【正文】 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)胞二值圖像對二值圖像做區(qū)域處理時，選用8連通，并獲得連通區(qū)域像素個數(shù)并計算區(qū)域的平均值avr，得到結(jié)果為793。(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3%~4%，如20%有意義，見于自身免疫性溶血性貧血及遺傳性球形細(xì)胞增多癥。見于溶血、巨幼貧、MDS、混合性貧血。血小板壽命約7～14天。在血涂片中，血小板常呈多角形，聚集成群。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、運動、飲食及婦女月經(jīng)期，均略有增多。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，運動時多于安靜狀態(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。根據(jù)以上醫(yī)學(xué)知識，本章的第二節(jié)開始介紹本課題對顯微細(xì)胞圖像形態(tài)分析獲得的結(jié)果。MATLAB演示程序見附錄B，根據(jù)曲線擬合的思想，對灰度等級分段處理，用各小段的最大值來描述灰度直方圖的變化趨勢。在MATLAB中調(diào)用ind2gray函數(shù)，開始本課題的研究。本研究采用的是形態(tài)學(xué)開閉濾波，該方法能更好地消除細(xì)胞周圍的椒鹽噪聲以及細(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。 測地影響區(qū)及SKIZ 傳統(tǒng)的流域算法分析利用測地形態(tài)學(xué)運算，分割二值圖像的基本過程為：首先，對二值圖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。在腐蝕不斷作用的過程中，不連續(xù)的區(qū)域會不斷產(chǎn)生，與此同時，某些區(qū)域又會不斷消失。 流域變換的基本原理流域變換方法用在檢測與標(biāo)示具有連通或相似灰度的目標(biāo)圖像。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]。（1，1）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?；叶葓D像的閉重構(gòu)運算可由下式表示: 其中，圖像I通過有限次腐蝕迭代運算被標(biāo)識圖像J重構(gòu)。2.創(chuàng)建結(jié)構(gòu)元素：B=ones（3）。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明數(shù)據(jù)的的標(biāo)注。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、亮度以及像素強度在空間的變化情況等。)結(jié)果顯示： 可以用不同的顏色來區(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) 對圖像進(jìn)行拓?fù)涔烙嫊r，經(jīng)常會使用到一個量——歐拉數(shù)。 1 1 1 0 0 0 1。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作開運算，記為，其定義為：， ()就是A被B腐蝕后的結(jié)果再被B膨脹。 數(shù)學(xué)形態(tài)學(xué)的基本運算及實現(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）式表明的膨脹過程是B首先做關(guān)于原點的映射，然后平移x。同時MATLAB具有其他高級語言難以比擬的一些優(yōu)點：編寫簡單、效率高、易懂易學(xué)，在信號處理、通信、自動化控制及科學(xué)計算等另也中被廣泛的應(yīng)用。如果將錄像存儲邊緣化，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很大的麻煩，錄像數(shù)據(jù)的安全性也將大大降低。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)驗合理地結(jié)合到自動化分析技術(shù)中。主要研究內(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)量問題，以及細(xì)胞連接、重疊等問題；②特征提?。褐饕谦@得血細(xì)胞形態(tài)特征的定量參數(shù)[15]。為了對彩色圖像進(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。為了實現(xiàn)對免疫細(xì)胞圖象的分析,首先要對該種圖象進(jìn)行正確分割,針對這一要求,利用直方圖勢函數(shù)來提取標(biāo)記點,并將這些標(biāo)記點作為種子點來對梯度圖進(jìn)行Watershed變換,該方法不僅解決了細(xì)胞在參數(shù)測量前的精確分割問題,同時,為水域分割的關(guān)鍵步驟——種子點的選取找到了一種有效而可靠的方法,實踐表明,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)胞圖像自動分割方法[12]。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)，滿足不同的生物醫(yī)學(xué)研究和臨床應(yīng)用的需要。該方法能夠修正形態(tài)學(xué)的簡單開閉運算帶來的弱點，通過重構(gòu)運算以及多結(jié)構(gòu)元素的構(gòu)建，能夠很好地濾除偽邊界，得到較為滿意的細(xì)胞圖像輪廓。③基于多結(jié)構(gòu)元素形態(tài)學(xué)的圖像邊緣檢測算法[7]。圖像普遍存在噪聲。(膨脹與腐蝕)、開運算閉運算是數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)。利用數(shù)學(xué)形態(tài)學(xué)對物體幾何結(jié)構(gòu)的分析過程就是主客體相互逼近的過程?，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。1 緒論 前言 近年來，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)揮了越來越重要的作用，醫(yī)生對圖像診斷的需求也日益增加。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，分析顯微細(xì)胞圖像的形態(tài)特征，本項目的研究即以此展開。用于描述數(shù)學(xué)形態(tài)學(xué)的語言是集合論，因此，它可以提供一個統(tǒng)一而強大的工具來處理圖像處理中所遇到的問題。結(jié)構(gòu)元素可直接攜帶知識(形態(tài)、大小、以及灰度和色度信息)來探測所研究圖像的結(jié)構(gòu)特點，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)變換來處理和分析圖像。邊緣檢測的難題是檢測精度與抗噪性能之間的矛盾。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,實驗證明了該算法的可行性和有效性。⑥基于形態(tài)學(xué)重構(gòu)運算的細(xì)胞圖像邊緣檢測。盡管現(xiàn)代成像設(shè)備提供了對內(nèi)部解剖結(jié)構(gòu)的優(yōu)越的觀察條件，使用計算機技術(shù)對內(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。②基于數(shù)學(xué)形態(tài)學(xué)的免疫細(xì)胞圖象分割[11]。⑤一種形態(tài)學(xué)彩色圖像多尺度分割算法[14]。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。詳細(xì)的細(xì)胞學(xué)圖譜和真正實用的各類顯微細(xì)胞圖像，對本項目的研究非常重要，勢必影響研究結(jié)果的推廣意義。中央錄像服務(wù)器管理方便，安全可靠，但因為錄像隨時進(jìn)行，數(shù)據(jù)流量大，對承載網(wǎng)帶來很大壓力。2 基于MATLAB的圖像處理與分析MATLAB是當(dāng)今最優(yōu)秀的科技應(yīng)用軟件之一，它簡單易用，具有強大的科學(xué)計算能力、可視化功能、開放式可擴展環(huán)境，所以附帶的工具箱支持30多個領(lǐng)域，因此，在許多科學(xué)領(lǐng)域中，MATLAB成為計算機輔助設(shè)計和分析、算法研究和應(yīng)用開發(fā)的基本工具和首選平臺。 形態(tài)學(xué)操作下面介紹在本課題研究中使用到的一種MATLAB自帶的圖像處理工具——形態(tài)學(xué)操作(Morphological Operations)，主要介紹形態(tài)學(xué)函數(shù)，你可以使用這些函數(shù)來完成常用的圖像處理任務(wù)，如：圖像增強、去除噪聲、骨架化、濾波和分割等。閉運算也是平滑圖像的輪廓，與開運算相反，它一般能融合窄的缺口和細(xì)長的彎口，去掉小洞，填補輪廓上的縫隙。 1 1 1 0 0 0 1。notruesize39。下面介紹其中一種圖像分析功能——紋理分析(Texture Analysis)。MATLAB的圖形窗口提供多條曲線繪制功能，并可以顏色或者不同線條類型來區(qū)別圖形中的曲線。若是掩膜，為標(biāo)記，則從重構(gòu)可以記為，它由下面的迭代過程定義：1.將初始化為標(biāo)記圖像?；叶葓D像的開重構(gòu)運算可由下式表示:其中，圖像I通過有限次膨脹迭代運算被標(biāo)識圖像J重構(gòu)。連續(xù)開閉重構(gòu)過程中為了得到更連續(xù)的邊界采用大結(jié)構(gòu)元素的Square結(jié)構(gòu)元素來重建邊界。④，效果很差。下面將介紹根據(jù)數(shù)學(xué)形態(tài)學(xué)原理，提出的一種新的流域分割算法，并將此算法應(yīng)用于重疊骨髓細(xì)胞的分割研究中。對圖像A，反復(fù)利用B按某種方式作腐蝕，將會不斷剝掉厚度為r的一層圖像。 測地影響區(qū)骨架在A中不屬于任何一個B的測地影響區(qū)的點集構(gòu)成影響區(qū)骨架，用SKIZA(B)表示：SKIZA(B)=A \ IZA (Bi) ()測地影響區(qū)及SKIZ的示意圖。 基于形態(tài)學(xué)的流域分割新算法：對圖像X進(jìn)行極限腐蝕，N+1次腐蝕后圖像全部消失，結(jié)構(gòu)元素采用9*9圓盤將細(xì)胞灰度圖像轉(zhuǎn)換為二值圖像X通過比較N幅圖像中細(xì)胞的連通數(shù)尋找能代表單一細(xì)胞的種子點用數(shù)組M保存N次腐蝕所產(chǎn)生的N幅圖像，數(shù)組L記錄每幅腐蝕圖像的連通數(shù)以種子點為起點，N幅腐蝕圖像一次為約束，進(jìn)行區(qū)域生長通過尋找重心法確定N幅腐蝕圖像及二值圖像X的分界線 流域分割算法流程圖實驗結(jié)果如下圖： (a)細(xì)胞二值圖像 (b) 形態(tài)學(xué)濾波后的二值圖像 (c) 分割結(jié)果結(jié)構(gòu)元素為半徑為9的圓盤； 研究結(jié)果與分析由于細(xì)胞顯微圖像在采集過程中會受到各種噪聲的干擾，這種干擾會對圖像分割產(chǎn)生較大影響，所以先要對其進(jìn)行預(yù)處理。顯微細(xì)胞圖像的形態(tài)學(xué)分析用流域分割方法完成重疊細(xì)胞的分割自動獲得灰度分割閾值，根據(jù)閾值，將灰度圖像轉(zhuǎn)換為二值圖像輸入顯微細(xì)胞圖像用形態(tài)學(xué)濾波的方法完成二值圖像預(yù)處理顯微細(xì)胞圖像的邊緣檢測 顯微細(xì)胞圖像處理流程圖關(guān)于流程圖的幾點說明：由于目標(biāo)邊界點較少且其灰度介于它們之間，因此雙峰之間的谷點對應(yīng)著邊界的灰度，可以將谷點作為分割閾值[20]。本章首先簡單地介紹了血液病診斷的基本理論、診斷依據(jù)和成熟紅細(xì)胞形態(tài)的病理性以及其發(fā)生變化的臨床意義[21]。全身所有紅細(xì)胞表面積總計，相當(dāng)于人體表面積的2000倍。嬰幼兒稍高于成人。血小板體積甚小，直徑2～4μm，呈雙凸扁盤狀；當(dāng)受到機械或化學(xué)刺激時，則伸出突起，呈不規(guī)則形。血小板還有保護(hù)血管內(nèi)皮、參與內(nèi)皮修復(fù)、防止動脈粥樣硬化的作用。(2)大紅細(xì)胞：直徑9μm。多見于缺鐵、慢性病貧血、溶血、繼發(fā)性貧血等。 成熟紅細(xì)胞計數(shù)及細(xì)胞形態(tài)特征提取 成熟紅細(xì)胞計數(shù)。 成熟紅細(xì)胞形態(tài)參數(shù)提取本小節(jié)主要介紹對單個正常的成熟紅細(xì)胞做形態(tài)特征提取的原理、方法及結(jié)果。復(fù)雜度(圓形度)計算面積一定的圖形，一般周長越小，圖形表面越光滑，越接近圓；反之，周長越大，則圖形表面褶皺越多，形狀越復(fù)雜。如：可以通過面積、周長、圓度或者矩度構(gòu)成一個判別向量，每種顯微細(xì)胞都有它相應(yīng)的特征向量值，通過計算機“記憶”這些細(xì)胞的特征值，就可以完成不同種類已經(jīng)同種細(xì)胞不同形態(tài)的識別功能。同時做了成熟紅細(xì)胞的計數(shù)及形態(tài)參數(shù)提取并給出驗證，最后再對細(xì)胞病診斷和細(xì)胞圖像識別做了進(jìn)一步思考，研究表明，本文提出的基于形態(tài)學(xué)的顯微細(xì)胞圖像分析結(jié)果在醫(yī)學(xué)診斷上具有一定的應(yīng)用價值。這樣不僅可以提升研究成果的價值，同時還能激發(fā)自己的興趣；(5)研究的過程往往伴隨著論文的寫作，所以最好能養(yǎng)成定期作總結(jié)的好習(xí)慣，這樣寫起論文來自然會水到渠成。I2=ind2gray(I1,map)。N=m*nsum(sum(find(I2==0),1))。end %計算出選擇不同k值時，A區(qū)域的概率for i=1:q w(i)=sum(f(1:i))。figure。h=y39。I2=ind2gray(I1,map)。y=[A(:,2)]。for i=1:l a=10*(i1)+1 temp(1,2)=A(a,2) temp(1,1)=A(a,1) for k=(a+1):(a+9) if temp(1,2)A(k,2) temp(1,2)=A(k,2) temp(1,1)=A(k,1) end end B(i,1)=temp(1,1) B(i,2)=temp(1,2)endi=i+1。,z,h)。imhist(I2)。imshow(bw1)。%二值圖像分割（流域分割）%距離變換D=bwdist(bw1)。39。imshow(bw)。,8)。 %獲取相同標(biāo)簽號的位置，將位置信息存入[r,c] rc = [r c]。 end end avr=n1_all/n1。 endend%處理較大的區(qū)域——用細(xì)胞分布密度來推算 [j,k]=size(bw2)。 endfor i=1:s n=n+y0([i])。imshow(bw)。nx=0。))。 Wang, Keyang。同時也要感謝我的校內(nèi)指導(dǎo)老師張海燕老師，在設(shè)計的過程中得到了張海燕老師認(rèn)真細(xì)致的指導(dǎo)，張老師那種兢兢業(yè)業(yè)的工作精神和對我們認(rèn)真負(fù)責(zé)的態(tài)度時刻激勵著我，在此，特向張老師表示衷心的感謝！最后，我要忠心的感謝本科期間在學(xué)習(xí)和生活中給予我關(guān)心和幫助的人們，還有在百忙中抽出時間來評閱和參加答辯的所有老師，