一種基于協(xié)作與競(jìng)爭(zhēng)模式的蟻群近鄰細(xì)胞跟蹤系統(tǒng)及其應(yīng)用的制作方法
【專利摘要】本發(fā)明公開(kāi)了一種基于協(xié)作與競(jìng)爭(zhēng)模式的蟻群近鄰細(xì)胞跟蹤系統(tǒng)及其應(yīng)用，由始蟻群分布及粗分類模塊，多蟻群決策模塊和融合及刪除模塊組成；初始蟻群分布及粗分類模塊，利用近似平均方法提取細(xì)胞的前景圖像從而獲得初始蟻群分布，然后利用K均值聚類的方法把它粗略的分為N組子蟻群；多蟻群決策模塊，基于協(xié)作與競(jìng)爭(zhēng)模式構(gòu)建N個(gè)獨(dú)立的子信息素場(chǎng)和總信息素場(chǎng)共同作用下的細(xì)胞位置估計(jì)模塊；融合及刪除模塊，基于信息素場(chǎng)構(gòu)建，通過(guò)合并相似子蟻群和去除由雜波導(dǎo)致的虛假目標(biāo)進(jìn)行多細(xì)胞位置估計(jì)，并利用易于實(shí)現(xiàn)的近鄰法進(jìn)行細(xì)胞關(guān)聯(lián)獲取細(xì)胞運(yùn)動(dòng)軌跡和動(dòng)力學(xué)參數(shù)。本發(fā)明可實(shí)現(xiàn)在低對(duì)比度細(xì)胞圖像序列下近鄰多細(xì)胞動(dòng)力學(xué)參數(shù)估計(jì)，即對(duì)近鄰多細(xì)胞動(dòng)力學(xué)特性存在差異、細(xì)胞發(fā)生變形、細(xì)胞數(shù)目時(shí)變等情形，在無(wú)需細(xì)胞檢測(cè)模塊、無(wú)需大量的細(xì)胞訓(xùn)練樣本的基礎(chǔ)上，通過(guò)蟻群系統(tǒng)的協(xié)作與競(jìng)爭(zhēng)，解決近鄰多細(xì)胞多參數(shù)估計(jì)與跟蹤難題。
【專利說(shuō)明】一種基于協(xié)作與競(jìng)爭(zhēng)模式的蟻群近鄰細(xì)胞跟蹤系統(tǒng)及其應(yīng)用
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于協(xié)作與競(jìng)爭(zhēng)模式的蟻群近鄰細(xì)胞跟蹤系統(tǒng)及其應(yīng)用。
【背景技術(shù)】
[0002]細(xì)胞運(yùn)動(dòng)分析在細(xì)胞生物學(xué)領(lǐng)域有非常重要的應(yīng)用價(jià)值。細(xì)胞跟蹤技術(shù)是研究細(xì)胞動(dòng)力學(xué)行為最有效的工具之一，無(wú)論是在信息科學(xué)領(lǐng)域還是在生命科學(xué)領(lǐng)域都是一個(gè)極具挑戰(zhàn)性且應(yīng)用性很強(qiáng)的課題。細(xì)胞運(yùn)動(dòng)分析面臨著眾多難題，如細(xì)胞近鄰、細(xì)胞分裂、多細(xì)胞動(dòng)力學(xué)特性差異、細(xì)胞重疊、細(xì)胞數(shù)量變化、低對(duì)照比細(xì)胞圖像序列等等。傳統(tǒng)的人工方法是一個(gè)煩躁耗時(shí)的過(guò)程，處理的數(shù)據(jù)較少。本發(fā)明擬用螞蟻群智能搜索行為對(duì)近鄰多細(xì)胞運(yùn)動(dòng)特性進(jìn)行研究，設(shè)計(jì)相應(yīng)的近鄰多細(xì)胞自動(dòng)跟蹤技術(shù)。該技術(shù)與目前廣泛應(yīng)用的人工細(xì)胞跟蹤方法相比，它能夠克服耗時(shí)多、誤差大、魯棒性差等缺點(diǎn)
[0003]在過(guò)去的幾十年中許多自動(dòng)細(xì)胞跟蹤方法被提出來(lái)?；跈z測(cè)技術(shù)的跟蹤方法是一種經(jīng)典的跟蹤辦法，該方法分為分割與跟蹤兩步，分割的任務(wù)就是在每幀中提取細(xì)胞信息(形狀、重心、面積等)，跟蹤的任務(wù)就是將連續(xù)幀中所提取的細(xì)胞進(jìn)行關(guān)聯(lián)，找出各細(xì)胞的運(yùn)動(dòng)軌跡、計(jì)算細(xì)胞運(yùn)動(dòng)速度等?；谀Ｐ驼{(diào)整或變化的跟蹤方法，該方法主要應(yīng)用于細(xì)胞的輪廓信息難以提取等場(chǎng)合，該方法將給定的細(xì)胞初始外形輪廓，通過(guò)參數(shù)優(yōu)化方法使之變形來(lái)擬合圖像中的目標(biāo)對(duì)象，細(xì)胞的運(yùn)動(dòng)軌跡就從不同幀里自動(dòng)提取出，通常所用的王動(dòng)輪廊法(即Snake方法)、水平集方法(Level-Set)和均值偏移法(Mean-Shift)都屬于此類跟蹤方法，這些方法都有一個(gè)共同特點(diǎn)，即用上一幀所得到的模型參數(shù)作為當(dāng)前幀圖像分析的起始條件或先驗(yàn)信息?；谪惾~斯概率估計(jì)方法利用先驗(yàn)的一些信息和測(cè)量信息來(lái)估計(jì)細(xì)胞狀態(tài)的后驗(yàn)概率密度函數(shù)。由于細(xì)胞跟蹤問(wèn)題是一個(gè)非線性、非高斯參數(shù)估計(jì)問(wèn)題，因此，所對(duì)應(yīng)的Bayesian濾波沒(méi)有解析解，然而可用數(shù)值近似的方法進(jìn)行求解，如粒子濾波器(Particle Filter,有時(shí)稱 Sequential Monte-Carlo)0
[0004]正確跟蹤近鄰多細(xì)胞在細(xì)胞跟蹤中還是一個(gè)難題，目前的技術(shù)還很少能處理這些情況，跟蹤的精確性和穩(wěn)定性都不足，對(duì)于近鄰多細(xì)胞的動(dòng)力學(xué)特性的差異，其跟蹤性能未加以研究等等。本發(fā)明旨在解決由于運(yùn)動(dòng)或分裂而產(chǎn)生的細(xì)胞近鄰、動(dòng)力學(xué)特性存在差異、細(xì)胞數(shù)目時(shí)變等跟蹤難題，通過(guò)背景提取方法獲得細(xì)胞特征信息，利用一種基于協(xié)作與競(jìng)爭(zhēng)模式的不同任務(wù)蟻群方法進(jìn)行跟蹤，從而實(shí)現(xiàn)多個(gè)近鄰細(xì)胞的自動(dòng)跟蹤。

【發(fā)明內(nèi)容】

[0005]本發(fā)明提供了一種基于協(xié)作與競(jìng)爭(zhēng)模式的蟻群近鄰細(xì)胞跟蹤系統(tǒng)，包含以下模塊:
[0006]I)初始蟻群分布及粗分類模塊，利用近似平均方法提取細(xì)胞的前景圖像從而獲得初始蟻群分布，然后利用K均值聚類的方法把它粗略的分為N組子蟻群；
[0007]2)多蟻群決策模塊,基于協(xié)作與競(jìng)爭(zhēng)模式構(gòu)建N個(gè)獨(dú)立的子信息素場(chǎng)和總信息素場(chǎng)共同作用下的細(xì)胞位置估計(jì)模塊；
[0008]3)融合及刪除模塊，基于信息素場(chǎng)構(gòu)建，通過(guò)合并相似子蟻群和去除由雜波導(dǎo)致的虛假目標(biāo)進(jìn)行多細(xì)胞位置估計(jì)，并利用易于實(shí)現(xiàn)的近鄰法進(jìn)行細(xì)胞關(guān)聯(lián)獲取細(xì)胞運(yùn)動(dòng)軌跡和動(dòng)力學(xué)參數(shù)。
[0009]所述初始蟻群分布及粗分類模塊的工作步驟如下:
[0010]I)細(xì)胞圖像背景提取:利用近似平均方法提取細(xì)胞的背景圖像，近似平均方法是一種迭代的方法，把背景圖像上的像素值和當(dāng)前圖像的像素值進(jìn)行對(duì)比，如果背景像素大，則背景像素減1，否則加I，最終背景模型就收斂到一個(gè)值；
[0011]2)細(xì)胞圖像前景獲取:當(dāng)前幀圖像像素和背景模型圖像相應(yīng)像素比較，如果兩者
的差值大于某一閾值，則此像素點(diǎn)屬于前景，其公式為:
[0012]
【權(quán)利要求】
1.一種基于協(xié)作與競(jìng)爭(zhēng)模式的蟻群近鄰細(xì)胞跟蹤系統(tǒng)，其特征在于，包含以下模塊: 1)初始蟻群分布及粗分類模塊，利用近似平均方法提取細(xì)胞的前景圖像從而獲得初始蟻群分布，然后利用K均值聚類的方法把它粗略的分為N組子蟻群； 2)多蟻群決策模塊，基于協(xié)作與競(jìng)爭(zhēng)模式構(gòu)建N個(gè)獨(dú)立的子信息素場(chǎng)和總信息素場(chǎng)共同作用下的細(xì)胞位置估計(jì)模塊； 3)融合及刪除模塊，基于信息素場(chǎng)構(gòu)建，通過(guò)合并相似子蟻群和去除由雜波導(dǎo)致的虛假目標(biāo)進(jìn)行多細(xì)胞位置估計(jì)，并利用易于實(shí)現(xiàn)的近鄰法進(jìn)行細(xì)胞關(guān)聯(lián)獲取細(xì)胞運(yùn)動(dòng)軌跡和動(dòng)力學(xué)參數(shù)。
2.根據(jù)權(quán)利要求1所述系統(tǒng)，其特征在于，初始蟻群分布及粗分類模塊的工作步驟如下: O細(xì)胞圖像背景提取:利用近似平均方法提取細(xì)胞的背景圖像，近似平均方法是一種迭代的方法，把背景圖像上的像素值和當(dāng)前圖像的像素值進(jìn)行對(duì)比，如果背景像素大，則背景像素減1，否則加I，最終背景模型就收斂到一個(gè)值； 2)細(xì)胞圖像前景獲取:當(dāng)前幀圖像像素和背景模型圖像相應(yīng)像素比較，如果兩者的差值大于某一閾值，則此像素點(diǎn)屬于前景，其公式為:
3.根據(jù)權(quán)利要求1所述系統(tǒng)，其特征在于，多蟻群決策模塊的工作步驟如下: I)針對(duì)某一個(gè)子蟻群s(s = 1:N)中的螞蟻在像素i所在位置，考慮到與其他子蟻群間的競(jìng)爭(zhēng)與協(xié)作，分別考慮總信息素量τ j (t)和相對(duì)量^，為此，該螞蟻選擇其鄰域中某一 像素j的概率為
4.根據(jù)權(quán)利要求1所述系統(tǒng)，其特征在于，融合及刪除模塊的工作步驟如下: 1)任兩組子蟻群Sl，S2，其對(duì)應(yīng)的信息素均為rτ，則最大信息素值所對(duì)應(yīng)的像素為太=ai^maxR] ’ A = Mgmax^] ’依據(jù)細(xì)胞大小的先驗(yàn)信息構(gòu)建相應(yīng)的正方形方塊，計(jì)算其面積重疊率0—ρ，若0OTOTlap > O1，則兩個(gè)子蟻群組合并，其中％為閾值； 2)虛假目標(biāo)移除:假定細(xì)胞尺寸范圍先驗(yàn)已知，若某一子蟻群的螞蟻數(shù)量為義,_，則當(dāng)Ν, 認(rèn)為此目標(biāo)是由雜波或干擾引起的，刪除此子蟻群，O 2為閾值； 3)數(shù)據(jù)關(guān)聯(lián):利用易于實(shí)現(xiàn)的近鄰法進(jìn)行數(shù)據(jù)關(guān)聯(lián)獲取細(xì)胞運(yùn)動(dòng)軌跡及相關(guān)的動(dòng)力學(xué)參數(shù)。
5.一種基于協(xié)作與競(jìng)爭(zhēng)模式的蟻群近鄰細(xì)胞跟蹤方法，其特征在于，步驟如下: 1)將包含有由于運(yùn)動(dòng)或分裂而產(chǎn)生的近鄰多細(xì)胞的圖像輸入，圖像序列利用近似平均方法提取細(xì)胞的前景圖像從而獲得初始蟻群分布，然后利用K均值聚類的方法把它粗略的分為N組子蟻群，每一組有各自的信息素場(chǎng)并在其上工作； 2)構(gòu)建N個(gè)獨(dú)立的子信息素場(chǎng)和總信息素場(chǎng)共同作用下的細(xì)胞位置估計(jì)蟻群決策系統(tǒng)； 3)通過(guò)合并相似子蟻群和去除由雜波導(dǎo)致的虛假目標(biāo)進(jìn)行多細(xì)胞位置估計(jì)，并利用易于實(shí)現(xiàn)的近鄰法進(jìn)行細(xì)胞關(guān)聯(lián)獲取細(xì)胞運(yùn)動(dòng)軌跡和動(dòng)力學(xué)參數(shù)，實(shí)現(xiàn)近鄰多細(xì)胞的跟蹤。
6.根據(jù)權(quán)利要求5所述方法，其特征在于，所述步驟I)具體方法如下: O細(xì)胞圖像背景提取:利用近似平均方法提取細(xì)胞的背景圖像，近似平均方法是一種迭代的方法，把背景圖像上的像素值和當(dāng)前圖像的像素值進(jìn)行對(duì)比，如果背景像素大，則背景像素減1，否則加I，最終背景模型就收斂到一個(gè)值； 2)細(xì)胞圖像前景獲取:當(dāng)前幀圖像像素和背景模型圖像相應(yīng)像素比較，如果兩者的差值大于某一閾值，則此像素點(diǎn)屬于前景，其公式為:
7.根據(jù)權(quán)利要求5所述方法，其特征在于，所述步驟2)具體方法如下:1)針對(duì)某一個(gè)子蟻群s(s= 1:N)中的螞蟻在像素i所在位置，考慮到與其他子蟻群間的競(jìng)爭(zhēng)與協(xié)作，分別考慮總信息素量^(t)和相對(duì)量
8.根據(jù)權(quán)利要求5所述方法，其特征在于，所述步驟3)具體方法如下: 1)任兩組子蟻群Sl，S2，其對(duì)應(yīng)的信息素均為P,P，則最大信息素值所對(duì)應(yīng)的像素為
【文檔編號(hào)】G06N3/00GK103955946SQ201310359025
【公開(kāi)日】2014年7月30日 申請(qǐng)日期:2013年8月16日 優(yōu)先權(quán)日:2013年8月16日
【發(fā)明者】魯明麗, 徐本連, 朱培逸, 毛麗民, 施健, 任亞運(yùn) 申請(qǐng)人:常熟理工學(xué)院