【正文】 區(qū)域在不同尺度下熵的變化來決定尺度樹的構(gòu)成,從而完成了彩色圖像的分割。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。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。實驗結(jié)果表明算法能夠有效平滑目標(biāo)輪廓，連接斷裂邊緣，去除目標(biāo)粘連，算法提高了Canny邊緣檢測算子的圖像分割準(zhǔn)確性，減少了對Canny算子對參數(shù)的依賴性。針對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)中開閉運算的性能，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。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。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]。文章在形態(tài)學(xué)基本運算的基礎(chǔ)上,介紹了形態(tài)學(xué)重構(gòu)運算和形態(tài)學(xué)圖像分割的基本流程,最后用形態(tài)學(xué)重構(gòu)運算對腦部MRI圖像進(jìn)行了分割,實驗結(jié)果表明,這一方法可成功地將腦髓分割出來。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)運算的醫(yī)學(xué)圖像分割[10]。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。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。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。簡而言之，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，而任意兩個相鄰部分的合并都會破壞這種一致性。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。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。在數(shù)學(xué)形態(tài)學(xué)基礎(chǔ)上提出了一組新的形態(tài)學(xué)雙梯度算子,把它們用于圖像邊緣檢測,適當(dāng)選取結(jié)構(gòu)元素,得到了在有噪聲,和沒有噪聲的條件下都較好的效果；并把結(jié)果與其他檢測效果做了比較,實驗驗證了該組形態(tài)學(xué)雙梯度算子的可行性和有效性。在深入研究柔性數(shù)學(xué)形態(tài)學(xué)邊緣檢測算法的基礎(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)梯度邊緣檢測算法,實驗證明了該算法對噪聲特別是脈沖噪聲有很強的抑制作用,并能很好地檢測出圖像的邊緣信息。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。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]。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。該方法能夠有效地去噪，檢測圖像中的細(xì)節(jié)，定位準(zhǔn)確，并且計算量小，效率高。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]。圖像普遍存在噪聲。數(shù)學(xué)形態(tài)學(xué)在圖像邊緣檢測中得到了廣泛的研究和應(yīng)用。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，它通過物體和結(jié)構(gòu)元素相互作用的某些運算得到物體的本質(zhì)形態(tài)。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]。(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)。當(dāng)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。它最顯著的特點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]。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。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。它體現(xiàn)了邏輯推理與數(shù)學(xué)演繹的嚴(yán)謹(jǐn)性，又要求具備與實踐密切相關(guān)的實驗技術(shù)與計算技術(shù)，積分幾何和隨機集論是其賴以生存的基石。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)計奠定了堅實的基礎(chǔ)，尤其突出的是實現(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。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?，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。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(dá)到對圖像分析和識別的目的。 形態(tài)學(xué)一般指生物學(xué)中研究動物和植物結(jié)構(gòu)的一個分支。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。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。目前我國的影像診斷還是醫(yī)生根據(jù)肉眼觀察與臨床經(jīng)驗作出判斷，具有一定的主觀性，而醫(yī)學(xué)圖像存在大量的邊緣模糊現(xiàn)象，不僅耗費大量的時間與精力(一個細(xì)胞樣本的形態(tài)學(xué)分析需要一個專業(yè)醫(yī)生花數(shù)小時時間)，而且有時難以作出正確的診斷，甚至?xí)霈F(xiàn)漏診與誤診事件。而本課題的研究勢必是實現(xiàn)這一目標(biāo)的必經(jīng)之路，為最終實現(xiàn)這一目標(biāo)做出基礎(chǔ)性前瞻性的理論研究。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。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。而圖像分析已經(jīng)成為細(xì)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]。 數(shù)學(xué)形態(tài)學(xué)數(shù)學(xué)形態(tài)學(xué)(Mathematical Morphology)[2]是近幾年來發(fā)展迅速的一門建立在嚴(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內(nèi)容，是一種應(yīng)用于圖像處理和模式識別領(lǐng)域的新的方法，是一門建立在嚴(yán)格的數(shù)學(xué)理論基礎(chǔ)上而又密切聯(lián)系實際的科學(xué)。雖然其理論基礎(chǔ)有些艱深，但其基本觀念卻比較簡單。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。利用數(shù)學(xué)形態(tài)學(xué)的幾個基本概念和運算，可將結(jié)構(gòu)元靈活的組合、分解，應(yīng)用形態(tài)變換序列來達(dá)到分析的目的。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。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。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。 國內(nèi)外圖像處理技術(shù)發(fā)展現(xiàn)狀 顯微細(xì)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(biāo)邊界信息，這些信息可以用于圖像分析、目標(biāo)識別以及圖像濾波。所謂邊緣(或邊沿)是指其周圍像素灰度有階躍變化或屋頂變化的那些象素的集合,邊緣檢測是圖像工程的一個重要內(nèi)容。隨著數(shù)學(xué)形態(tài)學(xué)理論的不斷完善與發(fā)展。邊緣檢測的難題是檢測精度與抗噪性能之間的矛盾。圖像邊緣和噪聲均為頻域中的高頻分量，這給邊緣檢測帶來了困難。對數(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的方法，通過仿真實現(xiàn)，得到滿意的效果。②多尺度形態(tài)學(xué)圖像邊緣檢測方法[6]。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。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)造邊緣檢測算法，再將多結(jié)構(gòu)元的檢測信息加權(quán)求和。④基于柔性形態(tài)學(xué)的梯度邊緣檢測算法[8]。⑤基于形態(tài)學(xué)雙梯度算子的圖像邊緣檢測[9]。⑥基于形態(tài)學(xué)重構(gòu)運算的細(xì)胞圖像邊緣檢測。 顯微細(xì)胞醫(yī)學(xué)圖像分割方法圖像分割是一種重要的圖像分析技術(shù)。為了辨識和分圖像中的目標(biāo)，需要將它們從圖像中分離提取出來，在此基礎(chǔ)上才有可能進(jìn)步對目標(biāo)進(jìn)行測量和對圖像進(jìn)行處理。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。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。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。由于醫(yī)學(xué)圖像實際獲取條件的不同，引起測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。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。②基于數(shù)學(xué)形態(tài)學(xué)的免疫細(xì)胞圖象分割[11]。由于在細(xì)胞圖像中經(jīng)常出現(xiàn)細(xì)胞重疊的現(xiàn)象,從而給后續(xù)處理帶來了困難,為了準(zhǔn)確分離細(xì)胞,提出了一種自動分割方法,即首先使用一種可變腐蝕元的迭代腐蝕算法來產(chǎn)生改進(jìn)的距離圖,然后提出了受數(shù)學(xué)形態(tài)學(xué)約束的B樣條活動輪廓模型,利用形態(tài)學(xué)方法初始化活動輪廓,最后通過該模型求出各細(xì)胞的準(zhǔn)確邊界。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]。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。⑤一種形態(tài)學(xué)彩色圖像多尺度分割算法[14]。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。然后采用頂點塌縮算法實現(xiàn)的彩色形態(tài)學(xué)開閉算子生成了所需的非線性尺度空間。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。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。包括：細(xì)胞的面積、長度、角度、弧度、周長、直徑、半徑、密度、計數(shù)等，并作數(shù)據(jù)檢驗。由于時間有限，該課題還有很多深入的內(nèi)容有待探索，本人將在未來的時間里繼續(xù)進(jìn)行研究。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)—特征提取（形態(tài)學(xué)參數(shù)統(tǒng)計）—參數(shù)驗證—初步診斷嘗試。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。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。醫(yī)學(xué)形態(tài)學(xué)的圖像化是本課題研究的又一個創(chuàng)新點。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。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。由此可見，未來大量的存儲需求發(fā)生的位置不可能由中心統(tǒng)一存儲來承擔(dān)，而大量的分布式、差異性存儲卻沒有可用的技術(shù)方案。 國內(nèi)外同類課題研究現(xiàn)狀近幾年來隨著醫(yī)學(xué)影像技術(shù)和設(shè)備的不斷發(fā)展，國內(nèi)外專家學(xué)者將數(shù)字圖像處理應(yīng)用于醫(yī)學(xué)領(lǐng)域，紛紛研制開發(fā)出了一些實用的計算機自動診斷系統(tǒng)，如CR圖像的自動處理系統(tǒng)、血細(xì)胞顯微圖像的自動識別等，借助計算機圖像處理、計算機圖形學(xué)、虛擬現(xiàn)實和計算機網(wǎng)絡(luò)與技術(shù)的醫(yī)學(xué)圖像處理與分析，逐漸成為具有自身特色的新興交叉學(xué)科。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。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。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。 圖像處理工具箱圖像處理工具箱(Image Processing Toolbox)是一個函數(shù)集合，它們擴大了MATLAB的數(shù)值計算能力。你可以通過輸入：type function_name 來查看這些函數(shù)的代碼。 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