【正文】 Wang, Keyang。nx=0。 endfor i=1:s n=n+y0([i])。 end end avr=n1_all/n1。,8)。39。imshow(bw1)。,z,h)。y=[A(:,2)]。h=y39。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))。I2=ind2gray(I1,map)。同時做了成熟紅細胞的計數(shù)及形態(tài)參數(shù)提取并給出驗證，最后再對細胞病診斷和細胞圖像識別做了進一步思考，研究表明，本文提出的基于形態(tài)學(xué)的顯微細胞圖像分析結(jié)果在醫(yī)學(xué)診斷上具有一定的應(yīng)用價值。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。 成熟紅細胞計數(shù)及細胞形態(tài)特征提取 成熟紅細胞計數(shù)。(2)大紅細胞：直徑9μm。血小板體積甚小，直徑2～4μm，呈雙凸扁盤狀；當受到機械或化學(xué)刺激時，則伸出突起，呈不規(guī)則形。全身所有紅細胞表面積總計，相當于人體表面積的2000倍。由于目標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]。 基于形態(tài)學(xué)的流域分割新算法：對圖像X進行極限腐蝕，N+1次腐蝕后圖像全部消失，結(jié)構(gòu)元素采用9*9圓盤將細胞灰度圖像轉(zhuǎn)換為二值圖像X通過比較N幅圖像中細胞的連通數(shù)尋找能代表單一細胞的種子點用數(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，所以先要對其進行預(yù)處理。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。④，效果很差?；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識圖像J重構(gòu)。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。notruesize39。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長的彎口，去掉小洞，填補輪廓上的縫隙。2 基于MATLAB的圖像處理與分析MATLAB是當今最優(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。詳細的細胞學(xué)圖譜和真正實用的各類顯微細胞圖像，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。⑤一種形態(tài)學(xué)彩色圖像多尺度分割算法[14]。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)進行精確而有效的量化和分析在目前仍然是有限的。然后進行形態(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。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。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，分析顯微細胞圖像的形態(tài)特征，本項目的研究即以此展開?，F(xiàn)如今，細胞和組織形態(tài)特征的分析一直是研究生物細胞學(xué)和病理學(xué)的主要手段。(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)。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]。醫(yī)學(xué)圖像分割可以提取出準確的、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。為了對彩色圖像進行快速有效的分割,提出了一種用于分割彩色圖像的多尺度形態(tài)學(xué)算法。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，進一步與相關(guān)醫(yī)生進行溝通，把醫(yī)生經(jīng)驗合理地結(jié)合到自動化分析技術(shù)中。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。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。)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②返回二值圖像的歐拉數(shù)(the Euler Number of a Binary Image) 對圖像進行拓撲估計時，經(jīng)常會使用到一個量——歐拉數(shù)。同樣也能創(chuàng)建演示圖形，并可以更改默認的格式，添加描述性標簽、題目、圖例等其它有助于說明數(shù)據(jù)的的標注?；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識圖像J重構(gòu)。因此，用本文中研究的基于形態(tài)學(xué)重構(gòu)的細胞圖像邊緣效果較好[16]。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。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胞周圍的椒鹽噪聲以及細胞上的小孔，(b)(a)進行形態(tài)學(xué)濾波后的結(jié)果圖像。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。紅細胞的數(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。在血涂片中，血小板常呈多角形，聚集成群。見于溶血、巨幼貧、MDS、混合性貧血。輸入顯微細胞圖像基于形態(tài)學(xué)的顯微細胞圖像預(yù)處理二值圖像的區(qū)域標定，并獲得連通區(qū)域像素個數(shù)獲得正常紅細胞大小重疊細胞處理得到計數(shù)結(jié)果并作驗證 成熟紅細胞計數(shù)流程圖MATLAB演示程序見附錄D,關(guān)于流程的幾點說明： 成熟紅細胞原始圖像： 成熟紅細胞顯微圖像 基于形態(tài)學(xué)的顯微細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?；谶@個原因，采用復(fù)雜度來衡量圖形的復(fù)雜程度，其最常用的復(fù)雜度可用如下式表示：C=P*P/(4*PI*A)其中，P為圖形周長，A為周長所圍面積。因為是課題研究的新手，在本文研究的過程中，也遇到了很多的問題，有時會灰心甚至想放棄。figure。end %求出不同k值時類間的方差d=(u*wua).^2./(w.*(1w))。figure。z=x39。grid附錄C 顯微細胞圖像預(yù)處理%圖像二值化及二值圖像處理[I1,map]=imread(39。%填充se1=strel(39。)。 %結(jié)構(gòu)元素確定bw2=imopen(bw1,se2)。 end n=n1。end附錄E 形態(tài)特征提取%形態(tài)學(xué)分析I=imread(39。for j=1:y for i=1:x if(bw(i,j)0) p2=i。 Effect of multiscale processing in digital chest r adiography on automated detection of lung nodule with a puter assistance system， Journal of Digital Imaging, v 21, n SUPPL. 1, p S164S170, October 2008[26] 王宏，致 謝論文即將完成，在此，我首先要向我的導(dǎo)師陳勝勇教授和張海燕老師表示致敬。 He, Wen。p2=0。 endfor i=1:s y0([i])=round(y([i]))。 n1_all=n1_all+Sum([i])。disk39。imshow(bw01)附錄D 成熟紅細胞計數(shù)[I,map]=imread(39。figure。.39。for i=1:256 if count(i)~=0 A(j,1)=i A(j,2)=count(i) j=j+1 endendx=[A(:,1)]。z=x39。 ua(i)=u。)。在圖像分析階段，本論文首先介紹了細胞病診斷的醫(yī)學(xué)基本依據(jù)，并把顯微細胞圖像形態(tài)學(xué)分析應(yīng)用到血液病診斷中。形態(tài)參數(shù)的選?。褐荛L與面積的計算設(shè)鏈碼為偶的像素個數(shù)為M，為奇的像素個數(shù)為O，則周長P為：P=M+O周長所圍的面積A為：A=S[(M+O)/2+1]式中，S為所有象素個數(shù)。 在分析評價成熟紅細胞意義時應(yīng)注意：成熟紅細胞是正常形態(tài)結(jié)構(gòu)還是異常形態(tài)結(jié)構(gòu)；是大成紅細胞還是瘦小成紅細胞；是巨成紅細胞還是超巨成紅細胞；是血紅蛋白充盈飽滿還是血紅蛋白淺淡蒼白；是球形紅細胞還是非球形紅細胞；是正色性紅細胞還是多色性紅細胞；并要分清是一般貧血常見病理改變還是具有特殊診斷價值的病理改變。成熟紅細胞形態(tài)的病理性總結(jié)如下：大小異常(1)正常紅細胞：直徑7~8μm。它是骨髓中巨核細胞胞質(zhì)脫落下來的小塊，故無細胞核，表面有完整的細胞膜。每100ml血液中血紅蛋白含量，男性約 12～15g，～。本方法的基本原理是：利用灰度直方圖來確定分割閾值，如果圖像所含的目標區(qū)域和背景區(qū)域大小可比，而且目標區(qū)域和背景區(qū)域在灰度上有一定的差別，那么該圖像所含的灰度直方圖會呈現(xiàn)峰谷狀，其中一個峰值對應(yīng)目標中心灰度，另一個峰值對應(yīng)于背景的中心灰度。為了改善上述情況，本文研究了一種改進的流域分割方法。極限腐蝕令B是半徑為常數(shù)r，圓心在原點的歐幾里德圓盤。③，邊界細節(jié)較豐富，但是不能確切表達原圖。它的對偶運算二值閉重構(gòu)濾波器,能夠去除二值圖像中小于結(jié)構(gòu)元素的黑暗區(qū)域。在這個環(huán)境下，你可以完成如下工作：創(chuàng)建各種類型的圖形； 直接在工作窗選擇變量繪圖；在繪圖窗口輕松的創(chuàng)建并操作曲線；添加注釋，如箭頭、線條、文字；設(shè)置圖形對象的屬性。imshow(RGB,39。MATLAB圖像處理工具箱提供用于圖像膨脹的函數(shù)是imerode，其調(diào)用格式為：IM2=imerode (IM,SE)IM2=imerode (IM,NHOOD)IM2=imerode (IM,SE,PACKOPT,M)IM=imerode (…,PADOPT)③開運算和閉運算開運算一般能平滑圖像的輪廓，削弱狹窄的部分，去掉細的突出。 論文結(jié)構(gòu)與章節(jié)內(nèi)容安排第一章以概述的形式簡單介紹了國內(nèi)外圖像處理技術(shù)的發(fā)展現(xiàn)狀以及本課題研究的主要內(nèi)容與技術(shù)關(guān)鍵；第二章簡單的概述了MATLAB在圖像處理與分析的的主要應(yīng)用，介紹了幾個圖像處理與分析的常用工具箱；第三章介紹了基于形態(tài)學(xué)的顯微細胞圖像處理方法，并對基于形態(tài)學(xué)重構(gòu)的邊緣檢測技術(shù)和流域分割算法做了研究；第四章講述了醫(yī)學(xué)細胞病診斷的基本理論，并對成熟紅細胞顯微圖像做了形態(tài)特征的提取與分析；第五章為論文的工作總結(jié)與展望。由于個人知識面的局限性，細胞特征在醫(yī)學(xué)診斷中具體的應(yīng)用情況還有待去更多的了解，醫(yī)生需要哪些指標來做出病況的診斷，在本課題未來的研究中，圖像分析的主要內(nèi)容就應(yīng)該是得到這些指標。實驗結(jié)果表明算法能夠有效平滑目標輪廓，連接斷裂邊緣，去除目標粘連，算法提高了Canny邊緣檢測算子的圖像分割準確性，減少了對Canny算子對參數(shù)的依賴性。隨著醫(yī)學(xué)成像在臨床診斷和治療上的作用越來越顯著，醫(yī)學(xué)圖像分割就成為醫(yī)學(xué)圖像分析領(lǐng)域的一個挑戰(zhàn)性的研究課題—在計算機的幫助下，從TC、MRI、PET以及其它模式醫(yī)學(xué)圖像中提取有關(guān)解剖結(jié)構(gòu)的有用的診斷信息。在深入地探討數(shù)學(xué)形態(tài)學(xué)在邊緣檢測領(lǐng)域中的應(yīng)用的基礎(chǔ)上,提出了一種形態(tài)邊緣檢測算子,并用該算子提取圖像邊緣。當結(jié)構(gòu)元素在圖像中不斷移動時，便可考察圖像各個部分間的相互關(guān)系，從而了解圖像各個部分的結(jié)構(gòu)特征。它的基本思想是用一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀以達到對圖像分析和識別的目的。而圖像分析已經(jīng)成為細胞學(xué)定量分析研究的有用工具，為臨床診斷提供了定量而客觀的依據(jù)[1]。 國內(nèi)外圖像處理技術(shù)發(fā)展現(xiàn)狀 顯微細胞醫(yī)學(xué)圖像邊緣檢測圖像邊緣是圖像最基本的特征,邊緣中包含著有價值的目標邊界信息，這些信息可以用于圖像分析、目標識別以及圖像濾波。分析了出傳統(tǒng)圖像邊緣檢測算法的不足，利用形態(tài)學(xué)多結(jié)構(gòu)元素的自然屬性，自適應(yīng)確定權(quán)重，然后采用腐蝕運算構(gòu)造邊緣檢測算