[发明专利]一种单细胞图像分割方法

说明书

技术领域

本发明涉及细胞图像分割与识别技术领域，具体为一种单细胞图像分割方法。

背景技术

利用图像处理技术与病理学专家的临床经验，可以对宫颈癌细胞图像进行快速的筛查和统计，进而实现对宫颈细胞图像的自动诊断，这样就能大大提高医生的效率，减少人工阅片的失误和误判，目前对宫颈细胞图像主要以实现自动分割和分类为主，根据细胞种类采用了多种细胞图像分割算法，其中阈值分割是在图像分割当中应用最广泛也是最简单的一种分割方法。

但是，由于制片的主观因素影响，大部分宫颈细胞图像都比较复杂，并不是理想细胞图像那样背景单一并且没有杂质，每个细胞都独立存在且容易辨别出来的，这使得后续的图像分割和细胞分类带来许多困难。主要难点有：1)细胞间重叠；2)细胞边缘界限模糊；3)细胞图像参入杂质；4)细胞核大小形状纹理不一致。

细胞分割主要有分块阈值分割和自适应阈值分割，由于其算法运算速度快且分割准确等特点，使其在图像分割领域得到研究人员的青睐。当前在细胞图像分割方法中，根据细胞形态采用多种算法相结合的方式已被广泛应用。

发明内容

本发明的目的在于提供一种单细胞图像分割方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种单细胞图像分割方法，包括以下步骤：

首先介绍一下本发明所述的分割算法总体框架，先利用改进的分块门限阈值分割算法得到比较粗糙的分割结果，而后利用细胞核特征形态测试方法，对分块门限阈值分割后得到的结果进行筛选，不完整的细胞核送入自适应分割进行二次分割，完整的细胞核图像直接输出，然后把利用自适应分割的结果和分块阈值分割的结果合并成最终的理想输出图像。

接着，再介绍一下本发明所述的改进阈值分割算法步骤，本发明所述改进阈值分割算法包含分块阈值分割和自适应阈值分割两部分，分块阈值分割算法的基本思想是把细胞图像分割成若干相等的小块，对每个小分块利用全局门限分割方法确定阈值，分割出每一个小块的背景和前景，最后把若干小分块的分割图像合并到一起就是整个细胞图像的分割结果，而自适应分割算法的基本思想是对图像里的所有像素点都设置阈值分割，每个像素点的阈值都以该像素点为中心，邻域窗口为大小计算该窗口的分割阈值，具体公式如下：

T(x,y)＝Mean＝∑_(x,y)∈wI(x,y)|w (2)

附图说明

图1为分割方法总体框架流程图；

图2为改进的阈值分割算法流程图；

具体实施方式

下面将开始结合本发明实施例中的附图，对本发明实施例中的技术方案进行完整、清楚地表述。显然，所表述的实例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出具有创造性劳动的前提下所获得的全部其他实例，都属于本发明的保护范围。

请参阅图1，本发明提供一种技术方案：一种单细胞图像分割方法，包括总体分割方法和改进细胞阈值分割算法，主要流程为输入一幅宫颈TCT图像，对图像进行灰度转换、中值滤波去噪以及对比度增强等预处理，然后对所有图像进行分块阈值分割处理，采用OTSU方法进行阈值分割，分割出前景与背景，然后进行图像形状测试，前后背景图像鲜明的直接放入待检测结果输出集合，未通过检测的再次进行自适应阈值分割，然后把两次分割的结果进行合并，就得到最终的理想分割图像集合，本发明由于采用了两种分割方法，根据细胞形态局部特征使用不同的分割算法，可以使分割后的细胞核形态更加清晰，准确，减少了细胞处理的数量，提高了算法的速度，为后续进行细胞病理分析和分类提供了便利，其中分块阈值分割的主要步骤是：参考图2，将图像分割成一个个小块，对每一块分别进行灰度化、计算方差V和均值Mean，利用大律算法获得整幅图像的最佳阈值T1和T2，如果方差V大于T1，则利用OTSU做全局阈值分割，如果方差V小于T1，且均值Mean大于T2，则可判断该小块属于背景区域，否则的话就属于前景区域，而自适应分割的主要步骤为：首先对图像进行灰度处理，然后遍历每一个像素点I(x,y),对每一个像素点设置分割阈值T，以该像素点为核心，设置邻域窗口，求出该窗口的灰度均值Mean，然后根据对比就可以求出该图像的背景和前景。具体公式如下：

T(x,y)＝Mean＝∑_(x,y)∈wI(x,y)|w (2)