針對(duì)亮場(chǎng)干細(xì)胞圖像中細(xì)胞粘連、形態(tài)各異,難以精確分割的問題,提出一種基于改進(jìn)閾值與邊緣梯度的亮場(chǎng)干細(xì)胞圖像分割方法。首先,通過改進(jìn)的閾值法對(duì)預(yù)處理后的圖像實(shí)現(xiàn)細(xì)胞與背景粗分;其次,利用改進(jìn)的Sobel算子檢測(cè)細(xì)胞邊緣梯度信息,結(jié)合連通域標(biāo)記方法對(duì)粗分割圖像做細(xì)化分割;最后,運(yùn)用形態(tài)學(xué)方法進(jìn)行優(yōu)化處理。提出的方法能夠有效去除細(xì)胞圖像中的溶液雜質(zhì),消除相差顯微鏡拍攝所帶來的光圈、偽影等影響,更準(zhǔn)確地分割出細(xì)胞邊緣輪廓。實(shí)驗(yàn)表明,所提方法分割精度達(dá)到95.48%,綜合分割性能指標(biāo)Fscore=94.61%,與傳統(tǒng)的閾值分割等方法相比,具有更好的分割效果。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1算法流程

為了能夠充分利用亮場(chǎng)干細(xì)胞圖像的邊緣梯度信息,又能實(shí)現(xiàn)粘連細(xì)胞的有效分割,本文提出一種基于改進(jìn)閾值與邊緣梯度的亮場(chǎng)干細(xì)胞圖像分割方法,算法流程如圖1所示,主要步驟包括:輸入原始圖像;圖像預(yù)處理;細(xì)胞與背景粗分;細(xì)化分割;優(yōu)化處理。1.1圖像預(yù)處理

圖3像素分布直方圖

傳統(tǒng)的閾值分割方法是通過求取均值與標(biāo)準(zhǔn)差來計(jì)算閾值,而對(duì)于某些均值與標(biāo)準(zhǔn)差相同的圖像,最優(yōu)閾值可能并不相同[18]。為了分析干細(xì)胞圖像的特征,先分析圖像的像素分布。如圖3(a)所示為原始圖像,像素分布如圖3(b)所示,橫軸表示像素強(qiáng)度,縱軸表示像素?cái)?shù)。通過細(xì)胞圖像的像素分布直方圖....

圖4改進(jìn)的Sobel算子

改進(jìn)的方法通過在Sobel算子的水平和垂直方向上增加6個(gè)模板來彌補(bǔ)Sobel算子對(duì)水平、垂直方向的敏感性[21]。改進(jìn)后的Sobel算子如圖4所示。根據(jù)細(xì)胞真實(shí)邊緣輪廓與細(xì)胞邊緣光圈像素值不同的特點(diǎn),通過改進(jìn)的Sobel算子計(jì)算邊緣梯度信息,然后運(yùn)用連通域標(biāo)記法,尋找細(xì)胞真實(shí)邊界....

圖5分割實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)選取了不同分裂時(shí)期的成人骨髓干細(xì)胞相差顯微鏡圖像進(jìn)行分割研究,采用3種不同的方法(二維OTSU法、文獻(xiàn)[9]算法、本文算法)進(jìn)行實(shí)驗(yàn)對(duì)比。由于圖像尺寸(2268pixel×2200pixel)過大,因此截取原始圖像的部分分割圖像進(jìn)行展示,分割效果如圖5所示。圖5(a)....

本文編號(hào)：3974985