林玉獅等

摘要摘要：將非線性擴散濾波和背景差分法相結合，提出了一種新的運動細胞檢測方法。通過在時間域內使用非線性擴散濾波，消除了背景差分法對閾值的強依賴性，并消除了圖像噪聲，增強了圖像邊界。實驗結果表明，新方法能夠較好地檢測出運動細胞。

關鍵詞關鍵詞：運動細胞；背景差分法；非線性擴散濾波

DOIDOI：10.11907/rjdk.1431080

中圖分類號：TP301

文獻標識碼：A文章編號文章編號：16727800（2015）004002703

0引言

在生物醫(yī)藥學和疾病防治研究領域，為了進行針對性的研究，需要獲取細胞的各種參數，如運動軌跡、移動速度、分裂周期等。而這些參數的獲取，需要對細胞進行檢測和追蹤。細胞形態(tài)不確定性、交叉和重疊等因素，導致采取傳統(tǒng)手工分析方法效率和精準度都非常低下。因此，面對大量的細胞圖像數據，迫切需要一種高效、精準，且能夠自動對細胞行為進行分析的方法來對其加以處理。

在過去的幾十年中，細胞追蹤作為一個熱點課題，已經被廣大學者所持續(xù)關注和研究。細胞檢測作為細胞追蹤中重要的第一步，同樣被科研工作者潛心研究。Meanshift算法和背景差分法是基于模型擴展的方法，Meanshift方法可以快速追蹤到視頻序列移動的物體，但通常并不能很好地描繪出物體的輪廓。在該領域內Xiuzhuang和Yao[12]提出了一種較好方法，他們在粒子濾波框架中引入方向自適應均值飄移算法，以此來提高細胞追蹤中的粒子濾波。Snake模型則要求相鄰的視頻幀之間要有重疊。Xufei等[3]提出使用背景差分法來追蹤非惰性細胞，他們在進行細胞追蹤前，通過使用分水嶺算法并結合細胞的特征來實現細胞的識別和分割。Fu shujun等[4]采用雙向擴散的非線性擴散濾波方程，實現圖像的邊緣檢測并增強圖像質量。

本文提出了一種新的運動細胞檢測算法，在時間域內采用非線性擴散濾波，可以在一個寬泛的范圍內選擇出一個合適的閾值，消除了背景差分法對閾值的強依賴性。

1研究方法

1.1背景差分法

細胞追蹤的第一步就是要檢測出目標細胞。背景差分法[5]是對運動目標進行檢測的常用方法，它是基于模型擴展的一種方法。該方法的理論架構如下：首先，需要建立背景模型，然后用當前幀的圖像減去背景模型，把相減所得到的差分圖像與設定的閾值進行比較，若差分圖像閾值大于設定閾值，則表明該像素偏離背景模型較大，為檢測的運動目標像素，反之為背景像素。其理論公式如下：

其中，Gk（x，y）為當前圖像幀，Bk（x，y）為背景模型，Rk（x，y）為相差圖像，即包含運動目標的二值化圖像，T為設置的閾值。1表示檢測到的目標像素，0表示背景像素。

背景差分法是一種很快速的方法，所需內存較小。但是，該方法存在一個嚴重缺陷，即高度依賴于閾值的選擇。為了克服這種缺陷，本文提出了一種將非線性擴散濾波和背景差分法相結合的運動細胞檢測方法。

1.2非線性擴散濾波

近年來，對如何消除擴散過程中產生的噪聲相關研究較多。人們發(fā)現一種非線性方程可以達到消除噪聲并增強圖像邊界的目的，這就是非線性擴散濾波（Nonlinear Diffusion Filtering， NLD）[6]，它是圖像分割中對圖像多尺度描述的一種效果顯著的工具。非線性擴散濾波方法的使用由Prona和Malik[7]首先提出。他們在前人的基礎上面提出了PM模型，該模型以“高頻部分擴散系數小，低頻部分擴散系數大”為準則，將擴散系數表示為一個關于圖像梯度的函數，提出了在圖像處理中引入擴散系數方程，來實現圖像平滑。模型方程如下：

在背景差分法中引入NLD方法，用來消除噪聲強度。改進后的算法流程如圖1所示。

本實驗采用的樣本數據來源于醫(yī)院患者的精液樣本，是一個M×N維的T幀視頻序列，其分辨率為240×320像素，幀速為每秒25幀。如果采用背景差分法，則差分矩陣的維數是M×N×（T-1）。在T幀中（i，j）位置的像素強度（Ii，j）變化如圖2所示。通過選用一個適當的閾值，可以捕獲到從該位置移動過去的細胞，但如何選擇一個合適的閾值頗為困難。本文提出了基于NLD的背景差分法，通過對Ii，j使用一維的NLD方法來消除噪聲像素強度。如圖3所示，噪聲像素去除后，可以在一個寬泛的范圍中快速選擇出一個合適的閾值。

關于高維圖像的處理，本文對三維差分矩陣中的一行使用二維的NLD方法，來取代對每一個像素使用一維的NLD算法，以此來提高運算速率。隨后將其擴展到所有行中，這使得每一個差分幀之間閾值的選擇變得簡單。圖4給出了一組圖像在使用NLD算法前（左）后（右）的效果對比圖。因此，使用NLD算法可以降低選擇不同閾值時結果對閾值的依賴度。在NLD算法應用完成后，再使用形態(tài)學方法，來消除圖像中的噪聲數據。2實驗結果及分析

為了對細胞檢測的精確度進行評估，本文定義的精確度是每一視頻序列中檢測到的運動細胞總數與全部運動細胞的比值。表1給出了對每一個序列中運動細胞檢測的精確度。表2給出了單獨使用背景差分法時的精確度。

從表1和表2中的實驗數據可以看出，使用本文方法對運動細胞進行檢測的平均精確度達到了91.24%，明顯高于單獨使用背景差分法時的平均精確度84.36%。實

驗結果表明，新方法可較好地檢測出運動細胞。

3結語

本文提出了一種新的方法來自動檢測運動細胞，通過在時間域內使用非線性擴散濾波方法，能夠較容易地得到一個合適的閾值，建立起一個較少受噪聲影響并且更加精確的運動模型。實驗結果表明，新方法能夠較好地檢測出運動細胞。后續(xù)將深入研究一種新的匹配模式算法來對細胞進行追蹤。

參考文獻參考文獻：

[1]XIUZHUANG Z，YAO L.Efficient mean shift particle filter for sperm cells tracking[J].Int Conf Comput Intell Secur，2009（1）：335339.

[2]馬瑜，梁慧琳，張艷寧，等.基于圖像顏色紋理的均值漂移分割算法[J].計算機工程與設計，2013，34（5）：17211722.

[3]屈晶晶，辛云宏.連續(xù)幀間差分與背景差分相融合的運動目標檢測方法[J].光子學報，2014，43（7）：23.

[4]付樹軍，阮秋琦.基于非線性擴散濾波的邊緣檢測和圖像測量[J].光學精密工程，2007（2）：290291.

[5]盧章平，孔德飛，李小蕾，等.背景差分與三幀差分結合的運動目標檢測算法[J].計算機測量與控制，2013，21（12）：3316.

[6]FRIEDRICH BM，RIEDELKRUSE IH，HOWARD J，et al.Highprecision tracking of sperm swimming fine structure provide strong test of resistive force theory[J].Exp Biol，2010（2）：213216.

[7]PRONA P，MALIK J.Scalespace and edge detection using anisotropic diffusion[J].IEEE Trans Pattern Anal，1990（12）：629639.

[8]WEICKERT J，ROMENY BH，VIERGEVER MA.Efficient and reliable schemes for nonlinear diffusion filtering[J].IEEE Trans Image Process，1998（7）：398410.

責任編輯（責任編輯：孫娟）