【正文】 區(qū)分開來。本論文首先對基于形態(tài)學(xué)重構(gòu)的邊緣檢測算法及基于形態(tài)學(xué)的流域分割算法做出了研究，并基于數(shù)學(xué)形態(tài)學(xué)的理論，總結(jié)了一套完整的基于形態(tài)學(xué)的顯微細(xì)胞圖像處理方法。同時要概況出文獻(xiàn)中介紹方法的特點以及優(yōu)缺點，以便學(xué)習(xí)和改進(jìn)；(2) 研究的過程中，遇到難題是不可避免的，一定要做深入思考。附錄A 最大方差法求閾值[I1,map]=imread(39。%function th=thresh_md(I2)。 %計算圖像平均灰度u=0。39。 %返回圖像矩陣I2各個灰度等級像素個數(shù)for i=1:256 A(i,1)=i A(i,2)=count(i)endx=[A(:,1)]。grid %下面開始擬合%為確定閾值做的數(shù)據(jù)篩選[I1,map]=imread(39。count=imhist(I2)。.39。figure。%figure。holes39。figure。imshow(D1,[])。imshow(J)。imshow(bw1)。 %初步取得細(xì)胞個數(shù),認(rèn)為8連通 %得到Number初值為169Array = bwlabel(bw2,8)。endavr=num_all/Number。(Sum([i])=(*avr)) n=n+3。 end endy=[]。[x,y]=size(I)。 %判斷是否為垂直方向連續(xù)的周長像素點 if((p2p1)==1) ny=ny+1。%計算周長像素點的總數(shù)nd=snnxny。%計算矩度E=min(H,W)/max(H,W)。同時，陳老師嚴(yán)謹(jǐn)求實的治學(xué)態(tài)度，高度的敬業(yè)精神，兢兢業(yè)業(yè)、孜孜以求的工作作風(fēng)和大膽創(chuàng)新的進(jìn)取精神成為我學(xué)習(xí)的榜樣。在陳老師的悉心指導(dǎo)下，經(jīng)過近一年的學(xué)習(xí)與研究，我已從一個外行慢慢的融入到了課題研究中，學(xué)到了許多新的知識以及如何開展研究的方法。%計算面積C=(L*L)/(4*pi*A)。 end p1=p2。ny=0。)。for i=1:Number if Sum([i])(*avr) s=s+1。(Sum([i])=(*avr)) n=n+2。 %將元素個數(shù)存入Sum數(shù)組endnum_all=0。imshow(bw2)。)。 %把索引圖像轉(zhuǎn)變?yōu)榛叶葓D像%imhist(J)。D1=bwdist(~bw1)。,4)。imshow(bw1)。)。z=x39。figure。%figure。.39。imhist(I2)。th=tp+p。 %p和q分別為灰度起始和結(jié)束值p=st。figure。由于本課題研究內(nèi)容涉及計算機(jī)圖形學(xué)、數(shù)學(xué)、統(tǒng)計學(xué)、醫(yī)學(xué)診斷等多門學(xué)科，研究內(nèi)容復(fù)雜，所以為了能真正開發(fā)出能提高醫(yī)學(xué)診斷效率與準(zhǔn)確率的圖像自動分析與識別系統(tǒng)，未來還有很多工作等著去完成?，F(xiàn)將自己的研究心得分享一下幾點，以供閱讀者參考同時也可以時常提醒自己，引起關(guān)注。認(rèn)真學(xué)習(xí)了數(shù)學(xué)形態(tài)學(xué)的基本理論，該理論在圖像處理中的應(yīng)用正是現(xiàn)階段圖像處理研究的熱門話題。當(dāng)圖像給定后，即可求出物體的最小外接矩形(MER)，而反映物體矩形度的一個參數(shù)是矩形擬合因子RR = Ao/Ar其中，Ao是物體的面積，Ar是物體最小外接矩形的面積。 下面先簡單的介紹用于邊緣跟蹤的鏈碼技術(shù)：邊界跟蹤采用的是鏈碼技術(shù)，即先依某種規(guī)則找出一個邊界點，然后以該點為中心，再去找其他的邊界點，因為此時鏈碼規(guī)定的就是從當(dāng)前邊界點走到下一個邊界點這一步驟必須采用的方向。 重疊處理。(5)淚滴狀紅細(xì)胞：形狀類似淚滴狀，但血紅蛋白飽滿，與缺鐵性貧血，梨形紅細(xì)胞不同，此細(xì)胞增多提示骨髓纖維化。見于巨幼貧、混合性貧血、紅白血病、MDS。 成熟紅細(xì)胞形態(tài)的病理性及臨床意義一般來講，成熟紅細(xì)胞是原始、幼紅細(xì)胞發(fā)育成熟的階段。電鏡下，血小板的膜表面有糖衣，細(xì)胞內(nèi)無核，但有小管系、線粒體、微絲和微管等細(xì)胞器，以及血小板顆粒和糖原顆粒等。光鏡下，根據(jù)白細(xì)胞胞質(zhì)有無特殊顆粒，可將其分為有粒白細(xì)胞和無粒白細(xì)胞兩類。此時常伴有紅細(xì)胞的直徑及形態(tài)的改變，如大紅細(xì)胞貧血的紅細(xì)胞平均直徑9μm，小紅細(xì)胞貧血的紅細(xì)胞平均直徑6μm。再根據(jù)研究獲得的數(shù)據(jù)，做出簡單的診斷嘗試，以驗證本課題研究的實際意義。 形態(tài)學(xué)濾波根據(jù)理論學(xué)習(xí)與研究，用基于數(shù)學(xué)形態(tài)學(xué)的圖像預(yù)處理方法，對顯微細(xì)胞二值圖像作連續(xù)的形態(tài)學(xué)開閉運算及填充等形態(tài)學(xué)濾波運算，可以成功的解決由于染色產(chǎn)生的斑點、噪聲及偽邊界等問題。其基本思想是對像素進(jìn)行劃分，通過使劃分得到的各類之間的距離達(dá)到最大值，來確定閾值。由圖可見，使用該算法進(jìn)行重疊細(xì)胞分割，能得到較好的分割結(jié)果。此算法既能獲取重疊區(qū)域的分界線，又基本保存了原細(xì)胞輪廓不變，并且自動完成全過程。所有最終的連通成分并稱為相對半徑r的極限腐蝕。對二值圖像應(yīng)用流域概念時，人們引入了距離函數(shù)d(x)。目前人們提出了多種細(xì)胞圖像分割方法。 偏移量[1,1]結(jié)構(gòu)元素 偏移量[2,2]結(jié)構(gòu)元素 OFFSET[1,1]重構(gòu)效果 OFFSET[2,2]重構(gòu)效果 權(quán)重W=3的正方形結(jié)構(gòu)元素 基于形態(tài)學(xué)重構(gòu)的邊緣檢測算法設(shè)計如下： 實驗結(jié)果如下圖： 本文原始圖像 形態(tài)學(xué)重構(gòu)算法檢測效果經(jīng)典邊緣檢測結(jié)果如下： Sobel算子檢測效果 高斯拉普拉斯算子檢測效果 Canny算子檢測效果 Prewitt算子檢測邊緣效果 研究結(jié)果與分析采用雙結(jié)構(gòu)元素的連續(xù)開閉重構(gòu)算法來測試細(xì)胞圖像的邊緣檢測效果。n次迭代運算的開閉連續(xù)濾波用下式表示：n次迭代運算的閉開連續(xù)濾波用下式表示:其中正整數(shù)n表示結(jié)構(gòu)元素b的比例縮放因子。標(biāo)記必須是的一個子集，即。3 基于形態(tài)學(xué)的顯微細(xì)胞圖像處理 基于形態(tài)學(xué)重構(gòu)的邊緣檢測技術(shù) 形態(tài)學(xué)重構(gòu)的基本理論灰度圖像形態(tài)學(xué)重構(gòu)運算重構(gòu)是一種涉及到兩幅圖像和一個結(jié)構(gòu)元素（而不是單幅圖像和一個結(jié)構(gòu)元素）的形態(tài)變換。當(dāng)圖像中對象的紋理特點較灰度信息更突出時，紋理分析比傳統(tǒng)的閾值技術(shù)使用效果更突出。在模式識別中，經(jīng)常用歐拉數(shù)進(jìn)行聚類分析。 1 1 1 0 0 0 0 0]X = bwlabel(BW,4)。開運算和閉運算是關(guān)于集合補和反轉(zhuǎn)的對偶，即： ()開、閉運算的MATLAB實現(xiàn)：BW2=bwmorph(BW,’open’,n)BW2=bwmorph(BW,’close’,n)n表示反復(fù)執(zhí)行的次數(shù)。集合B在膨脹操作中通常被稱為結(jié)構(gòu)元素。下面將簡單介紹相下MATLAB幫助向?qū)е械膱D像處理工具箱，重點介紹它在本課題研究中應(yīng)用到的內(nèi)容。未來的視頻監(jiān)控系統(tǒng)要在錄像存儲方面進(jìn)行合理的結(jié)構(gòu)設(shè)計，才能滿足實際的錄像要求?，F(xiàn)階段，已經(jīng)提出很多圖像處理的算法，但始終未能找到一個最優(yōu)解，來處理不同種類的受不同情況影響的圖像，本項目的研究，將試圖找到一種或歸納處幾種算法，使得每一種算法在醫(yī)學(xué)顯微細(xì)胞圖像處理領(lǐng)域的的應(yīng)用具有普遍性，這是本課題研究的一個創(chuàng)新點。③聯(lián)系醫(yī)學(xué)上的診斷意義：除了做以上理論上的探索外，本課題研究最后還將嘗試把獲得的形態(tài)參數(shù)結(jié)合到醫(yī)學(xué)診斷中，以驗證本課題研究的實際意義。接著,基于HSV空間中的色彩全序關(guān)系,定義了彩色形態(tài)算子。實驗結(jié)果表明,該方法能有效地分離重疊細(xì)胞,并能準(zhǔn)確定位細(xì)胞的完整邊界。圖像分割過程是對醫(yī)學(xué)圖像進(jìn)行對象提取、定量分析、三維重建、體積顯示、圖像配準(zhǔn)等處理的一個必不可少的步驟。在對圖像的研究和應(yīng)用中，人們往往僅對圖像中的某些部分感興趣，這些部分常稱為目標(biāo)或前景，而其他部分為背景，前景一般對應(yīng)圖像中特定的、具有獨特性質(zhì)的區(qū)域。實驗結(jié)果表明，與傳統(tǒng)邊緣檢測算法相比，該算法在保持圖像邊緣清晰的同時，有很強的去除噪聲能力，得到的結(jié)果邊緣細(xì)膩、平滑，在細(xì)節(jié)和特征方面保持得更好。下面介紹現(xiàn)階段普遍研究的幾種邊緣檢測的概況：①基于中值濾波和數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測[5]。邊緣檢測是圖像處理的重要內(nèi)容，是模式識別和計算機(jī)視覺的基礎(chǔ)[4]。數(shù)學(xué)形態(tài)學(xué)方法比其他空域或頻域圖像處理和分析方法具有一些明顯的優(yōu)勢。隨著計算機(jī)技術(shù)的發(fā)展和計算機(jī)圖形學(xué)、數(shù)學(xué)以及醫(yī)學(xué)相關(guān)理論的不斷完善，計算機(jī)圖像處理與分析技術(shù)在臨床診斷和治療中起著越來越重要的作用。因而，研究開發(fā)出準(zhǔn)確、快速的圖像分析系統(tǒng)以完成圖像的分類、識別與分析，已成為我國醫(yī)學(xué)圖像處理研究領(lǐng)域的共同目標(biāo)之一。后來人們用數(shù)學(xué)形態(tài)學(xué)(也稱圖像代數(shù))表示以形態(tài)為基礎(chǔ)對圖像進(jìn)行分析的數(shù)學(xué)工具。雖然其理論基礎(chǔ)有些艱深，但其基本觀念卻比較簡單。數(shù)學(xué)形態(tài)學(xué)圖像處理的基本思想是利用結(jié)構(gòu)元素(structuring element)收集圖像的信息。隨著數(shù)學(xué)形態(tài)學(xué)理論的不斷完善與發(fā)展。②多尺度形態(tài)學(xué)圖像邊緣檢測方法[6]。⑤基于形態(tài)學(xué)雙梯度算子的圖像邊緣檢測[9]。圖像的分割在很多情況下可以歸結(jié)為圖像像素點的分類問題。醫(yī)學(xué)圖像分割是高層次醫(yī)學(xué)圖像理解和解釋的前提條件,其目的是通過提取描述對象的特征,把感興趣對象從周圍環(huán)境中分離出來。算法利用多個尺寸逐漸增大的圓盤結(jié)構(gòu)元，對目標(biāo)邊緣圖進(jìn)行閉運算，每次運算前根據(jù)目標(biāo)基本形狀特征過濾已達(dá)到好的分割效果目標(biāo)，同時選擇合適尺寸結(jié)構(gòu)元對分割不好目標(biāo)圖像進(jìn)行開運算，消除目標(biāo)之間粘連及目標(biāo)邊緣突起。試驗結(jié)果表明,該算法不僅具有出色的形狀保持能力,而且可提高計算效率。按以下技術(shù)路線進(jìn)行：血液細(xì)胞顯微圖像的預(yù)處理—基于形態(tài)學(xué)重構(gòu)算法的邊緣檢測技術(shù)—基于形態(tài)學(xué)的圖像分割技術(shù)—特征提?。ㄐ螒B(tài)學(xué)參數(shù)統(tǒng)計）—參數(shù)驗證—初步診斷嘗試。本課題的研究勢必是開發(fā)準(zhǔn)確、快速的圖像分析系統(tǒng)的必經(jīng)之路，而且目前基于形態(tài)學(xué)約束的生物細(xì)胞分析前景非常廣闊，研究的成果也不少，為提高現(xiàn)代醫(yī)療診斷技術(shù)奠定理論。由于細(xì)胞組織切片、顯微成像和數(shù)字化過程的復(fù)雜性，到目前為止還沒有一種能夠?qū)λ屑?xì)胞圖像都得到滿意效果的圖像處理方法，因此，醫(yī)學(xué)圖像的處理問題是當(dāng)今重要研究課題和難題。你可以通過輸入：type function_name 來查看這些函數(shù)的代碼。②腐蝕A， B 為 中的集合，為空集，A被B的腐蝕，記為AB，為腐蝕算子，腐蝕的定義為:， ()也就是說，A被B腐蝕的結(jié)果為所有使B被x平移后包含于A點的集合。1 1 1 0 1 1 0 0。)。)。參數(shù)估計：依據(jù)特殊分布的原始數(shù)據(jù)，可以計算分布參數(shù)的估計值及其置信區(qū)間；描述性統(tǒng)計：提供描述數(shù)據(jù)樣本特征的函數(shù)，包括位置和散布的度量，分位數(shù)估計值和數(shù)據(jù)處理缺失情況的函數(shù)等；線性模型：針對線性模型，工具箱提供的函數(shù)涉及單因素方差分析，雙因素方差分析，多重線性回歸，逐步回歸，響應(yīng)曲面和嶺回歸等；非線性模型：為非線性模型提供的函數(shù)涉及參數(shù)估計，多維非線性擬合的交互預(yù)測和可視化以及參數(shù)和預(yù)計值的置信區(qū)間計算等；假設(shè)檢驗：此間提供最通用的假設(shè)檢驗函數(shù)：t檢驗和z檢驗； 繪圖工具M(jìn)ATLAB提供的繪圖工具集形成一個交換的繪圖工具環(huán)境。結(jié)構(gòu)元素用于定義連接性。經(jīng)過開重構(gòu)濾波器處理的二值圖像,圖像中小于結(jié)構(gòu)元素的明亮區(qū)域被濾除。因此，選取多結(jié)構(gòu)元素應(yīng)從尺寸和形狀兩個方面考慮，分別確定結(jié)構(gòu)元素的形狀序列和尺寸序列。②（Laplacian of Gaussian，LOG）算子邊緣檢測效果，雖然細(xì)胞外邊界比較完整，但是完全丟失了細(xì)胞核的邊界。近年，數(shù)學(xué)形態(tài)學(xué)中的流域分割算法被廣泛應(yīng)用于數(shù)字圖像處理領(lǐng)域[19]。設(shè)A為有重疊區(qū)域的圖像。dA(x，y)=inf{l(p)，p為A中連接xy的中間點} () A中xy之間的測地距離dA(x，y)測地影響區(qū)設(shè)B為A中的一個集合，它由多個連通子集組成，記為BB2 、B? Bk。此外，該測地算法是逐點比較進(jìn)行的，明顯增加了算法的運算量。通過以上理論研究與嘗試，本文總結(jié)了一套完整的基于形態(tài)學(xué)的顯微細(xì)胞圖像處理方法。 ②曲線擬合法下面所介紹的曲線擬合方法獲得閾值，實際上是傳承了上一種最大方差法的基本理論，做出改進(jìn)后得到的。由圖顯示，用該方法可以得到孤立細(xì)胞的位置。紅細(xì)胞(erythrocyte)正常成人每微升血液中紅細(xì)胞數(shù)的平均值，男性約400萬～500萬個，女性約350萬～450萬個。成人白細(xì)胞的正常值為4000～10000個／μ1。血小板(blood platelet)血小板（blood platele