本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，特別涉及一種基于高光譜成像的粘連紅細胞自動計數(shù)方法。

背景技術(shù)：

紅細胞作為最常見的一種血細胞，承擔(dān)著氧氣運輸和免疫功能。紅細胞計數(shù)是血常規(guī)檢查的重要指標，在疾病預(yù)防與診斷方面具有重要的參考價值。目前，全自動血細胞分析儀有效地提高了分析速率，但其分析結(jié)果存在較高的假陰性率，部分樣本仍然需要檢驗員再次進行顯微鏡復(fù)檢以降低漏診率和誤診率。血涂片顯微鏡檢查作為臨床上判斷血細胞病理變化的金標準仍是必不可少的分析手段。而傳統(tǒng)基于數(shù)字顯微圖像的血細胞分類與識別方法能夠?qū)z驗人員從繁瑣耗時的鏡檢工作中解脫出來，減少人為因素引起的誤判，提高識別率。但是由于細胞形態(tài)多樣性、細胞粘連以及某些成分的干擾，截至目前仍然未能找到一種對任意細胞圖像處理精度均符合臨床要求的方法。

顯微高光譜成像技術(shù)將傳統(tǒng)的光學(xué)成像和光譜技術(shù)相結(jié)合，在獲取樣本空間信息的同時，還為圖像中的每個像元提供數(shù)十個至數(shù)百個窄波段光譜信息，不僅能夠分析血細胞的形態(tài)結(jié)構(gòu)，還能夠分析細胞成分含量相關(guān)信息，為實現(xiàn)更精確的樣本識別、生化參量提取等提供了可能，有望解決上述基于圖像方法的瓶頸問題。但是如何充分利用所獲取的圖像和光譜信息，提高定性與定量分析的準確性仍然是高光譜成像技術(shù)應(yīng)用的關(guān)鍵。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于高光譜成像的粘連紅細胞自動計數(shù)方法，該方法能夠充分利用光譜與圖像信息，有效地識別粘連紅細胞，提高紅細胞計數(shù)的準確率。

實現(xiàn)本發(fā)明目的的具體技術(shù)方案是：

一種基于高光譜成像的粘連紅細胞自動計數(shù)方法，所述方法包括以下步驟：

(1)讀入血涂片的高光譜圖像數(shù)據(jù)并進行壓縮，采用連續(xù)最大角凸錐方法對經(jīng)過壓縮處理的高光譜圖像數(shù)據(jù)進行分解，獲取血涂片預(yù)設(shè)數(shù)目端元的豐度圖；

(2)結(jié)合大津法對所述血涂片預(yù)設(shè)數(shù)目端元的豐度圖分別進行二值化處理，并采用數(shù)學(xué)形態(tài)學(xué)方法腐蝕運算去除細小噪聲點，獲取預(yù)設(shè)數(shù)目端元豐度圖的二值圖像；

(3)對所述預(yù)設(shè)數(shù)目端元豐度圖的二值圖像分別進行孔洞填充操作，并根據(jù)經(jīng)過孔洞填充后的各端元二值圖像中連通域的個數(shù)及最大連通域的大小選出細胞質(zhì)二值圖像；

(4)對所述細胞質(zhì)二值圖像的細胞質(zhì)連通域進行標記與面積統(tǒng)計，選取細胞質(zhì)連通域面積的中值作為參考值R；

(5)對所有細胞質(zhì)連通域進行識別與計數(shù)。

進一步，步驟(1)具體包括：

讀入血涂片的高光譜圖像數(shù)據(jù)Data(2x，2y，λ)；

采用二次線性插值法對所述高光譜圖像數(shù)據(jù)中每個波段的圖像進行壓縮，獲取壓縮后的高光譜圖像數(shù)據(jù)Data’(x，y，λ)；

采用連續(xù)最大角凸錐方法對所述壓縮后的高光譜圖像數(shù)據(jù)Data’(x，y，λ)進行分解，獲取血涂片的n個端元的豐度圖I_j(x，y)(j＝1，2，...，n)。

進一步，步驟(2)具體包括：

采用大津法自適應(yīng)地分別獲取所述血涂片的n個端元的豐度圖I_j(x，y)(j＝1，2，...，n)的分割閾值T_j(j＝1，2，..，n)；

根據(jù)所述分割閾值T_j(j＝1，2，..，n)分別對所述n個端元的豐度圖I_j(x，y)(j＝1，2，..，n)進行二值化處理，并采用3×3大小的結(jié)構(gòu)元素進行數(shù)學(xué)形態(tài)學(xué)腐蝕運算去除細小噪聲點，獲取所述n個端元的豐度圖I_j(x，y)(j＝1，2，..，n)對應(yīng)的二值圖像B_j(x，y)(j＝1，2，..，n)。

進一步，步驟(3)具體包括：

對所述二值圖像B_j(x，y)(j＝1，2，..，n)分別進行取反操作，獲取反色二值圖像R_j(x，y)(j＝1，2，..，n)；

分別將所述反色二值圖像R_j(x，y)(j＝1，2，..，n)中最大連通域的像素值取反，其他連通域的像素值保持不變，獲取圖像R_j’(x，y)(j＝1，2，..，n)，對所述二值圖像B_j(x，y)(j＝1，2，..，n)及對應(yīng)的所述圖像R_j’(x，y)(j＝1，2，..，n)進行異或操作，獲得孔洞填充后的二值圖像B_j’(x，y)(j＝1，2，..，n)；

分別獲取所述孔洞填充后的二值圖像B_j’(x，y)(j＝1，2，..，n)中連通域的個數(shù)N_j(j＝1，2，..，n)以及最大連通域的面積S_j(j＝1，2，..，n)，并分別進行判斷，若N_j大于100以及S_j大于1000且小于4000，則所述孔洞填充后的二值圖像B_j’(x，y)為細胞質(zhì)二值圖像B_c(x，y)。

進一步，步驟(4)具體包括：

對所述細胞質(zhì)二值圖像B_c(x，y)中的細胞質(zhì)連通域進行標記，根據(jù)標記分別統(tǒng)計每個相應(yīng)標記區(qū)域的面積大小，并將面積大小的中值作為參考值R。

進一步，步驟(5)具體包括：

依次對所述細胞質(zhì)二值圖像B_c(x，y)中每個所述標記的細胞質(zhì)連通域的面積進行判斷；

若所述細胞質(zhì)連通域的面積小于0.5×R，則不進行計數(shù)；若大于0.5×R并小于1.9×R，記為單個細胞；若大于1.9×R，采用最小凸邊形進行擬合，若擬合凸邊形面積大于2.5×R，則記為兩個粘連細胞，否則記為單個細胞。

本發(fā)明提供的技術(shù)方案的有益效果是：本發(fā)明所提出的一種基于高光譜成像的粘連紅細胞自動計數(shù)方法，通過對高光譜圖像數(shù)據(jù)進行分解獲取主要端元的豐度圖，不同端元與血液中不同組分相關(guān)，有助于去除與計數(shù)無關(guān)的信息，進一步對豐度圖進行二值化處理和孔洞填充操作來自動提取細胞質(zhì)二值圖像，通過細胞質(zhì)的識別和對細胞質(zhì)大小的判別，解決了粘連細胞對計數(shù)結(jié)果的影響，提高了紅細胞自動計數(shù)結(jié)果的準確率。

附圖說明

圖1為本發(fā)明提供的一種基于高光譜成像的粘連紅細胞自動計數(shù)方法的流程圖；

圖2為本發(fā)明提供的孔洞填充操作流程圖；

圖3為本發(fā)明提供的細胞質(zhì)二值圖像選取流程圖；

圖4為本發(fā)明提供的粘連紅細胞識別流程圖；

圖5為本發(fā)明實施例的5個端元的豐度圖像；

圖6為本發(fā)明實施例的5個端元的二值圖像；

圖7為本發(fā)明實施例的經(jīng)過孔洞填充的5個端元的二值圖像；

圖8為本發(fā)明實施例的細胞質(zhì)二值圖像(a)及粘連紅細胞識別結(jié)果圖。

具體實施方式

為了更加清楚明白地說明本發(fā)明所述的技術(shù)手段、技術(shù)改進及有益效果，以下結(jié)合附圖對本發(fā)明進行詳細的說明。

本發(fā)明所提供的一種基于高光譜成像的粘連紅細胞自動計數(shù)方法，參見圖1、圖2、圖3和圖4，包括以下幾個步驟：

S101：讀入血涂片的高光譜圖像數(shù)據(jù)并進行壓縮，采用連續(xù)最大角凸錐方法對經(jīng)過壓縮處理的高光譜圖像數(shù)據(jù)進行分解，獲取血涂片預(yù)設(shè)數(shù)目端元的豐度圖。

該步驟具體為：

讀入血涂片的高光譜圖像數(shù)據(jù)Data(2x，2y，λ)；

采用二次線性插值法依次將所述高光譜圖像數(shù)據(jù)中每個波段圖像的行、列數(shù)壓縮為原來的一半，獲取壓縮后的高光譜圖像數(shù)據(jù)Data’(x，y，λ)；

采用連續(xù)最大角凸錐方法對所述壓縮后的高光譜圖像數(shù)據(jù)Data’(x，y，λ)進行分解，獲取血涂片的5個端元的豐度圖I_j(x，y)(j＝1，2，...，5)；

其中，預(yù)設(shè)數(shù)目n的選擇根據(jù)實際應(yīng)用中的需要進行設(shè)置，本發(fā)明實施例對此不做限制，此處以n＝5為例進行說明。

S102：結(jié)合大津法對所述血涂片預(yù)設(shè)數(shù)目端元的豐度圖分別進行二值化處理，并采用數(shù)學(xué)形態(tài)學(xué)方法腐蝕運算去除細小噪聲點，獲取預(yù)設(shè)數(shù)目端元豐度圖的二值圖像。

該步驟具體為：

采用大津法自適應(yīng)地分別獲取所述血涂片的5個端元的豐度圖I_j(x，y)(j＝1，2，...，5)的分割閾值T_j(j＝1，2，...，5)；

將所述5個端元豐度圖I_j(x，y)(j＝1，2，...，5)中每個像素點的像素值與分割閾值T_j(j＝1，2，...，5)進行比較，若像素點的像素值大于T_j(j＝1，2，...，5)，則將該像素點的像素值置為1，否則將該像素點的像素值置為0，分別獲取5個端元的豐度圖I_j(x，y)(j＝1，2，...，5)對應(yīng)的初始二值圖像O_j(x，y)(j＝1，2，...，5)；

采用3×3大小的正方形結(jié)構(gòu)元素分別對所述初始二值圖像O_j(x，y)(j＝1，2，...，5)進行數(shù)學(xué)形態(tài)學(xué)腐蝕運算去除細小噪聲點，獲取5個端元的豐度圖I_j(x，y)(j＝1，2，...，5)對應(yīng)的二值圖像B_j(x，y)(j＝1，2，...，5)。

S103：對所述預(yù)設(shè)數(shù)目端元豐度圖的二值圖像分別進行孔洞填充操作，并根據(jù)經(jīng)過孔洞填充后的各端元二值圖像中連通域的個數(shù)及最大連通域的大小選出細胞質(zhì)二值圖像。

該步驟具體為：

對所述二值圖像B_j(x，y)(j＝1，2，...，5)分別進行取反操作，獲取反色二值圖像R_j(x，y)(j＝1，2，...，5)；

采用連通域標記算法對所述反色二值圖像R_j(x，y)(j＝1，2，...，5)中的連通域分別進行標記，獲取標記的反色二值圖像L_j(x，y)(j＝1，2，...，5)，則二值圖像L_j(x，y)(j＝1，2，...，5)中第m_j個連通域中像素點的像素值就為m_j，其中m_j＝1，2，...，M_j；

分別統(tǒng)計所述標記的反色二值圖像L_j(x，y)(j＝1，2，...，5)中像素值為m_j的像素點的個數(shù)，記為Num(m_j)(m_j＝1，2，...，M_j)，并找出Num(m_j)(m_j＝1，2，...，M_j)中的最大值所對應(yīng)的像素點的像素值記為p_j；

將所述標記的反色二值圖像L_j(x，y)(j＝1，2，...，5)中像素值為p_j的像素點的像素值置為0，其余像素點的像素值保持不變，得二值圖像R_j’(x，y)(j＝1，2，...，5)；

對所述二值圖像B_j(x，y)(j＝1，2，...，5)及對應(yīng)的二值圖像R_j’(x，y)(j＝1，2，...，5)進行異或操作，獲得孔洞填充后的二值圖像B_j’(x，y)(j＝1，2，...，5)；

采用連通域標記算法對所述二值圖像B_j’(x，y)(j＝1，2，...，5)的連通域進行標記，獲取標記的二值圖像L_j’(x，y)(j＝1，2，...，5)，則所述標記的二值圖像L_j’(x，y)(j＝1，2，...，5)中第k_j個連通域中像素點的像素值就為k_j，其中k_j＝1，2，...，N_j，N_j(j＝1，2，...，5)即為所述二值圖像B_j’(x，y)(j＝1，2，...，5)中連通域的個數(shù)；分別統(tǒng)計所述標記的二值圖像L_j’(x，y)(j＝1，2，...，5)中像素值為k_j的像素點的個數(shù)，記為Num(k_j)(k_j＝1，2，...，N_j)，Num(k_j)(k_j＝1，2，...，N_j)中的最大值即為所述二值圖像B_j’(x，y)(j＝1，2，...，5)中最大連通域的面積，記為S_j；

若滿足N_j大于100以及S_j大于1000且小于4000，則所述孔洞填充后的二值圖像B_j’(x，y)(j＝1，2，...，5)為細胞質(zhì)二值圖像B_c(x，y)。

S104：對所述細胞質(zhì)二值圖像的細胞質(zhì)連通域進行標記與面積統(tǒng)計，選取細胞質(zhì)連通域面積的中值作為參考值R。

該步驟具體為：

采用連通域標記算法對所述細胞質(zhì)二值圖像B_c(x，y)中的每個細胞質(zhì)連通域進行標記，獲取標記的細胞質(zhì)二值圖像L_c(x，y)，則L_c(x，y)中第m_c個細胞質(zhì)連通域中的像素點的像素值即為m_c，其中m_c＝1，2，...，M_c；

統(tǒng)計所述標記的細胞質(zhì)二值圖像L_c(x，y)中像素值為m_c的像素點的個數(shù)Num(m_c)(m_c＝1，2，...，M_c)；

取所述統(tǒng)計的像素值為m_c的像素點的個數(shù)Num(m_c)(m_c＝1，2，...，M_c)的中值，作為細胞質(zhì)面積的參考值R。

S105：對所有細胞質(zhì)連通域進行識別與計數(shù)。

該步驟具體為：

依次將所述統(tǒng)計的像素值為m_c的像素點的個數(shù)Num(m_c)(m_c＝1，2，...，M_c)與所述細胞質(zhì)面積的參考值R進行比較；

若所述像素點的個數(shù)Num(m_c)(m＝1，2，...，M’)小于0.5×R，則不進行計數(shù)；若大于0.5×R并小于1.9×R，記為單個細胞；

若所述像素點的個數(shù)Num(m_c)(m_c＝1，2，...，M_c)大于1.9×R，采用形態(tài)學(xué)圖像處理中的凸殼算法對Num(m_c)(m_c＝1，2，...，M_c)對應(yīng)的細胞質(zhì)連通域進行最小凸邊形擬合，并統(tǒng)計該擬合凸邊形的面積S_c，若S_c＞2.5×R，記為兩個細胞，否則記為一個細胞。

圖5為本發(fā)明實施例的5個端元的豐度圖，分別對應(yīng)空白區(qū)域(a)、污點(b)、其它(c)、細胞壁(d)和細胞質(zhì)(e)。

圖6為本發(fā)明實施例的5個端元的二值圖像。

圖7為本發(fā)明實施例的孔洞填充后的5個端元的二值圖像。

圖8為本發(fā)明實施例的孔洞填充后的細胞質(zhì)二值圖像(a)和對應(yīng)的細胞質(zhì)識別結(jié)果(b)-(d)，其中(b)中的連通域為不進行計數(shù)的細胞質(zhì)，(c)中的連通域為識別為一個紅細胞的細胞質(zhì)，(d)中的連通域為識別為兩個紅細胞的細胞質(zhì)，可以看到，紅細胞識別效果較好。

綜上所述，本發(fā)明提供的技術(shù)方案的有益效果是：本發(fā)明所提出的一種基于高光譜成像的粘連紅細胞自動計數(shù)方法，通過對高光譜圖像數(shù)據(jù)進行分解獲取主要端元的豐度圖，由于不同端元與血液中不同組分相關(guān)，有助于去除與計數(shù)無關(guān)的信息，進一步對豐度圖進行二值化處理和孔洞填充操作來自動提取細胞質(zhì)二值圖像，通過統(tǒng)計細胞質(zhì)連通域的個數(shù)、細胞質(zhì)大小，以及對統(tǒng)計值進行操作達到對細胞質(zhì)的間接識別，解決了粘連細胞對計數(shù)結(jié)果的影響，提高了紅細胞自動計數(shù)結(jié)果的準確率。根據(jù)不同的應(yīng)用背景，本發(fā)明經(jīng)過適當(dāng)?shù)男薷耐瑯舆m用于其他相關(guān)圖像處理領(lǐng)域。

以上所述僅為本發(fā)明的較佳實施例，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、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。