞小圖內(nèi)白細胞的精準(zhǔn)分割。
[0010]優(yōu)選地,所述步驟(I)具體包括:
[0011](11)對原始染色白細胞彩色圖像進行濾波處理，并將濾波后的彩色圖像轉(zhuǎn)換為灰度圖像；
[0012](12)獲取所述灰度圖像的邊緣，對每個邊緣像素點，計算其鄰域窗口內(nèi)灰度值最大、最小的兩個像素點，將這兩個像素點的顏色值構(gòu)成一組顏色點對；
[0013](13)對所有邊緣像素點的顏色點對進行聚類，訓(xùn)練得到混合高斯模型，并獲得各類顏色點對的三通道顏色均值，將三通道顏色均值最低的一類記為細胞核類；
[0014](14)利用所述高斯混合模型對所述濾波后的彩色圖像進行全圖掃描，判斷各像素點是否是細胞核類像素點，并對細胞核類像素點和非細胞核類像素點進行二值標(biāo)記，將細胞核區(qū)域標(biāo)記為前景區(qū)域。
[0015]以上所述優(yōu)選步驟(I)的優(yōu)勢在于其原理簡單，且模擬人類視覺顯著性注意機制、利用所述的邊緣顏色點對訓(xùn)練混合高斯模型，能夠在保證訓(xùn)練有效性和穩(wěn)定性的前提下，大幅減少訓(xùn)練像素點數(shù)目，提高了算法速度。
[0016]優(yōu)選地,所述對原始染色白細胞彩色圖像進行濾波處理具體為:利用meanshift方法對原始染色白細胞彩色圖像進行濾波處理；
[0017]需要指出的是，這里的濾波算法也可采用髙斯濾波、中值濾波、均值濾波等常用低通濾波算法，但是采用meanshift濾波的好處在于其綜合考慮了空間與顏色距離，能夠把一些小的紋理平滑掉，同時能夠保留真正的邊緣，為后續(xù)提取準(zhǔn)確邊緣做好準(zhǔn)備。
[0018]優(yōu)選地,所述獲取灰度圖像的邊緣具體為:對所述灰度圖像利用canny算子提取圖像邊緣點。
[0019]需要指出的是，這里也可以使用其他邊緣提取算子(如:Sobel算子、Prewitt算子、Roberts算子、Laplacian算子),然而實驗測試證明:相比而言，canny算子能夠更準(zhǔn)確地提取實際邊緣。
[0020]優(yōu)選地，所述計算灰度圖像邊緣點的顏色點對具體為:對于每個邊緣像素點，獲取其5X5鄰域窗口內(nèi)灰度最大、最小的兩個像素點，并取這兩個像素點的紅綠藍三通道顏色值構(gòu)成顏色點對。
[0021]通過選取邊緣像素點5X5鄰域內(nèi)像素點對的顏色信息作為聚類的輸入特征，可以有效獲取各類別典型像素點、降低聚類時的噪聲干擾。[0022]優(yōu)選地，所述對所有邊緣像素點的顏色點對進行聚類并標(biāo)記細胞核類具體為:對所有邊緣點的顏色點對利用混合高斯模型的EM算法進行聚類，將所有的像素點分為4類，訓(xùn)練得到混合高斯模型；獲取4個類別的顏色均值，并將顏色均值灰度化后具有最低灰度的類別標(biāo)記為細胞核類。
[0023]利用EM算法求解混合高斯模型已經(jīng)是十分成熟的方法，且細胞核染色較深且相對穩(wěn)定均勻，內(nèi)聚性好。實驗證明:利用混合高斯模型能夠準(zhǔn)確分割細胞核區(qū)域。
[0024]優(yōu)選地，所述對濾波處理后的彩色圖像進行過分割具體為利用分水嶺算法對所述濾波處理后的彩色圖像進行過分割。
[0025]當(dāng)然，也可以采用其他過分割方法，例如模糊C均值、k_means(k均值)、基于EM求解的混合高斯模型等，但綜合權(quán)衡過分割小區(qū)域的顏色一致性以及算法的時間損耗與復(fù)雜程度，分水嶺分割性能相對最優(yōu)。
[0026]優(yōu)選地，所述步驟(3)中分別對細胞區(qū)域和非細胞區(qū)域采樣相同個數(shù)的樣本訓(xùn)練點具體包括:
[0027]對細胞區(qū)域和非細胞區(qū)域分配相同個數(shù)的樣本訓(xùn)練點；
[0028]對細胞區(qū)域的采樣采用分層抽樣方式:首先統(tǒng)計細胞區(qū)域內(nèi)不規(guī)則小區(qū)域的個數(shù)及各個小區(qū)域的像素點個數(shù)，然后將分配給細胞區(qū)域的總采樣點個數(shù)按照各個小區(qū)域像素點個數(shù)占整個細胞區(qū)域像素點個數(shù)的比例分配到各個小區(qū)域內(nèi)，最后按照均勻采樣的方式在各小區(qū)域內(nèi)進行采樣；
[0029]非細胞區(qū)域的樣本訓(xùn)練點采樣方法同細胞區(qū)域完全一致。
[0030]對細胞區(qū)域和非細胞區(qū)域采樣相同數(shù)目的樣本訓(xùn)練點，可保證不同類別之間訓(xùn)練程度的均衡性；采用的分層抽樣方法是基于在各個過分割小區(qū)域內(nèi)進行均勻采樣的，由于各個過分割小區(qū)域顏色特征基本一致，這樣就確保了樣本訓(xùn)練點的代表性與穩(wěn)定性，細胞區(qū)域與非細胞區(qū)域不同顏色點特征盡可能全面地包含在訓(xùn)練模型中，防止訓(xùn)練時漏掉顏色特征信息。
[0031]優(yōu)選地,所述步驟(3)中基于所述樣本訓(xùn)練點訓(xùn)練得到支持向量機模型具體包括:
[0032]對每個樣本訓(xùn)練點，選取其紅綠藍三個分量的灰度值作為該像素點的前3維特征，選取其鄰域內(nèi)各個像素點的紅綠藍三分量灰度中值作為后3維特征，共計6維特征；將各個樣本訓(xùn)練點的6維特征及其類別標(biāo)記輸入支持向量機分類器進行訓(xùn)練，獲得當(dāng)前圖像的支持向量機訓(xùn)練模型。
[0033]當(dāng)然，此處還可以采用其他方式訓(xùn)練得到支持向量機模型，此處選取6維特征進行分類訓(xùn)練，考慮到了當(dāng)前像素點與其空間鄰域像素的位置關(guān)系，相當(dāng)于在特征中增加了“空間信息”，相比于僅只利用當(dāng)前像素顏色作為分類特征，6維更全面更具代表性；后3維特征也可選取鄰域的其他信息，如顏色均值、梯度信息等，但是鄰域顏色中值更能有效反映鄰域顏色信息，且可防止噪聲的干擾。實驗測試證明:本發(fā)明采用的6維分類特征能夠有效處理圖像中模糊邊緣，更精準(zhǔn)地分割細胞與非細胞區(qū)域。
[0034]優(yōu)選地，所述步驟(3)中根據(jù)所述支持向量機模型對全全圖進行分類，得到細胞精確分割圖像，該過程具體包括:
[0035]利用訓(xùn)練得到的支持向量機模型，對原始染色白細胞彩色圖像進行分類，并利用形態(tài)學(xué)操作進行孔洞填充，平滑細胞區(qū)域輪廓，去除面積過小的前景區(qū)域，得到細胞精確分害_像。
[0036]需要說明的是，上述方法利用SVM得到的最后分割結(jié)果，可能會將背景中存在的很少量與細胞區(qū)域“相似”的像素點分類為細胞區(qū)域，細胞區(qū)域內(nèi)也會有極少的像素點“類似”于背景像素點，在經(jīng)過孔洞填充和去除過小面積的前景區(qū)域后，能得到精確細胞分割結(jié)
果O
[0037]按照本發(fā)明的另一方面，還提供了一種基于支持向量機的白細胞圖像精確分割系統(tǒng)，包括:
[0038]第一模塊，用于細胞核初始定位與分割:對原始染色白細胞彩色圖像進行濾波處理并提取圖像邊緣，進而獲取邊緣特定鄰域內(nèi)的顏色點對，對顏色點對像素點進行聚類計算，并根據(jù)聚類結(jié)果對所述原始染色白細胞彩色圖像進行全圖掃描，對細胞核區(qū)域和非細胞核區(qū)域進行標(biāo)記，將細胞核區(qū)域作為前景區(qū)域；
[0039]第二模塊，用于粗略膨脹獲得細胞大致區(qū)域標(biāo)記圖:對第一模塊濾波處理后的彩色圖像進行過分割，得到多個不規(guī)則小區(qū)域；并對所述前景區(qū)域進行形態(tài)學(xué)膨脹，得到與前景區(qū)域相交的小區(qū)域集合；判斷所述小區(qū)域集合中的小區(qū)域是否包含有圖像邊緣像素點，若有則將其從所述小區(qū)域集合中去除；將小區(qū)域集合與形態(tài)學(xué)膨脹結(jié)果取并集，得到細胞大致區(qū)域標(biāo)記圖；
[0040]第三模塊，用于利用顏色特征和支持向量機分類器進行細胞精確分割:對原始染色白細胞彩色圖像進行中值濾波，獲得各個像素點在鄰域內(nèi)的紅綠藍三通道顏色中值；利用所述第二模塊過分割得到的多個不規(guī)則小區(qū)域和細胞大致區(qū)域標(biāo)記圖，分別對細胞區(qū)域和非細胞區(qū)域采樣相同個數(shù)的樣本訓(xùn)練點；基于所述樣本訓(xùn)練點訓(xùn)練得到支持向量機模型，利用所述支持向量機模型對原始染色白細胞彩色圖像進行分類，得到細胞精確分割圖像。
[0041]總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案首先仿照人類視覺機制中對圖像邊緣快速變換的敏感性，在圖像邊緣像素點的鄰域內(nèi)提取顏色點對，通過聚類分析快速得到細胞核區(qū)域準(zhǔn)確分割。同時，本發(fā)明利用了圖像顏色信息和像素點與鄰域像素點顏色之間的特征關(guān)系，充分發(fā)掘了人眼在分割圖像過程中采用的特征信息。其次，在SVM在線訓(xùn)練過程中，本發(fā)明改進了膨脹算法，得到相對可靠的細胞大致區(qū)域標(biāo)記圖；在樣本點采樣過程中，為了獲取有代表性的訓(xùn)練樣本，采取分層抽樣方式，即在具有代表性的不規(guī)則小區(qū)域內(nèi)，依據(jù)小區(qū)域像素點個數(shù)按比例均勻采樣的采樣方式。對比尋常采用的均勻采樣方式，分層采樣獲取的訓(xùn)練樣本點的代表性和可靠性更好。本發(fā)明不僅適用于傳統(tǒng)染色方法得到的細胞圖像，也適用于在新型快速染色試劑染色得到的染色不均勻且含有雜質(zhì)的細胞圖像。尤其是對于白細胞圖像邊界模糊的情況，傳統(tǒng)的白細胞分割方法無法解決該問題，本發(fā)明中能夠得到很好的分割效果。
【專利附圖】

【附圖說明】
[0042]圖1是本發(fā)明基于支持向量機的白細胞圖像精確分割方法的流程圖；
[0043]圖2是本發(fā)明一個實施例中染色白細胞各個區(qū)域灰度對比及核分割結(jié)果，其中上部是灰度細胞圖像，下部是細胞核分割結(jié)果；[0044]圖3是本發(fā)明一個實施例中對染色白細胞進行分水嶺算法過分割得到的不規(guī)則小區(qū)域；
[0045]圖4是本發(fā)明一個實施例中對染色白細胞進行粗略膨脹后獲得的細胞大致區(qū)域標(biāo)記圖；
[0046]圖5是本發(fā)明一個實施例中對染色白細胞精確分割結(jié)果；
[0047]圖6是本發(fā)明另一個實施例中對染色白細胞精確分割結(jié)果；第一、三行為原圖，第二、四行為對應(yīng)分割結(jié)果；
[0048]其中:圖2至圖5左側(cè)圖均為標(biāo)準(zhǔn)染色細胞圖像的處理結(jié)果，右側(cè)圖均為快速染色細胞圖像的處理結(jié)果；圖6中第一二行為快速染色細胞圖像原圖及其處理結(jié)果，第三四行為為標(biāo)準(zhǔn)染色細胞圖像原圖及其處理結(jié)果。
【具體實施方式】
[0049]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。
[0050]圖1為本發(fā)明基于支持向量機的白細胞圖像精確分割方法的流程圖，具體的，如圖1所示，所述方法包括:
[0051](I)細胞核初始定位與分割:對原始染色白細胞彩色圖像進行濾波處理并提取圖像邊緣，進而獲取邊緣特定鄰域內(nèi)的顏色點對，對顏色點對像素點進行聚類計算，并根據(jù)聚類結(jié)果對所述原始染色白細胞彩色圖像進行全圖掃描，對細胞核區(qū)域和非細胞核區(qū)域進行標(biāo)記，將細胞核區(qū)域作為前景區(qū)域；
[0052]具體的，所述步驟(I)具體包括:
[0053]( 11)對原始染色白細胞彩色圖像進行濾波處理，并將濾波后的彩色圖像轉(zhuǎn)換為灰度圖像；
[0054](12)獲取所述灰度圖像的邊緣，對每個邊緣像素點，計算其鄰域窗口內(nèi)灰度值最大、最小的兩個像素點，將這兩個像素點的顏色值構(gòu)成一組顏色點對；
[0055](13)對所有邊緣像素點的顏色點對進行聚類，訓(xùn)練得到混合高斯模型，并獲得各類顏色點對的三通道顏色均值，將三通道顏色均值最低的一類記為細胞核類；
[0056](14)利用所述高斯混合模型對所述濾波后的彩色圖像進行全圖掃描，判斷各像素點是否是細胞核類像素點，并對細胞核類像素點和非細胞核類像素點進行二值標(biāo)記，將細胞核區(qū)域標(biāo)記為前景區(qū)域。
[0057]以上所述優(yōu)選步驟(I)的優(yōu)勢在于其原理簡單，且模擬人類視覺顯著性注意機制、利用所述的邊緣顏色點對訓(xùn)練混合高斯模型，能夠在保證訓(xùn)練有效性和穩(wěn)定性的前提下，大幅減少訓(xùn)練像素點數(shù)目，提高了算法速度。
[0058]具體的，所述對原始染色白細胞彩色圖像進行濾波處理為:利用meanshift方法對原始染色白細胞彩色圖像進行濾波處理；
[0059]需要指出的是，這里的濾波算法也可采用髙斯濾波、中值濾波、均值濾波等常用低通濾波算法，但是采用meanshift濾波的好處在于其綜合考慮了空間與顏色距離，能夠把一些小的紋理平滑掉，同時能夠保留真正的邊緣，為后續(xù)提取準(zhǔn)確邊緣做好準(zhǔn)備。
[0060]具體的，所述獲取灰度圖像的邊緣為:對所述灰度圖像利用canny算子提取圖像邊緣點；
[0061]需要指出的是，這里也可以使用其他邊緣提取算子(如:Sobel算子、Prewitt算子、Roberts算子、Laplacian算子),然而實驗測試證明:相比于而言，canny算子能夠更準(zhǔn)確地提取實際邊緣。
[0062]具體的，所述計算灰度圖像邊緣點的顏色點對為:對于每個邊緣像素點，獲取其5X5鄰域窗口內(nèi)灰度最大、最小的兩個像素點，并取這兩個像素點的紅綠藍三通道顏色值構(gòu)成顏色點對；
[0063]通過選取邊緣像素點5X5鄰域內(nèi)像素點對的顏色信息作為聚類的輸入特征，可以有效獲取各類別典型像素點、降低聚類時的噪聲干擾。
[0064]具體的，所述對所有邊緣像素點的顏色點對進行聚類并標(biāo)記細胞核類為:對所有邊緣點的顏色點對利用混合高斯模型的EM算法進行聚類，將所有的像素點分為4類，訓(xùn)練得到混合高斯模型；獲取4個類別的顏色均值，并將顏色均值灰度化后具有最低灰度的類別標(biāo)記為細胞核類。
[0065]利用EM算法求解混合高斯模型已經(jīng)是十分成熟的方法，且細胞核染色深且相對穩(wěn)定均勻，內(nèi)聚性好。實驗證明:利用混合高斯模型能夠準(zhǔn)確分割細胞核區(qū)域。
[0066](2)粗略膨脹獲得細胞大致區(qū)域標(biāo)記圖:對步驟(I)中濾波處理后的彩色圖像進行過分割，得到多個不規(guī)則小區(qū)域；并對所述前景區(qū)域進行形態(tài)學(xué)膨脹，得到與前景區(qū)域相交的小區(qū)域集合；判斷所述小區(qū)域集合中的小區(qū)域是否包含有圖像邊緣像素點，若有則將其從所述小區(qū)域集合中去除；將小區(qū)域集合與形態(tài)學(xué)膨脹結(jié)果取并集，得到細胞大致區(qū)域標(biāo)記圖；
[0067]優(yōu)選地，所述對濾波處理后的彩色圖像進行過分割具體為利用分水嶺算法對所述濾波處理后的彩色圖像進行過分割。
[0068]當(dāng)然，也可以采用其他過分割方法，例如模糊C均值、k_means(k均值)、基于EM求解的混合高斯模型等，但綜合權(quán)衡過分割小區(qū)域的顏色一致性以及算法的時間損耗與復(fù)雜程度，分水嶺分割性能相對最優(yōu)。
[0069](3)利用顏色特征和支持向量機分類器進行細胞精確分割:對原始染色白細胞彩色圖像進行中值濾波，獲得各個像素點在鄰域內(nèi)的紅綠藍三通道顏色中值；利用步驟(2)中過分割得到的多個不規(guī)則小區(qū)域和細胞大致區(qū)域標(biāo)記圖，分別對細胞區(qū)域和非細胞區(qū)域采樣相同個數(shù)的樣本訓(xùn)練點；基于所述樣本訓(xùn)練點訓(xùn)練得到支持向量機模型，利用所述支持向量機模型對原始染色白細胞彩色圖像進行分類，得到細胞精確分割圖像。
[0070]具體地，所述步驟(3)中分別對細胞區(qū)域和非細胞區(qū)域采樣相同個數(shù)的樣本訓(xùn)練點具體包括:
[0071]對細胞區(qū)域和非細胞區(qū)域分配相同個數(shù)的樣本訓(xùn)練點；
[0072]對細胞區(qū)域的采樣采用分層抽樣方式:首先統(tǒng)計細胞區(qū)域內(nèi)不規(guī)則小區(qū)域的個數(shù)及各個小區(qū)域的像素點個數(shù)，然后將分配給細胞區(qū)域的總采樣點個數(shù)按照各個小區(qū)域像素點個數(shù)占整個細胞區(qū)域像素點個數(shù)的比例分配到各個小區(qū)域內(nèi)，最后按照均勻采樣的方式在各小區(qū)域內(nèi)進行采樣；[0073]非細胞區(qū)域的樣本訓(xùn)練點采樣方法同細胞區(qū)域完全一致。
[0074]對細胞區(qū)域和非細胞區(qū)域采樣相同數(shù)目的樣本訓(xùn)練點，可保證不同類別之間訓(xùn)練程度的均衡性；采用的分層抽樣方法是基于在各個過分割小區(qū)域內(nèi)進行均勻采樣的，由于各個過分割小區(qū)域顏色特征基本一致，這樣就確保了樣本訓(xùn)練點的代表性與穩(wěn)定性，細胞區(qū)域與非細胞區(qū)域不同顏色點特征盡可能全面地包含在訓(xùn)練模型中，防止訓(xùn)練時漏掉顏色特征信息。
[0075]具體地，所述步驟(3)中基于所述樣本訓(xùn)練點訓(xùn)練得到支持向量機模型具體包括:
[0076]對每個樣本訓(xùn)練點，選取其紅綠藍三個分量的灰度值作為該像素點的前3維特征，選取其鄰域內(nèi)各個像素點的紅綠藍三分量灰度中值作為后3維特征，共計6維特征；將各個樣本訓(xùn)練點的6維特征及其類別標(biāo)記輸入支持向量機分類器進行訓(xùn)練，獲得當(dāng)前圖像的支持向量機訓(xùn)練模型。
[0077]當(dāng)然，此處還可以采用其他方式訓(xùn)練得到支持向量機模型，此處選取6維特征進行分類訓(xùn)練，考慮到了當(dāng)前像素點與其空間鄰域像素的位置關(guān)系，相當(dāng)于在特征中增加了“空間信息”，相比于僅只利用當(dāng)前像素顏色作為分類特征，6維更全面更具代表性；后3維特征也可選取鄰域的其他信息，如顏色均值、梯度信息等，但是鄰域顏色中值更能有效反映鄰域顏色信息，且可防止噪聲的干擾。實驗測試證明:本發(fā)明采用的6維分類特征能夠有效處理圖像中模糊邊緣，更精準(zhǔn)地分割細胞與非細胞區(qū)域。
[0078]具體地，所述步驟(3)中根據(jù)所述支持向量機模型對全圖進行分類，得到細胞精確分割圖像具體包括:
[0079]利用訓(xùn)練得到的支持向量機模型，對原始染色白細胞彩色圖像進行分類，并利用形態(tài)學(xué)操作進行孔洞填充，平滑細胞區(qū)域輪廓，去除面積過小的前景區(qū)域，得到細胞精確分害_像。
[0080]需要說明的是，此處的處理步驟對本發(fā)明是必要且有益的，利用SVM得到的最后分割結(jié)果，可能會將背景中存在的很少量與細胞區(qū)域“相似”的像素點分類為細胞區(qū)域，細胞區(qū)域內(nèi)也會有極少的像素點“類似”于背景像素點，在經(jīng)過空洞填充和去除過小面積前景區(qū)域后，能得到精確細胞分割結(jié)果。
[0081]本發(fā)明還提出了一種基于支持向量機的白細胞圖像精確分割系統(tǒng)，包括:
[0082]第一模塊，用于細胞核初始定位與分割:對原始染色白細胞彩色圖像進行濾波處理并提取圖像邊緣，進而獲取邊緣特定鄰域內(nèi)的顏色點對，對顏色點對像素點進行聚類計算，并根據(jù)聚類結(jié)果對所述原始染色白細胞彩色圖像進行全圖掃描，對細胞核區(qū)域和非細胞核區(qū)域進行標(biāo)記，將細胞核區(qū)域作為前景區(qū)域；
[0083]第二模塊，用于粗略膨脹獲得細胞大致區(qū)域標(biāo)記圖:對第一模塊濾波處理后的彩色圖像進行過分割，得到多個不規(guī)則小區(qū)域；并對所述前景區(qū)域進行形態(tài)學(xué)膨脹，得到與前景區(qū)域相交的小區(qū)域集合；判斷所述小區(qū)域集合中的小區(qū)域是否包含有圖像邊緣像素點，若有則將其從所述小區(qū)域集合中去除；將小區(qū)域集合與形態(tài)學(xué)膨脹結(jié)果取并集，得到細胞大致區(qū)域標(biāo)記圖；
[0084]第三模塊，用于利用顏色特征和支持向量機分類器進行細胞精確分割:對原始染色白細胞彩色圖像進行中值濾波，獲得各個像素點在鄰域內(nèi)的紅綠藍三通道顏色中值；利用所述第二模塊過分割得到的多個不規(guī)則小區(qū)域和細胞大致區(qū)域標(biāo)記圖，分別對細胞區(qū)域和非細胞區(qū)域采樣相同個數(shù)的樣本訓(xùn)練點；基于所述樣本訓(xùn)練點訓(xùn)練得到支持向量機模型，利用所述支持向量機模型對原始染色白細胞彩色圖像進行分類，得到細胞精確分割圖像。
[0085]總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案首先仿照人類視覺機制中對圖像邊緣快速變換的敏感性，在圖像邊緣像素點的鄰域內(nèi)提取顏色點對，通過聚類分析快速得到細胞核區(qū)域準(zhǔn)確分割。同時，本發(fā)明利用了圖像顏色信息和像素點與鄰域像素點顏色之間的特征關(guān)系，充分發(fā)掘了人眼在分割圖像過程中采用的特征信息。其次，在SVM在線訓(xùn)練過程中，本發(fā)明改進了膨脹算法，得到相對可靠的細胞大致區(qū)域標(biāo)記圖；在樣本點采樣過程中，為了獲取有代表性的訓(xùn)練樣本，采取分層抽樣方式，即在具有代表性的不規(guī)則小區(qū)域內(nèi)，依據(jù)小區(qū)域像素點個數(shù)按比例均勻采樣的采樣方式。對比尋常采用的均勻采樣方式，分層采樣獲取的訓(xùn)練樣本點的代表性和可靠性更好。本發(fā)明不僅適用于染色效果較好的傳統(tǒng)染色方法得到的細胞圖像，也適用于在新型快速染色試劑染色得到的染色不均勻且含有雜質(zhì)的細胞圖像。尤其是對于白細胞圖像邊界模糊的情況，傳統(tǒng)的白細胞分割方法無法解決該問題，本發(fā)明中能夠得到很好的分割效果。
[0086]下面以一優(yōu)選實施例對本發(fā)明基于支持向量機的白細胞圖像精確分割方法進行描述，具體的，包括如下步驟:
[0087](一)細胞核初始定位與分割:
[0088](I)預(yù)處理。將輸入的原始染色白細胞彩色圖像利用meanshift方法進行濾波，其中，空間窗口半徑設(shè)定為10,色彩窗口半徑設(shè)定為20,得到濾波后彩色圖像MsColorImg ;當(dāng)然，也可以采用其他方法進行濾波處理，例如:髙斯濾波、中值濾波、均值濾波等常用低通濾波算法，但是優(yōu)選地采用meanshift方法，因為其綜合考慮了空間與顏色距離信息，能夠把一些小的紋理平滑掉，同時保留真正的邊緣，這對后續(xù)提取準(zhǔn)確邊緣意義重大。
[0089](2)將meanshift濾波后彩色圖像MsColorImg轉(zhuǎn)變?yōu)榛叶葓D像；
[0090](3)對灰度圖像利用canny算子獲得圖像邊緣，當(dāng)然，也可以采用其他方法獲取圖像邊緣，例如:Sobel算子、Prewitt算子、Roberts算子、Laplacian算子,但是實驗測試證明:對于傳統(tǒng)染色和快速染色的白細胞圖像，canny算子能夠更準(zhǔn)確地提取實際邊緣。
[0091]對圖像的每個邊緣像素點，計算其5X5鄰域窗口內(nèi)灰度值最大、最小的兩個像素點，保存這兩個像素點的顏色值(RnitoGniiwBniin)和(R_，G_，BniJ構(gòu)成一組顏色點對，其中灰度值的計算方法為:
[0092]GrayValue = 0.299 X R+0.587 X G+0.114 X B ;
[0093]選取邊緣像素點5X5鄰域內(nèi)像素點對的顏色信息作為聚類的輸入特征，可以有效獲取各類別典型像素點、降低聚類時的噪聲干擾。
[0094](4)利用混合高斯模型的EM (Expectation Maximization,最大期望)算法,對所有獲得的圖像邊緣鄰域內(nèi)顏色點對，按照R、G、B顏色進行聚類，分為4類?？捎?xùn)練得到混合
高斯模型，并獲得各類的R、G、B三通道顏色均值(瓦，$，瓦)，i = 1，2，3，4。其中，EM算法的
迭代收斂條件設(shè)定為最大迭代次數(shù)與迭代誤差相結(jié)合的方式，本發(fā)明實施例中，設(shè)定當(dāng)?shù)螖?shù)IterTimes>=15或者迭代誤差I(lǐng)terEpsilon〈=0.1時,則終止迭代。
[0095]顯然，根據(jù)先驗知識，盡管對于不同圖像，無法確定細胞漿、背景和紅細胞對應(yīng)于EM算法聚類得到的4類中的哪一類，但是可以肯定的是，如圖2所示，細胞核所在類一定對應(yīng)于灰度值最低的一類。記灰度值最低的一類對應(yīng)的類別標(biāo)號為L。同時，需要指出的是，盡管有些輸入的細胞小圖中并不含有紅細胞區(qū)域，但是由于細胞核區(qū)域灰度最低且相對穩(wěn)定而均勻，分為4類并不會影響最終細胞核分割效果。
[0096]利用EM算法求解混合高斯模型已經(jīng)是十分成熟的方法，細胞核染色深且相對穩(wěn)定均勻，內(nèi)聚性好。實驗證明:利用混合高斯模型能夠準(zhǔn)確分割細胞核區(qū)域。
[0097](5)對meanshift濾波后彩色圖像MsColorImg全圖掃描,將各個像素點的顏色值(r，g，b)輸入到訓(xùn)練好的混合高斯模型中，得到各個像素點的分類標(biāo)記i。對每個像素點，當(dāng)i = io時，當(dāng)前像素點為細胞核內(nèi)像素點，標(biāo)記為I ;否則，當(dāng)前像素點為非細胞核像素點，標(biāo)記為O。
[0098]由此獲得細胞核標(biāo)記圖像NucLabelImg,完成了細胞核分割。
[0099](二)粗略膨脹獲得細胞大致區(qū)域標(biāo)記圖:
[0100](I)利用分水嶺算法(Watershed algorithm)對meanshift濾波后彩色圖像MsColorlmg進行過分割。如圖3所示，可以得到N個不規(guī)則小區(qū)域，本發(fā)明中，只需保證N>8即可。每個小區(qū)域有相同的標(biāo)號η，η = 1，2，3，......，N。
[0101](2)對細胞核標(biāo)記圖像NucLabelImg做若干次(本發(fā)明實施例中，建議采用5~9次)形態(tài)學(xué)膨脹，得到形態(tài)學(xué)膨脹后標(biāo)記圖像DilateLabellmg。
[0102](3)獲取與膨脹后標(biāo)記圖像DilateLabellmg中前景點外輪廓相交的小區(qū)域集合IntersectSet0對于集合IntersectSet中的各個小區(qū)域,若小區(qū)域包含邊緣像素點，則將該區(qū)域從集合IntersectSet中除去。
[0103](4)獲得細胞大致區(qū)域圖:
[0104]GeneralRegionofCell = DilateLabellmg U IntersectSet,如圖 4 所不。
[0105](三)利用顏色特征和SVM分類器進行細胞精確分割:
[0106](I)獲得原始輸入彩色圖像的各個像素點在鄰域內(nèi)(本發(fā)明的實施例中采用5X5大小的鄰域)的相鄰像素點R、G、B顏色中值。通過對原始輸入彩色圖像進行中值濾波，即可完成此步驟。
[0107](2)利用步驟(二)中分水嶺算法得到的多個不規(guī)則小區(qū)域和細胞大致區(qū)域標(biāo)記圖GeneralRegionofC, ell分別對細胞區(qū)域和非細胞區(qū)域各采樣SampleNum個的訓(xùn)練樣本點為SVM訓(xùn)練做準(zhǔn)備。其中細胞區(qū)域的采樣按照均勻采樣的規(guī)則進行:統(tǒng)計細胞區(qū)域內(nèi)不規(guī)則小區(qū)域的個數(shù)J及各個小區(qū)域的像素點個數(shù)Ij ;各個小區(qū)域內(nèi)采樣點個數(shù)^為，

廣/
sJ = round(—；-x SamplcNum +1)
[0108]^r/，其中roundO為取整函數(shù)。
M
[0109]而在小區(qū)域內(nèi)采樣點按均勻采樣選取。非細胞區(qū)域的樣本訓(xùn)練點采樣方法同細胞
區(qū)域一致。
[0110]對細胞區(qū)域和非細胞區(qū)域采樣相同數(shù)目的樣本訓(xùn)練點，可保證不同類別之間訓(xùn)練程度的均衡性；采用的分層抽樣方法是基于在各個過分割小區(qū)域內(nèi)進行均勻采樣的，由于各個過分割小區(qū)域顏色特征基本一致，這樣就確保了樣本訓(xùn)練點的代表性與穩(wěn)定性，細胞區(qū)域與非細胞區(qū)域不同顏色點特征盡可能全面地包含在訓(xùn)練模型中，防止訓(xùn)練時漏掉顏色特征信息。
[0111](3)選取樣本點自身顏色特征(r，g，b)和樣本點在鄰域內(nèi)相鄰像素點顏色中值(Median, gmedian, Kedian)組成 6 維特征(r, g, b, Rmeddian, gmedian, bmedian，作為 SVM 分類器的輸入特征。將所有訓(xùn)練樣本點的6維特征及其類別(“I”代表細胞區(qū)域，“O”代表非細胞區(qū)域)輸入SVM分類器進行在線訓(xùn)練，獲得當(dāng)前輸入圖像的SVM訓(xùn)練模型。
[0112]此處選取6維特征進行分類訓(xùn)練，考慮到了當(dāng)前像素點與其空間鄰域像素的位置關(guān)系，相當(dāng)于在特征中增加了 “空間信息”，相比于僅只利用當(dāng)前像素顏色作為分類特征，6維更全面更具代表性；后3維特征也可選取鄰域的其他信息，如顏色均值、梯度信息等，但是鄰域顏色中值更能有效反映鄰域顏色信息，且可防止噪聲的干擾。實驗測試證明:本發(fā)明采用的6維分類特征能夠有效處理圖像中模糊邊緣，更精準(zhǔn)地分割細胞與非細胞區(qū)域。
[0113](4)利用在線訓(xùn)練得到的SVM模型，選取各像素點的6維特征(r, g, b, rffledian, gffledia,nbffleai)作為輸入，對全圖進行分類。分類結(jié)果為“I”的區(qū)域即為細胞區(qū)域；分類結(jié)果為“O”的區(qū)域即為非細胞區(qū)域。由此可得細胞分割圖像。
[0114](5)對細胞分割圖像進行進一步精細修正。首先對細胞分割圖像的細胞區(qū)域進行孔洞填充和邊緣形態(tài)學(xué)平滑。然后再考察細胞分割圖像中得到的各個細胞連通區(qū)域，當(dāng)符合如下兩個條件時，把該連通區(qū)域重新標(biāo)記為非細胞區(qū)域(即:標(biāo)記為O):
[0115]A.該連通區(qū)域像素點個數(shù)小于(WidthXHeigh) t/10，說明該連通區(qū)域過小，不可能是一個細胞區(qū)域，其中Width和Height分別為輸入圖像的寬和高；
[0116]B.該連通區(qū)域不包含細胞核標(biāo)記圖像NucLabelImg中的細胞核區(qū)域像素點。
[0117]由此，可得到細胞精確分割圖像，具體示例見圖5、6。
[0118]需要說明的是，此處的處理步驟對本發(fā)明是必要且有益的。利用SVM得到的最后分割結(jié)果，可能會將背景中存在的很少量與細胞區(qū)域“相似”的像素點分類為細胞區(qū)域，細胞區(qū)域內(nèi)也會有極少的像素點“類似”于背景像素點，在經(jīng)過空洞填充和去除過小面積前景區(qū)域后，能得到精確細胞分割結(jié)果。
[0119]總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案首先仿照人類視覺機制中對圖像邊緣快速變換的敏感性，在圖像邊緣像素點的鄰域內(nèi)提取顏色點對，通過聚類分析快速得到細胞核區(qū)域準(zhǔn)確分割。同時，本發(fā)明利用了圖像顏色信息和像素點與鄰域像素點顏色之間的特征關(guān)系，充分發(fā)掘了人眼在分割圖像過程中采用的特征信息。其次，在SVM在線訓(xùn)練過程中，本發(fā)明改進了膨脹算法，得到相對可靠的細胞大致區(qū)域標(biāo)記圖；在樣本點采樣過程中，為了獲取有代表性的訓(xùn)練樣本，采取分層抽樣方式，即在具有代表性的不規(guī)則小區(qū)域內(nèi)，依據(jù)小區(qū)域像素點個數(shù)按比例均勻采樣的采樣方式。對比尋常采用的均勻采樣方式，分層采樣獲取的訓(xùn)練樣本點的代表性和可靠性更好。本發(fā)明不僅適用于染色效果較好的傳統(tǒng)染色方法得到的細胞圖像，也適用于在新型快速染色試劑染色得到的染色不均勻且含有雜質(zhì)的細胞圖像。尤其是對于白細胞圖像邊界模糊的情況，傳統(tǒng)的白細胞分割方法無法解決該問題，本發(fā)明中能夠得到很好的分割效果。
[0120]本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。
【權(quán)利要求】
1.一種基于支持向量機的白細胞圖像精確分割方法，其特征在于，包括: (1)細胞核初始定位與分割:對原始染色白細胞彩色圖像進行濾波處理并提取圖像邊緣，進而獲取邊緣特定鄰域內(nèi)的顏色點對，對顏色點對像素點進行聚類計算，并根據(jù)聚類結(jié)果對所述原始染色白細胞彩色圖像進行全圖掃描，對細胞核區(qū)域和非細胞核區(qū)域進行標(biāo)記，將細胞核區(qū)域作為前景區(qū)域； (2)粗略膨脹獲得細胞大致區(qū)域標(biāo)記圖:對步驟(I)中濾波處理后的彩色圖像進行過分割，得到多個不規(guī)則小區(qū)域；并對所述前景區(qū)域進行形態(tài)學(xué)膨脹，得到所述多個不規(guī)則小區(qū)域與膨脹后的前景區(qū)域相交的小區(qū)域集合；判斷所述小區(qū)域集合中的小區(qū)域是否包含有圖像邊緣像素點，若有則將其從所述小區(qū)域集合中去除，得到處理后的小區(qū)域集合；將所述處理后的小區(qū)域集合與膨脹后的前景區(qū)域取并集，得到細胞大致區(qū)域標(biāo)記圖； (3)利用顏色特征和支持向量機分類器進行細胞精確分割:對原始染色白細胞彩色圖像進行中值濾波，獲得各個像素點在鄰域內(nèi)的紅綠藍三通道顏色中值；利用步驟(2)中過分割得到的多個不規(guī)則小區(qū)域和細胞大致區(qū)域標(biāo)記圖，分別對細胞區(qū)域和非細胞區(qū)域采樣相同個數(shù)的樣本訓(xùn)練點；基于所述樣本訓(xùn)練點訓(xùn)練得到支持向量機模型，利用所述支持向量機模型對原始染色白細胞彩色圖像進行分類，得到細胞精確分割圖像。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟(I)具體包括: (11)對原始染色白細胞彩色圖像進行濾波處理，并將濾波后的彩色圖像轉(zhuǎn)換為灰度圖像； (12)獲取所述灰度圖像的邊緣，對每個邊緣像素點，計算其鄰域窗口內(nèi)灰度值最大、最小的兩個像素點，將這兩個像素點的顏色值構(gòu)成一組顏色點對； (13)對所有邊緣像素點的顏色點對進行聚類，訓(xùn)練得到混合高斯模型，并獲得各類顏色點對的三通道顏色均值 ，將三通道顏色均值最低的一類記為細胞核類； (14)利用所述高斯混合模型對所述濾波后的彩色圖像進行全圖掃描，判斷各像素點是否是細胞核類像素點，并對細胞核類像素點和非細胞核類像素點進行二值標(biāo)記，將細胞核區(qū)域標(biāo)記為前景區(qū)域。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對原始染色白細胞彩色圖像進行濾波處理具體為: 利用meanshift方法對原始染色白細胞彩色圖像進行濾波處理。
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取灰度圖像的邊緣具體為: 對所述灰度圖像利用canny算子提取圖像邊緣點。
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述計算灰度圖像邊緣點的顏色點對具體為: 對于每個邊緣像素點，獲取其5X5鄰域窗口內(nèi)灰度最大、最小的兩個像素點，并取這兩個像素點的紅綠藍三通道顏色值構(gòu)成顏色點對。
6.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對所有邊緣像素點的顏色點對進行聚類并標(biāo)記細胞核類具體為: 對所有邊緣點的顏色點對利用混合高斯模型的EM算法進行聚類，將所有的像素點分為4類，訓(xùn)練得到混合高斯模型；獲取4個類別的顏色均值，并將顏色均值灰度化后具有最低灰度的類別標(biāo)記為細胞核類。
7.如權(quán)利要求1至6任一項所述的方法，其特征在于，所述步驟(3)中分別對細胞區(qū)域和非細胞區(qū)域采樣相同個數(shù)的樣本訓(xùn)練點具體包括: 對細胞區(qū)域和非細胞區(qū)域分配相同個數(shù)的樣本訓(xùn)練點； 對細胞區(qū)域的采樣采用分層抽樣方式:首先統(tǒng)計細胞區(qū)域內(nèi)不規(guī)則小區(qū)域的個數(shù)及各個小區(qū)域的像素點個數(shù)，然后將分配給細胞區(qū)域的總采樣點個數(shù)按照各個小區(qū)域像素點個數(shù)占整個細胞區(qū)域像素點個數(shù)的比例分配到各個小區(qū)域內(nèi)，最后按照均勻采樣的方式在各小區(qū)域內(nèi)進行采樣； 非細胞區(qū)域的樣本訓(xùn)練點采樣方法同細胞區(qū)域完全一致。
8.如權(quán)利要求1至6任一項所述的方法，其特征在于，所述步驟(3)中基于所述樣本訓(xùn)練點訓(xùn)練得到支持向量機模型具體包括: 對每個樣本訓(xùn)練點，選取其紅綠藍三個分量的灰度值作為該像素點的前3維特征，選取其鄰域內(nèi)各個像素點的紅綠藍三分量灰度中值作為后3維特征，共計6維特征；將各個樣本訓(xùn)練點的6維特征及其類別標(biāo)記輸入支持向量機分類器進行訓(xùn)練，獲得當(dāng)前圖像的支持向量機訓(xùn)練模型。
9.如權(quán)利要求1至6任一項所述的方法，其特征在于，所述步驟(3)中根據(jù)所述支持向量機模型對全圖進行分類，得到細胞精確分割圖像具體包括: 利用訓(xùn)練得到的支持向量機模型，對原始染色白細胞彩色圖像進行分類，并利用形態(tài)學(xué)操作進行孔洞填充，平滑細胞區(qū)域輪廓，去除面積過小的前景區(qū)域，得到細胞精確分割圖像。
10.一種基于支持向量機的白細胞圖像精確分割系統(tǒng)，其特征在于，包括: 第一模塊，用于細胞核初始定位與分割:對原始染色白細胞彩色圖像進行濾波處理并提取圖像邊緣，進而獲取邊緣特定鄰域內(nèi)的顏色點對，對顏色點對像素點進行聚類計算，并根據(jù)聚類結(jié)果對所述原始染色白細胞彩色圖像進行全圖掃描，對細胞核區(qū)域和非細胞核區(qū)域進行標(biāo)記，將細胞核區(qū)域作為前景區(qū)域； 第二模塊，粗略膨脹獲得細胞大致區(qū)域標(biāo)記圖:對所述第一模塊濾波處理后的彩色圖像進行過分割，得到多個不規(guī)則小區(qū)域；并對所述前景區(qū)域進行形態(tài)學(xué)膨脹，得到所述多個不規(guī)則小區(qū)域與膨脹后的前景區(qū)域相交的小區(qū)域集合；判斷所述小區(qū)域集合中的小區(qū)域是否包含有圖像邊緣像素點，若有則將其從所述小區(qū)域集合中去除，得到處理后的小區(qū)域集合；將所述處理后的小區(qū)域集合與膨脹后的前景區(qū)域取并集，得到細胞大致區(qū)域標(biāo)記圖； 第三模塊，用于利用顏色特征和支持向量機分類器進行細胞精確分割:對原始染色白細胞彩色圖像進行中值濾波，獲得各個像素點在鄰域內(nèi)的紅綠藍三通道顏色中值；利用所述第二模塊過分割得到的多個不規(guī)則小區(qū)域和細胞大致區(qū)域標(biāo)記圖，分別對細胞區(qū)域和非細胞區(qū)域采樣相同個數(shù)的樣本訓(xùn)練點；基于所述樣本訓(xùn)練點訓(xùn)練得到支持向量機模型，利用所述支持向量機模型對原始染色白細胞彩色圖像進行分類，得到細胞精確分割圖像。
【文檔編號】G06T7/00GK103473739SQ201310355033
【公開日】2013年12月25日 申請日期:2013年8月15日 優(yōu)先權(quán)日:2013年8月15日
【發(fā)明者】汪國有, 王勇, 鄭馨, 王然 申請人:華中科技大學(xué)