【正文】 法，再將多結(jié)構(gòu)元的檢測信息加權(quán)求和。醫(yī)學(xué)圖像分割的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，分析和計算分割對象的解剖、病理、生理、物理等方面的信息。該算法首先用基于張量梯度的彩色分水嶺算法來得到初始分割結(jié)果,即局部水平集連通區(qū)域,并綜合考慮了面積和色彩計算區(qū)域間的相似性,構(gòu)造了區(qū)域間的RAG (region adjacency graph)和NNG(nearest neighbor graph),用于后續(xù)形態(tài)學(xué)處理。另一個技術(shù)關(guān)鍵，也是計算機視覺研究的一個關(guān)鍵點，醫(yī)生把他們用于診斷的知識和經(jīng)驗存儲在大腦里，所以一看就能明白是什么樣的病情，如果計算機可以在處理分析后，根據(jù)得到的指標(biāo)自動做出準(zhǔn)確的判斷，這將是本項目研究的一個最大的挑戰(zhàn)難點。本課題的研究選用MATLAB做為仿真平臺，正是基于它的以上特點。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作閉運算，記為，其定義為：， ()就是A被B膨脹后的結(jié)果再被B腐蝕。所謂歐拉數(shù)，就是一副圖像中的對象數(shù)目減去該圖像中的孔洞的數(shù)目。MATLAB提供兩種編輯圖形方法： 用鼠標(biāo)選擇并編輯對象； 在命令窗口輸入相應(yīng)函數(shù)或調(diào)用M文件。連續(xù)開閉(閉開)重構(gòu)運算交變序列重構(gòu)濾波是一種分級形態(tài)學(xué)濾波,是用逐漸增大的結(jié)構(gòu)元素通過反復(fù)開閉重構(gòu)運算完成的。 基于形態(tài)學(xué)的流域分割技術(shù)的研究對細(xì)胞圖像進(jìn)行特征提取和分類識別之前，首先對其進(jìn)行分割，將細(xì)胞從圖像背景中分離出來。一個連通成分在消失前的最后一步，稱為最終連通成分。(c)為采用本文研究的基于形態(tài)學(xué)的流域分割后的圖像。 擬合曲線 轉(zhuǎn)換后的二值圖像根據(jù)擬合的曲線，得到分割閾值為(96，173)，研究結(jié)果表明，用曲線擬合的方法可以得到較好的轉(zhuǎn)化效果。一般說，紅細(xì)胞數(shù)少于300萬／μ1，血紅蛋白低于10g/100ml,則為貧血。血小板中央部分有著藍(lán)紫色的顆粒，稱顆粒區(qū)（granulomere）；周邊部呈均質(zhì)淺藍(lán)色，稱透明區(qū)（hyalomere）。(3)巨大紅細(xì)胞：直徑20μm。人工計算得到結(jié)果為769，%。矩形度另外一個反映物體形狀的參數(shù)是它的矩形度。但經(jīng)過長時間的堅持，慢慢地發(fā)現(xiàn)自己對這個課題的研究越來越感興趣了。imshow(I2)。 %求出最大方差對應(yīng)的灰度級[y,tp]=max(d)。plot(x,y,39。h=y39。39。disk39。J=ind2gray(I,map)。figure。for i=1:Number if (Sum([i])=(*avr))amp。one normal 39。 if((p2p1)==1) nx=nx+1。陳老師的信任與鼓勵，給了我未來繼續(xù)進(jìn)行本課題研究的動力，使我充滿信心。%計算伸長度參考文獻(xiàn)[1] 周浩,李天牧,[J].北京生物醫(yī)學(xué)工程,2002,21(2):89～91.[2] Maragos P .Differential morphology and image processing. IEEE Trans Image Processing,1996, 5(6):922～937[3] Wegman E. J., Nonparametric probability density estimation, A summary of available methods ,Techno metrics[M],1986[4] 李剛,，2004年12月[5] 李秀峰,蘇蘭海. 基于中值濾波和數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測[J]. 計算機與信息技術(shù),2006(27)[6] 連靜,王珂．多尺度形態(tài)學(xué)圖像邊緣檢測方法［J］. 計算機工程與應(yīng)用,:77～79[7] 韋宏強,李彤華,鄭屹等. 基于多結(jié)構(gòu)元素形態(tài)學(xué)的圖像邊緣檢測算法[J]. 計算機工程與設(shè)計. 2007年11月,28(22)：5447～5449[8] 徐超,葉正麟. 基于柔性形態(tài)學(xué)的梯度邊緣檢測算法. 計算機工程與應(yīng)用. 2007,43(26):38～40[9] 武妍,魏廣英,葛菊萍,朱君波. 基于形態(tài)學(xué)雙梯度算子的圖像邊緣檢測. 計算機工程與應(yīng)用. 2007,43(36):58～59,64[10] 趙于前,柳建新,劉劍. 基于形態(tài)學(xué)重構(gòu)運算的醫(yī)學(xué)圖像分割. 計算機工程與應(yīng)用. 2007,43(10):238～240[11] 謝鳳英,姜志國,周付根. 基于數(shù)學(xué)形態(tài)學(xué)的免疫細(xì)胞圖象分割. 中國圖象圖形學(xué)報. 2002年11月, 第7卷(A版) 第11期:1119～1122[12] 胡炯炯,于慧敏,房波. 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. 中國圖象圖形學(xué)報. 2005年1月,第10卷　第1期:31～37[13] 梁光明,孫即祥. 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. 計算機工程與應(yīng)用. 2007，43（28）:70～72[14] 彭啟民,賈云得. 一種形態(tài)學(xué)彩色圖像多尺度分割算法. 中國圖象圖形學(xué)報. 2006年5月,第11卷　第5期:635～639[15] Cigdem Demir and Bulent Yener. Automated cancer diagnosis based on histopathological images: a systematic [16] 陳偉斌,張鑫,： 135[17] CIRES cell image retrieval and evaluation system[J]．Magazine for users of image analysis system，1992，l8～l9．[18] Walker R F，Jackway P Loven B，Longstaf I D．Classification of cervical cell nuclei using morphological segmentation and textural feagare extraction[C]．Second Australian and New Zealand conference on Intelligent information system，Brisbane，1994，29：183～189．[19] Anthony S Wright，Scott T．Acton．Watershed pyrais for edge detection．Image Processing，1997，2：578～581．[20] 賀興華,周媛媛,王繼陽,周暉等.《》.[21] 王永才.《最新血液骨髓細(xì)胞診斷學(xué)—多媒體圖譜》.人民軍醫(yī)出版社，2008年1月第一版.[22] 張兆禮，張春暉，2001.[23] ，2000.[24] ，2001.[25] He, Qian。 end p1=p2 end endend%檢測水平方向連續(xù)的周長像素點p1=0。for i=1:s y([i])=n*x([i])/(mx([i]))。 %單個細(xì)胞大小約為793%對連通域分類：不完整的細(xì)胞，小于半個細(xì)胞大小，應(yīng)該被忽略的；算為一個的細(xì)胞；有多個細(xì)胞相連的情況n2=Numbern1=0while(n1~=n2) n2=n1 n1=0 n1_all=0 for i=1:Number if abs(Sum([i])avr)(*avr) n1=n1+1。se2=strel(39。%相對半徑為4的極限腐蝕for i=1:4 bw01=imerode(bw01,se1)endfigure。)。plot(x,y,39。%返回圖像矩陣I2各個灰度等級像素個數(shù)% 篩去0j=1。y=[A(:,2)]。for i=1:q u=u+f(i)*(p+i1)。39。結(jié)果表明，這一套完整算法，可以成功的解決圖像處理過程中遇到的問題，如：光照不均勻、染色產(chǎn)生的斑點、細(xì)胞邊緣連接、多細(xì)胞重疊等問題。 (稱為“前”面)的方向開始跟蹤。如增多見于珠蛋白生成障礙性貧血、庫什貧血，或其它少數(shù)急性溶血病例、阻塞性黃疸、脾切除后、某些腫瘤、骨髓轉(zhuǎn)移癌、血漿高滲時等。正常情況下，成熟紅細(xì)胞的形態(tài)、大小基本上一致，呈凹平盤狀，大小7~8μm,，厚2μm，淡粉紅色，邊緣較中心深染，圓形或橢圓形。血小板(blood platelet)血小板（blood platelet）或稱血栓細(xì)胞（thrombocyte）, 正常數(shù)值為10萬－～40萬／μ1。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。 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。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。設(shè)A為有重疊區(qū)域的圖像。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。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。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。)。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。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。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。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。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。②多尺度形態(tài)學(xué)圖像邊緣檢測方法[6]。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。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。隨著計算機技術(shù)的發(fā)展和計算機圖形學(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。邊緣檢測是圖像處理的重要內(nèi)容，是模式識別和計算機視覺的基礎(chǔ)[4]。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。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。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?，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。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。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)。在模式識別中，經(jīng)常用歐拉數(shù)進(jìn)行聚類分析。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。n次迭代運算的開閉連續(xù)濾波用