【正文】 微細(xì)胞圖像預(yù)處理二值圖像的區(qū)域標(biāo)定，并獲得連通區(qū)域像素個(gè)數(shù)獲得正常紅細(xì)胞大小重疊細(xì)胞處理得到計(jì)數(shù)結(jié)果并作驗(yàn)證 成熟紅細(xì)胞計(jì)數(shù)流程圖MATLAB演示程序見(jiàn)附錄D,關(guān)于流程的幾點(diǎn)說(shuō)明： 成熟紅細(xì)胞原始圖像： 成熟紅細(xì)胞顯微圖像 基于形態(tài)學(xué)的顯微細(xì)胞圖像處理流程已在本文第三章第三節(jié)給出了介紹，本章直接使用，： 圖像處理后的成熟紅細(xì)胞二值圖像對(duì)二值圖像做區(qū)域處理時(shí)，選用8連通，并獲得連通區(qū)域像素個(gè)數(shù)并計(jì)算區(qū)域的平均值avr，得到結(jié)果為793。此種細(xì)胞正常1%~2%。(3)球形紅細(xì)胞：體積較小，圓形、中央濃染似球形，直徑小，5~，厚度2μm；正常血片僅見(jiàn)3%~4%，如20%有意義，見(jiàn)于自身免疫性溶血性貧血及遺傳性球形細(xì)胞增多癥。見(jiàn)于缺鐵、慢性病貧血、繼發(fā)貧、珠蛋白生成障礙性貧血。見(jiàn)于溶血、巨幼貧、MDS、混合性貧血。因此，密切觀察成熟紅細(xì)胞形態(tài)結(jié)構(gòu)有否異常，對(duì)紅系疾病診斷及鑒別診斷意義極大。血小板壽命約7～14天。血小板的表面糖衣能吸附血漿蛋白和凝血因子Ⅲ，血小板顆粒內(nèi)含有與凝血有關(guān)的物質(zhì)。在血涂片中，血小板常呈多角形，聚集成群。無(wú)粒白細(xì)胞有單核細(xì)胞和淋巴細(xì)胞兩種。血液中白細(xì)胞的數(shù)值可受各種生理因素的影響，如勞動(dòng)、運(yùn)動(dòng)、飲食及婦女月經(jīng)期，均略有增多。白細(xì)胞(leukocyte)白細(xì)胞為無(wú)色有核的球形細(xì)胞，體積比紅細(xì)胞大，能作變形運(yùn)動(dòng)，具有防御和免疫功能。紅細(xì)胞的數(shù)目及血紅蛋白的含量可有生理性改變，如嬰兒高于成人，運(yùn)動(dòng)時(shí)多于安靜狀態(tài)，高原地區(qū)居民大都高于平原地區(qū)居民，紅細(xì)胞的形態(tài)和數(shù)目的改變、以及血紅蛋白的質(zhì)和量的改變超出正常范圍，則表現(xiàn)為病理現(xiàn)象。以哺乳動(dòng)物來(lái)說(shuō)，血細(xì)胞主要含下列三部分：紅細(xì)胞：主要的功能是運(yùn)送氧；白細(xì)胞：主要扮演了免疫的角色；血小板：止血過(guò)程中起著重要作用。根據(jù)以上醫(yī)學(xué)知識(shí)，本章的第二節(jié)開(kāi)始介紹本課題對(duì)顯微細(xì)胞圖像形態(tài)分析獲得的結(jié)果。研究結(jié)果如下圖： (a)形態(tài)學(xué)填充 (b) 連續(xù)開(kāi)閉后得到最終的二值圖像 (b)做處理，MATLAB演示程序見(jiàn)附錄C，得到結(jié)果如下圖。MATLAB演示程序見(jiàn)附錄B，根據(jù)曲線(xiàn)擬合的思想，對(duì)灰度等級(jí)分段處理，用各小段的最大值來(lái)描述灰度直方圖的變化趨勢(shì)。MATLAB演示程序見(jiàn)附錄A。在MATLAB中調(diào)用ind2gray函數(shù)，開(kāi)始本課題的研究。而且，常常由于邊緣模糊，多個(gè)細(xì)胞重疊等問(wèn)題使圖像分析陷入窘境。本研究采用的是形態(tài)學(xué)開(kāi)閉濾波，該方法能更好地消除細(xì)胞周?chē)慕符}噪聲以及細(xì)胞上的小孔，(b)(a)進(jìn)行形態(tài)學(xué)濾波后的結(jié)果圖像。實(shí)際上，由于等距離問(wèn)題，經(jīng)常會(huì)出現(xiàn)不連續(xù)的線(xiàn)段或過(guò)分割現(xiàn)象。 測(cè)地影響區(qū)及SKIZ 傳統(tǒng)的流域算法分析利用測(cè)地形態(tài)學(xué)運(yùn)算，分割二值圖像的基本過(guò)程為：首先，對(duì)二值圖Y做距離變換或極限腐蝕，得到代表重疊細(xì)胞的幾何中心區(qū)，形成的二值圖為原二值圖的子集，設(shè)為集合X。 xy之間的虛線(xiàn)為歐氏距離，實(shí)線(xiàn)為測(cè)地距離。在腐蝕不斷作用的過(guò)程中，不連續(xù)的區(qū)域會(huì)不斷產(chǎn)生，與此同時(shí)，某些區(qū)域又會(huì)不斷消失。這種變換涉及到形態(tài)學(xué)中測(cè)地學(xué)的幾個(gè)概念，分別是極限腐蝕、測(cè)地距離、測(cè)地影響區(qū)和測(cè)地影響區(qū)骨架。 流域變換的基本原理流域變換方法用在檢測(cè)與標(biāo)示具有連通或相似灰度的目標(biāo)圖像。由于細(xì)胞圖像的復(fù)雜性，目前尚無(wú)一種能夠適用于所有細(xì)胞圖像的分割算法。因此，用本文中研究的基于形態(tài)學(xué)重構(gòu)的細(xì)胞圖像邊緣效果較好[16]。①，只能表現(xiàn)出小部分細(xì)胞核邊界，而且邊緣不連續(xù)。（1，1）的最小偏移量，能夠最大程度保留細(xì)節(jié)，（3，3）的偏移量值，效果較好。不同形狀的結(jié)構(gòu)元素對(duì)邊界特征的感應(yīng)不同：小尺寸的結(jié)構(gòu)元素去噪聲能力弱，但能檢測(cè)到好的邊緣細(xì)節(jié)；大尺寸的結(jié)構(gòu)元素去噪聲能力強(qiáng)，但檢測(cè)的邊緣較粗?；叶葓D像的閉重構(gòu)運(yùn)算可由下式表示: 其中，圖像I通過(guò)有限次腐蝕迭代運(yùn)算被標(biāo)識(shí)圖像J重構(gòu)。經(jīng)過(guò)二值開(kāi)重構(gòu)濾波后,圖像中的連通部分或者被完全去除或者被完整保持。2.創(chuàng)建結(jié)構(gòu)元素：B=ones（3）。另一幅圖像是掩膜（mask），用來(lái)約束變換過(guò)程。同樣也能創(chuàng)建演示圖形，并可以更改默認(rèn)的格式，添加描述性標(biāo)簽、題目、圖例等其它有助于說(shuō)明數(shù)據(jù)的的標(biāo)注。 統(tǒng)計(jì)工具箱統(tǒng)計(jì)工具箱(Statistics Toolbox)(函數(shù)),下面舉例其中幾個(gè)主要支持的內(nèi)容：概率分布：提供了20種概率分布，包含離散和連續(xù)分布，且每種分布提供了5個(gè)有用的函數(shù)，即概率密度函數(shù)、累積分布函數(shù)、逆累積分布函數(shù)、隨機(jī)產(chǎn)生器與方差計(jì)算函數(shù)。紋理分析是指，根據(jù)圖像的紋理內(nèi)容獲得區(qū)域的特征值，包括粗糙度、亮度以及像素強(qiáng)度在空間的變化情況等。39。)結(jié)果顯示： 可以用不同的顏色來(lái)區(qū)別二值圖像中的目標(biāo)②返回二值圖像的歐拉數(shù)(the Euler Number of a Binary Image) 對(duì)圖像進(jìn)行拓?fù)涔烙?jì)時(shí)，經(jīng)常會(huì)使用到一個(gè)量——?dú)W拉數(shù)。k39。 1 1 1 0 0 0 1。1 1 1 0 1 1 0 0。設(shè)A是原始圖像，B是結(jié)構(gòu)元素圖像，則集合A被結(jié)構(gòu)元素B作開(kāi)運(yùn)算，記為，其定義為：， ()就是A被B腐蝕后的結(jié)果再被B膨脹。其中，SE是函數(shù)strel得到的結(jié)構(gòu)元素；NHOOD是一個(gè)只包含0和1作為元素值的矩陣，用于表示自定義形狀的結(jié)構(gòu)元素；PACKOPT和PADOPT是兩個(gè)優(yōu)化因子，分別可以取值”ispacked”、”notpacked”、”same”和”full”，用來(lái)指定輸入圖像是否為壓縮的二值圖像和輸出圖像的大小。 數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算及實(shí)現(xiàn)①膨脹：A， B 為 中的集合，為空集，A被B的膨脹，記為AB，為膨脹算子，膨脹的定義為:， ()（21）式表明的膨脹過(guò)程是B首先做關(guān)于原點(diǎn)的映射，然后平移x。工具箱支持廣泛的圖像處理操作，包括：空間圖像轉(zhuǎn)變形態(tài)學(xué)操作領(lǐng)域和塊操作線(xiàn)性濾波器和濾波器設(shè)計(jì)圖像轉(zhuǎn)換圖像分析與增強(qiáng)圖像恢復(fù)圖像清晰化感興趣區(qū)域操作許多工具函數(shù)是MATLAB的M文件，介紹了一系列專(zhuān)門(mén)的圖像處理算法。同時(shí)MATLAB具有其他高級(jí)語(yǔ)言難以比擬的一些優(yōu)點(diǎn)：編寫(xiě)簡(jiǎn)單、效率高、易懂易學(xué)，在信號(hào)處理、通信、自動(dòng)化控制及科學(xué)計(jì)算等另也中被廣泛的應(yīng)用。醫(yī)學(xué)細(xì)胞圖像定量分析也已應(yīng)用于病理診斷、病理管理系統(tǒng)、癌變分級(jí)分類(lèi)等多方面的醫(yī)學(xué)研究領(lǐng)域，細(xì)胞學(xué)診斷是進(jìn)行臨床疾病診斷的重要手段。如果將錄像存儲(chǔ)邊緣化，雖然可以減少視頻流的數(shù)量，緩減承載網(wǎng)壓力，但分散的錄像數(shù)據(jù)將給錄像的管理帶來(lái)很大的麻煩，錄像數(shù)據(jù)的安全性也將大大降低。結(jié)合醫(yī)學(xué)形態(tài)學(xué)和圖像形態(tài)學(xué)的雙重概念，把計(jì)算機(jī)圖像處理與分析技術(shù)應(yīng)用到醫(yī)學(xué)領(lǐng)域，在臨床診斷和治療中會(huì)起到重要的作用。因此我們要在目前已經(jīng)建立的廣泛醫(yī)院聯(lián)系基礎(chǔ)上，進(jìn)一步與相關(guān)醫(yī)生進(jìn)行溝通，把醫(yī)生經(jīng)驗(yàn)合理地結(jié)合到自動(dòng)化分析技術(shù)中。 課題研究的技術(shù)路線(xiàn)與技術(shù)難點(diǎn)本課題的研究從顯微細(xì)胞圖像的目標(biāo)檢測(cè)入手，通過(guò)基于數(shù)學(xué)形態(tài)學(xué)的醫(yī)學(xué)圖像處理技術(shù)，提出顯微細(xì)胞特征的形態(tài)學(xué)處理方法，并做形態(tài)學(xué)參數(shù)統(tǒng)計(jì)及診斷初步嘗試。主要研究?jī)?nèi)容如下：①圖像預(yù)處理：用基于數(shù)學(xué)形態(tài)學(xué)圖像處理方法，研究邊緣檢測(cè)技術(shù)、圖像分割等技術(shù)，以解決由染色、光照條件產(chǎn)生的圖像質(zhì)量問(wèn)題，以及細(xì)胞連接、重疊等問(wèn)題；②特征提?。褐饕谦@得血細(xì)胞形態(tài)特征的定量參數(shù)[15]。最后,利用圖像中的極值點(diǎn)與物體間的對(duì)應(yīng)關(guān)系,逐級(jí)提取圖像中包含的物體來(lái)得到分層級(jí)的表示,并用區(qū)域在不同尺度下熵的變化來(lái)決定尺度樹(shù)的構(gòu)成,從而完成了彩色圖像的分割。為了對(duì)彩色圖像進(jìn)行快速有效的分割,提出了一種用于分割彩色圖像的多尺度形態(tài)學(xué)算法。針對(duì)Canny圖像分割算法容易出現(xiàn)目標(biāo)邊緣斷裂和粘連現(xiàn)象，根據(jù)數(shù)學(xué)形態(tài)學(xué)中開(kāi)閉運(yùn)算的性能，結(jié)合目標(biāo)基本形狀特征，提出了多結(jié)構(gòu)元多層次圖像分割后處理算法。為了實(shí)現(xiàn)對(duì)免疫細(xì)胞圖象的分析,首先要對(duì)該種圖象進(jìn)行正確分割,針對(duì)這一要求,利用直方圖勢(shì)函數(shù)來(lái)提取標(biāo)記點(diǎn),并將這些標(biāo)記點(diǎn)作為種子點(diǎn)來(lái)對(duì)梯度圖進(jìn)行Watershed變換,該方法不僅解決了細(xì)胞在參數(shù)測(cè)量前的精確分割問(wèn)題,同時(shí),為水域分割的關(guān)鍵步驟——種子點(diǎn)的選取找到了一種有效而可靠的方法,實(shí)踐表明,分割的結(jié)果與目視感受相一致,且其分割速度及可重復(fù)性都達(dá)到了醫(yī)學(xué)臨床的要求.③基于形態(tài)學(xué)約束的BSnake模型的細(xì)胞圖像自動(dòng)分割方法[12]。下面介紹現(xiàn)階段普遍研究的幾種圖像分割的概況：①基于形態(tài)學(xué)重構(gòu)運(yùn)算的醫(yī)學(xué)圖像分割[10]。醫(yī)學(xué)圖像分割可以提取出準(zhǔn)確的、可重復(fù)的、量化的病理生理數(shù)據(jù)，滿(mǎn)足不同的生物醫(yī)學(xué)研究和臨床應(yīng)用的需要。簡(jiǎn)而言之，圖像分割就是指根據(jù)某種勻性或一致性的原則將圖像分成若干個(gè)有意義的部分，使得每一部分都符合種一致性的要求，而任意兩個(gè)相鄰部分的合并都會(huì)破壞這種一致性。該方法能夠修正形態(tài)學(xué)的簡(jiǎn)單開(kāi)閉運(yùn)算帶來(lái)的弱點(diǎn)，通過(guò)重構(gòu)運(yùn)算以及多結(jié)構(gòu)元素的構(gòu)建，能夠很好地濾除偽邊界，得到較為滿(mǎn)意的細(xì)胞圖像輪廓。在深入研究柔性數(shù)學(xué)形態(tài)學(xué)邊緣檢測(cè)算法的基礎(chǔ)上,提出比傳統(tǒng)柔性形態(tài)學(xué)膨脹和腐蝕算子具有更強(qiáng)魯棒性的柔性形態(tài)學(xué)膨脹和腐蝕算子,在此基礎(chǔ)上提出柔性形態(tài)學(xué)梯度邊緣檢測(cè)算法,實(shí)驗(yàn)證明了該算法對(duì)噪聲特別是脈沖噪聲有很強(qiáng)的抑制作用,并能很好地檢測(cè)出圖像的邊緣信息。③基于多結(jié)構(gòu)元素形態(tài)學(xué)的圖像邊緣檢測(cè)算法[7]。該方法能夠有效地去噪，檢測(cè)圖像中的細(xì)節(jié)，定位準(zhǔn)確，并且計(jì)算量小，效率高。圖像普遍存在噪聲。數(shù)學(xué)形態(tài)學(xué)的主要用途是獲取物體拓?fù)浜徒Y(jié)果信息，它通過(guò)物體和結(jié)構(gòu)元素相互作用的某些運(yùn)算得到物體的本質(zhì)形態(tài)。(膨脹與腐蝕)、開(kāi)運(yùn)算閉運(yùn)算是數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)。它最顯著的特點(diǎn)是直接處理圖像表面的幾何形狀，具有快速、健壯和精確性的特征[3]。利用數(shù)學(xué)形態(tài)學(xué)對(duì)物體幾何結(jié)構(gòu)的分析過(guò)程就是主客體相互逼近的過(guò)程。由于形態(tài)學(xué)具有完備的數(shù)學(xué)基礎(chǔ)，這為形態(tài)學(xué)用于圖像分析和處理、形態(tài)濾波器的特性分析和系統(tǒng)設(shè)計(jì)奠定了堅(jiān)實(shí)的基礎(chǔ)，尤其突出的是實(shí)現(xiàn)了形態(tài)學(xué)分析和處理算法的并行，大大提高了圖像分析和處理的速度?，F(xiàn)如今，細(xì)胞和組織形態(tài)特征的分析一直是研究生物細(xì)胞學(xué)和病理學(xué)的主要手段。 形態(tài)學(xué)一般指生物學(xué)中研究動(dòng)物和植物結(jié)構(gòu)的一個(gè)分支。1 緒論 前言 近年來(lái)，醫(yī)學(xué)圖像在協(xié)助醫(yī)生診斷與提高診斷精度方面發(fā)揮了越來(lái)越重要的作用，醫(yī)生對(duì)圖像診斷的需求也日益增加。而本課題的研究勢(shì)必是實(shí)現(xiàn)這一目標(biāo)的必經(jīng)之路，為最終實(shí)現(xiàn)這一目標(biāo)做出基礎(chǔ)性前瞻性的理論研究。課題所提及的形態(tài)學(xué)是指，用數(shù)學(xué)形態(tài)學(xué)的圖像處理方法，結(jié)合醫(yī)學(xué)形態(tài)學(xué)知識(shí)，分析顯微細(xì)胞圖像的形態(tài)特征，本項(xiàng)目的研究即以此展開(kāi)。 數(shù)學(xué)形態(tài)學(xué)數(shù)學(xué)形態(tài)學(xué)(Mathematical Morphology)[2]是近幾年來(lái)發(fā)展迅速的一門(mén)建立在嚴(yán)格數(shù)學(xué)理論基礎(chǔ)上的新興的學(xué)科，以幾何特性和結(jié)構(gòu)特性的定量描述與分析為其主要研究?jī)?nèi)容，是一種應(yīng)用于圖像處理和模式識(shí)別領(lǐng)域的新的方法，是一門(mén)建立在嚴(yán)格的數(shù)學(xué)理論基礎(chǔ)上而又密切聯(lián)系實(shí)際的科學(xué)。用于描述數(shù)學(xué)形態(tài)學(xué)的語(yǔ)言是集合論，因此，它可以提供一個(gè)統(tǒng)一而強(qiáng)大的工具來(lái)處理圖像處理中所遇到的問(wèn)題。例如，在圖像恢復(fù)處理中，基于數(shù)學(xué)形態(tài)學(xué)的形態(tài)濾波器可借助于先驗(yàn)的幾何特征信息，利用形態(tài)學(xué)算子有效的濾除噪聲，又可以保留圖像中的原有信息。結(jié)構(gòu)元素可直接攜帶知識(shí)(形態(tài)、大小、以及灰度和色度信息)來(lái)探測(cè)所研究圖像的結(jié)構(gòu)特點(diǎn)，借助于不同形狀的結(jié)構(gòu)元素與圖像間的一系列結(jié)構(gòu)變換來(lái)處理和分析圖像。所謂邊緣(或邊沿)是指其周?chē)袼鼗叶扔须A躍變化或屋頂變化的那些象素的集合,邊緣檢測(cè)是圖像工程的一個(gè)重要內(nèi)容。邊緣檢測(cè)的難題是檢測(cè)精度與抗噪性能之間的矛盾。對(duì)數(shù)學(xué)形態(tài)學(xué)中的腐蝕和膨脹的原理和中值濾波除噪應(yīng)用進(jìn)行研究，針對(duì)二值化圖像把中值濾波與腐蝕相結(jié)合研究一種邊緣檢測(cè)的方法，通過(guò)仿真實(shí)現(xiàn)，得到滿(mǎn)意的效果。然后進(jìn)行形態(tài)結(jié)構(gòu)元素尺度調(diào)整,綜合各尺度下的邊緣特征,得到了噪聲存在條件下較為理想的圖像邊緣,實(shí)驗(yàn)證明了該算法的可行性和有效性。④基于柔性形態(tài)學(xué)的梯度邊緣檢測(cè)算法[8]。⑥基于形態(tài)學(xué)重構(gòu)運(yùn)算的細(xì)胞圖像邊緣檢測(cè)。為了辨識(shí)和分圖像中的目標(biāo)，需要將它們從圖像中分離提取出來(lái)，在此基礎(chǔ)上才有可能進(jìn)步對(duì)目標(biāo)進(jìn)行測(cè)量和對(duì)圖像進(jìn)行處理。盡管現(xiàn)代成像設(shè)備提供了對(duì)內(nèi)部解剖結(jié)構(gòu)的優(yōu)越的觀察條件，使用計(jì)算機(jī)技術(shù)對(duì)內(nèi)部解剖結(jié)構(gòu)進(jìn)行精確而有效的量化和分析在目前仍然是有限的。由于醫(yī)學(xué)圖像實(shí)際獲取條件的不同，引起測(cè)量上的不精確性和不確定性，造成醫(yī)學(xué)圖像數(shù)據(jù)非常復(fù)雜，這使得醫(yī)學(xué)圖像分割具有特別的復(fù)雜性。②基于數(shù)學(xué)形態(tài)學(xué)的免疫細(xì)胞圖象分割[11]。④一種基于數(shù)學(xué)形態(tài)學(xué)的多結(jié)構(gòu)元圖像分割算法[13]。⑤一種形態(tài)學(xué)彩色圖像多尺度分割算法[14]。然后采用頂點(diǎn)塌縮算法實(shí)現(xiàn)的彩色形態(tài)學(xué)開(kāi)閉算子生成了所需的非線(xiàn)性尺度空間。在本課題的研究中，顯微細(xì)胞圖像特指血細(xì)胞圖像，即研究血液細(xì)胞的形態(tài)特征。由于時(shí)間有限，該課題還有很多深入的內(nèi)容有待探索，本人將在未來(lái)的時(shí)間里繼續(xù)進(jìn)行研究。詳細(xì)的細(xì)胞學(xué)圖譜和真正實(shí)用的各類(lèi)顯微細(xì)胞圖像，對(duì)本項(xiàng)目的研究非常重要，勢(shì)必影響研究結(jié)果的推廣意義。醫(yī)學(xué)形態(tài)學(xué)的圖像化是本課題研究的又一個(gè)創(chuàng)新點(diǎn)。中央錄像服務(wù)器管理方便，安全可靠，但因?yàn)殇浵耠S時(shí)進(jìn)行，數(shù)據(jù)流量大，對(duì)承載網(wǎng)帶來(lái)很大壓力。 國(guó)內(nèi)外同類(lèi)課題研究現(xiàn)狀近幾年來(lái)隨著醫(yī)學(xué)影像技術(shù)和設(shè)備的不斷發(fā)展，國(guó)內(nèi)外專(zhuān)家學(xué)者將數(shù)字圖像處理應(yīng)用于醫(yī)學(xué)領(lǐng)域，紛紛研制開(kāi)發(fā)出了一些實(shí)