夏海英，金凱躍，鄧帥飛，李建輝

(1.廣西師范大學(xué)電子工程學(xué)院，廣西桂林541004； 2.廣西師范大學(xué)省部共建藥用資源化學(xué)與藥物分子工程國家重點實驗室，廣西桂林541004； 3.桂林電子科技大學(xué)廣西自動檢測技術(shù)與儀器重點實驗室，廣西桂林541004)

基于改進的SLIC區(qū)域合并的宮頸細胞圖像分割

夏海英1，2，3，金凱躍1，鄧帥飛1，李建輝1

(1.廣西師范大學(xué)電子工程學(xué)院，廣西桂林541004； 2.廣西師范大學(xué)省部共建藥用資源化學(xué)與藥物分子工程國家重點實驗室，廣西桂林541004； 3.桂林電子科技大學(xué)廣西自動檢測技術(shù)與儀器重點實驗室，廣西桂林541004)

針對現(xiàn)有細胞圖像分割算法對噪聲敏感，傳統(tǒng)SLIC(simple linear iterative clustering)算法對邊界分割不精確的問題，提出一種基于改進的SLIC融合區(qū)域合并的方法：首先對宮頸細胞圖像進行均值漂移處理，消除細微噪聲點；然后進行二維Otsu自適應(yīng)閾值處理得到初始輪廓，應(yīng)用SLIC算法得到超像素區(qū)域，并融合到原圖中完成初始分割；最后，在初始分割圖中進行初略標記獲得交互信息，利用最大相似準則進行合并，不需要預(yù)先設(shè)定分割閾值，沒有被標記的背景區(qū)域?qū)⒊晒喜⒌綐擞浀谋尘皡^(qū)域，同時，沒有被標記的目標區(qū)域會被識別出，有效地阻止與背景區(qū)域合并。對宮頸細胞圖像進行大量的細胞質(zhì)分割實驗，結(jié)果表明本文算法能夠在較短時間內(nèi)準確識別出宮頸細胞的細胞質(zhì)邊緣。

超像素；圖像分割；初始輪廓；區(qū)域合并；最大相似度

0 引言

細胞圖像能有效地反映人體組織各個器官形態(tài)功能和病變等重要信息，具有直觀、形象和信息豐富以及便于觀測和理解等特點，因此對細胞圖像的分割已逐步成為圖像研究學(xué)科中一個極具意義和應(yīng)用性的方向。目前應(yīng)用于細胞圖像中的分割算法有基于閾值的分割方法[1]、基于二階導(dǎo)數(shù)的分割、基于活動輪廓(snake)模型的分割[2]等?；陂撝档姆指罘椒▽υ肼暦浅Ｃ舾校m用范圍很小?；诙A導(dǎo)數(shù)的分割方法，主要是通過圖像邊緣位置的梯度值的躍階變化對圖像進行分割。該方法抗噪性欠佳，當邊緣像素灰度變化較為穩(wěn)定時，對邊緣的提取難度偏大。基于活動輪廓模型的分割有氣球力模型、GVF Snake模型[3]和RGVF[4]等。此類算法在一定程度上解決了醫(yī)學(xué)圖像中深凹區(qū)域輪廓提取的問題，但在模糊邊緣地帶，分割效果仍然不太理想。

超像素最早由Ren和Malik[4]提出。超像素分割就是將像素聚合成超像素的處理過程，其在很大程度上降低了后續(xù)圖像處理任務(wù)的復(fù)雜度[5-8]。除了在圖像分割領(lǐng)域的廣泛應(yīng)用，超像素在人體姿態(tài)估計、目標跟蹤、顯著性分析等其他計算機視覺領(lǐng)域的研究也越來越熱門[9]。在基于梯度下降的方法中[10]，Achanta等2010年提出的SLIC 算法是基于顏色和距離相似性進行超像素分割[11-12]。該方法思路簡單，可以產(chǎn)生大小均勻、形狀規(guī)則的超像素，在邊界保持度和超像素形狀等方面都有較高的綜合評價，可以有效實現(xiàn)目標分割[13-14]。

傳統(tǒng)的SLIC超像素算法有一定的局限性[15]，在K均值聚類中，如果背景區(qū)域和目標邊緣區(qū)域?qū)Ρ榷炔蛔慊蚓哂邢嗤奶刭|(zhì)，在迭代時會出現(xiàn)像素錯誤分類，最終形成錯誤的超像素。本文提出的算法將meanshift去噪處理后的圖像經(jīng)自適應(yīng)閾值處理后得到SLIC超像素初始分割，通過標記獲得交互信息，以計算區(qū)域顏色直方圖之間標準歐氏距離的方法來衡量相似度，最后利用最大相似準則進行區(qū)域合并，實現(xiàn)宮頸涂片細胞質(zhì)的分割。

1 SLIC算法及改進

1.1 本文算法流程圖

本文算法流程如圖1所示。首先對原始細胞圖像進行meanshift平滑處理，去除細微的環(huán)境噪聲點，然后通過二維Otsu閾值處理自適應(yīng)地得到初始輪廓圖，用SLIC算法得到超像素區(qū)域，最后通過循環(huán)的區(qū)域合并運算得到最終分割效果。

圖1 本文算法流程圖Fig.1 Algorithm flow diagrams

1.2 SLIC算法

基于顏色相似度和空間距離關(guān)系的簡單迭代聚類算法SLIC是在K-means聚類算法的基礎(chǔ)上擴展而來的。對于每個超像素，其中心采用CIELAB顏色空間的三維顏色特征向量C及二維位置信息S。

該算法首先在圖像上均勻初始化k個初始聚類中心，將所有像素點賦予與其距離最近的聚類中心標簽，基于顏色和空間位置特征的歸一化距離為：

(1)

式(1)中：向量C表示CIELAB色彩空間的三維顏色特征向量；向量S表示二維空間的位置坐標；下標j=1，2，…，k為聚類中心標簽；下標i為對應(yīng)聚類中心j的2S×2S大小鄰域內(nèi)的像素標簽。NC和NS分別為顏色與空間距離的歸一化常數(shù)。

初始聚類后，聚類中心φj依據(jù)對應(yīng)聚類圖像塊Gj中所有像素顏色和空間特征的均值進行迭代更新，即：

(2)

式(2)中，Nj為圖像塊中Gj像素數(shù)量。算法不斷迭代聚類和更新直至滿足終止條件，最后采用鄰近合并策略消除孤立的小尺寸超像素，保證最終結(jié)果具有較好的緊密度。

1.3 改進的SLIC方法

當利用SLIC分割算法時，由于醫(yī)學(xué)圖像中存在很多細小的雜點，它們是由發(fā)炎、感染或血漬等引起的噪聲點，而這些細小噪聲點會很大程度地影響區(qū)域合并過程的速度和精確度，因此在對圖像進行分割前，需要對醫(yī)學(xué)圖像進行平滑處理，本文采用meanshift算法對醫(yī)學(xué)圖像進行平滑去噪。mh(x)表示均值漂移迭代，其公式：

(3)

式(3)中：x表示圖像中待平滑像素點的像素值；xi(i=1，2，…，n)表示以被平滑點為中心，邊長為2hs(hs稱為空域帶寬)的正方形區(qū)域內(nèi)的像素點的值，其中正方形區(qū)域內(nèi)的所有像素點稱為采樣點；h為帶寬；w(xi)≥0是一個對采樣點xi的考量的權(quán)重；G(x)為核函數(shù)。當對醫(yī)學(xué)圖像進行平滑和分割時，為了充分利用空間結(jié)構(gòu)信息和色彩信息，采用多元核函數(shù)Khs，hr來估計x的分布，該函數(shù)為：

(4)

式(4)中，hs與hr控制著平滑解析度，C為歸一化常數(shù)。

由于醫(yī)學(xué)圖像的特殊復(fù)雜性，通常要求其分割結(jié)果具有較高的準確性，而傳統(tǒng)的SLIC算法比較容易受到噪聲的干擾，造成過分割或欠分割。在對宮頸細胞涂片圖像進行meanshift平滑去噪處理后，能夠消除一定的噪聲，但在邊緣模糊地帶，目標邊緣與背景區(qū)域?qū)Ρ榷热匀徊蛔?。本文提出的算法是對宮頸細胞圖像進行meanshift平滑和初始分割消除一定的環(huán)境噪聲后，僅考慮細胞質(zhì)內(nèi)的區(qū)域為目標區(qū)域，細胞質(zhì)外的區(qū)域被視為噪聲，采用二維Otsu自適應(yīng)閾值算法來進行二值化處理，得到初始輪廓，進一步劃清了邊緣與背景區(qū)域。圖2為宮頸細胞涂片圖像的meanshift處理和細胞質(zhì)初始輪廓的提取效果。

圖2 宮頸細胞圖像的預(yù)處理Fig.2 Preprocessing of cervical cells images

(a1)和 (b1)為原圖的SLIC；(a2)和(b2)為本文方法處理后的SLIC；(a3)、(a4)、(b3)、(b4)為對應(yīng)的局部放大圖。圖3 不同方法處理后SLIC分割效果Fig.3 Segmentation results of SLIC using three methods respectively

圖3(a1)(b1)為原圖上直接應(yīng)用SLIC算法得到的分割效果，可以看出，在很多邊緣，尤其是與背景區(qū)域顏色相近或有相同特質(zhì)的邊緣，SLIC算法難以準確識別，因此分割效果不佳。圖3(a2)(b2)是本文提出的經(jīng)meanshift算法處理后，再進一步提取出初始輪廓后，用SLIC得到的超像素分割效果，可以看出，在邊緣保持上和平滑度上都體現(xiàn)了較高的優(yōu)越性，能準確識別到細胞質(zhì)邊緣。

2 基于改進的SLIC算法的區(qū)域合并

2.1 區(qū)域的表征和相似度的度量

經(jīng)SLIC改進方法處理后，我們得到了很多可以用來合并的小型區(qū)域，目前需要一些描述符來表征這些區(qū)域，需要相應(yīng)的合并準則來實現(xiàn)合并。而顏色直方圖可以較好地表示出目標顏色特征，也被廣泛應(yīng)用于圖案識別和目標追蹤。顏色直方圖比其他的特征描述符具有更好的魯棒性，因此我們選用顏色直方圖作為描述符。

在本文中，采用RGB色彩空間來計算顏色直方圖，考慮到色彩需求和算法運行時間，統(tǒng)一量化每個色彩通道到8水平，計算出8×8×8=512特征空間每個區(qū)域的直方圖。區(qū)域A的歸一化直方圖記為HistA。通過標記一些目標區(qū)域和背景區(qū)域，關(guān)鍵就是如何衡量沒有被標記區(qū)域和標記過區(qū)域之間的相似度，以此來決定是否進行合并，因此我們需要定義區(qū)域A和B之間的相似度度量。標準歐氏距離是針對傳統(tǒng)歐氏距離的缺點而作的一種改進的距離算法。它用來計算向量之間的差異程度，因此本文采用標準歐氏距離的相反數(shù)d(A，B)來表示區(qū)域A和B之間的相似度：

(5)

式(5)中，HistA和HistB分別代表區(qū)域A和B的歸一化直方圖，上標u代表它們的第u個元素，S為歸一化直方圖之間的標準差。d(A，B)越大，則區(qū)域A和區(qū)域B之間的相似度就越大。如果2個區(qū)域有相似的特征，那么它們的直方圖就很相似，因此標準歐氏系數(shù)就會很大。

2.2 合并算法的流程

B是區(qū)域A的一個鄰域，B的鄰域記為：

(6)

MO和MB分別表示標記的目標區(qū)域和背景區(qū)域，N表示未被標記的區(qū)域，以下是合并算法的具體步驟。

步驟1：

③更新區(qū)域MB和N，如果MB還能找到與其合并的區(qū)域，則返回①，否則進行下一步。

步驟2：

③更新區(qū)域N，如果區(qū)域N還能找到與其合并的區(qū)域則返回①，否則進行下一步。

若全圖仍有可以合并的區(qū)域，則返回步驟1①，否則結(jié)束合并算法，完成分割。對醫(yī)學(xué)圖像進行分割，需要大致標記出目標區(qū)域和背景區(qū)域。我們只需要標記出很小的一部分目標區(qū)域和背景區(qū)域，在完成標記后，所有區(qū)域都可以歸為3類區(qū)域的其中一類，即標記的目標區(qū)域、標記的背景區(qū)域和未被標記的區(qū)域。在完成標記后，沒有被標記的區(qū)域應(yīng)該被正確地歸為目標區(qū)域或是背景區(qū)域才能實現(xiàn)分割。

3 實驗結(jié)果及分析

3.1 實驗數(shù)據(jù)及步驟

本文的實驗數(shù)據(jù)來源于含有102張單細胞涂片圖像的Herlev數(shù)據(jù)集，實驗平臺為：Matlab 2010b，CPU為 Intel Core i3，內(nèi)存為3.0 GB。超像素個數(shù)為150。圖4是改進SLIC超像素分割融合區(qū)域合并算法的分割步驟。圖4(b)是經(jīng)過meanshift平滑后進行閾值處理得到的SLIC超像素邊緣圖。圖4(c)是標記過程，細胞內(nèi)部的線條代表目標區(qū)域，細胞外部的線條代表背景區(qū)域。圖4(d)是第一輪運算中步驟1的合并結(jié)果，可以看到標記的背景區(qū)域與未標記的背景區(qū)域的部分合并。圖4(e)是第一輪運算中步驟2的合并結(jié)果，一些未標記的區(qū)域，包括背景區(qū)域和目標區(qū)域自適應(yīng)地合并。因為還有未合并的區(qū)域，所以進行第二輪運算。圖4(f)是標記的背景區(qū)域與未標記的背景區(qū)域合并結(jié)果。可以看到，此時細胞圖像中的區(qū)域明顯地分為2種，即背景區(qū)域和目標區(qū)域(細胞質(zhì)內(nèi)的區(qū)域)，因此只需要自適應(yīng)地合并未標記區(qū)域。從圖4(f)中的最終分割結(jié)果中可以看出，本文算法能準確有效地分割出細胞質(zhì)邊界。

圖4 宮頸細胞圖像的分割Fig.4 Cervical cell images segmentation using the proposed method

3.2 實驗對比

傳統(tǒng)的SLIC算法能通過增加超像素的個數(shù)，獲得更多的細胞圖像邊界信息，提高分割的準確性，改善細胞質(zhì)的分割效果，如圖5所示。但在一些模糊的邊緣地帶，增大超像素粒度，仍然無法準確識別到邊緣，而且大幅增加超像素個數(shù)會增加區(qū)域合并算法的運行時間。圖5可見，本文算法能在超像素粒度較小的情況下準確識別出細胞質(zhì)邊緣。

(a1)和a(2)為超像素個數(shù)為50的傳統(tǒng)SLIC算法分割結(jié)果；(b1)和b(2)為超像素個數(shù)為500的傳統(tǒng)SLIC算法分割結(jié)果；(c1)和(c2)為超像素個數(shù)為2 000的傳統(tǒng)SLIC算法分割結(jié)果；(d1)和(d2)為超像素個數(shù)為50的本文算法分割結(jié)果。圖5 不同超像素粒度的分割結(jié)果Fig.5 Segmentation results using various number of super-pixels

實驗主要評估了本文算法在宮頸細胞涂片圖像中定位細胞質(zhì)邊界的性能，并與GVF Snake分割算法和RGVF細胞分割算法作對比。實驗中，控制活動輪廓曲線彈性的系數(shù)α和控制曲線剛性的系數(shù)β以及加權(quán)系數(shù)μ均設(shè)置為1。RGVF中提取細胞初始輪廓的閾值δ為0.5，抑制函數(shù)的系數(shù)γ為0.1，基于堆棧的細化中的閾值θ為2。如圖6所示(圖6A～F來自標準庫Herlev數(shù)據(jù)集的宮頸細胞圖像)，我們可以看到，在正確定位細胞質(zhì)邊界上，本文算法的性能優(yōu)于GVF和RGVF。GVF算法對噪聲和干擾最敏感，RGVF雖然在其基礎(chǔ)上做出改進，但在識別模糊邊界方面仍表現(xiàn)出不足，會造成欠分割或過分割。本文提出的算法可以穩(wěn)定并能夠準確地識別出真實的細胞質(zhì)邊界，在定位相對模糊邊界方面也有較好的表現(xiàn)。

圖6 3種算法對宮頸細胞的分割效果對比Fig.6 Segmentation results of cervical cell images using various algorithms

3種分割算法的時間對比結(jié)果如表1 所示。

表1 運行時間對比

為了在客觀評價指標下分析本文算法的分割準確率，這里我們需要實驗細胞圖像的Ground Truth。分割準確度SI(similarity index，SI)定義為：

(7)

其中A為Ground Trouth的像素集合，B為算法分割的像素集合。

對Herlev數(shù)據(jù)集中的宮頸細胞圖片進行實驗，得出3種算法各自SI的均值和方差，如表2所示。我們可以看到，本文算法的SI均值大于GVF和RGVF，且標準差最小，表明在正確定位細胞質(zhì)邊界上，本文算法更加準確，且具有較好的魯棒性。

表2 3種分割算法結(jié)果對比

4 結(jié)束語

本文提出一種改進的基于SLIC區(qū)域合并的醫(yī)學(xué)圖像分割算法，利用改進的SLIC超像素準確識別出細胞質(zhì)邊緣，結(jié)合區(qū)域合并算法，可有效地完成細胞圖像分割。在減少炎癥細胞、血漬等造成的污染方面都有良好的抗干擾能力和魯棒性，即使在模糊邊緣也能實現(xiàn)較準確的分割。在運行時間方面，本文算法的運行速度比GVF算法略低，但仍能達到實際應(yīng)用要求。

[1] MOO E K， ABUSARA Z， OSMAN N A A， et al. Dual photon excitation microscopy and image threshold segmentation in live cell imaging during compression testing[J]. Journal of Biomechanics， 2013， 46(12)：2024-2031.

[2] XU C Y， PRINCE J L. Snakes， shapes and gradient vector flow[J]. IEEE Trans on Image Pocessing， 1998， 7(3)：359-369.

[3] LI K，LU Z，LIU W Y，et al．Cytoplasm and nucleus segmentation in cervical smear images using Radiating GVF Snake[J]. Pattern Recognition， 2012， 45(4)：1255-1246.

[4] REN X F，MALIK J.Learning a classification model for segmentation[C]//Proceeding of the 9th IEEE International Conference on Computer Vision. Piscataway NJ:IEEE Press， 2003：10-17.

[5] FELZENSZWALB P F， HUTTENLOCHER D P. Efficient graph-based image segmentation[J]. International Journal of Computer Vision， 2004，59(2)：167-181.

[6] 張微，汪西莉.基于超像素的條件隨機均圖像分類[J].計算機應(yīng)用，2012， 32(5)：1272-1275.

[7] SHI Jianbo， MALIK J. Normalized cuts and image segmentation[J]. IEEE Trans on Pattern Analysis and Machine Intelligence，2000，22(8)：888-905.

[8] 譚樂怡， 王守覺. 基于雙重超像素集的快速路徑相似度圖像分割算法[J].自動化學(xué)報， 2013， 39(10)：1653-1664.

[9] 王春瑤， 陳俊周， 李煒. 超像素分割算法研究綜述[J]. 計算機應(yīng)用研究， 2014，31(1) ：6-12.

[10] 饒倩，文紅，喻文，等.超像素及其應(yīng)用綜述[J]. 電腦與信息技術(shù)，2013，21(5)：1-3.

[11] ACHANTA R， SHAJI A， SMITH K， et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 2012， 34(11)：2274-2282.

[12] LUCCHI A， SMITH K， ACHANTA R， et al. A fully automated approach to segmentation of irregularly shaped cellular structures in EM images[C]//Medical Image Computing and Computer-Assisted Intervention. Berlin：Springer-Verlag， 2010：463-471．

[13] COMANICIU D，RAMESH V，MEER P. Kernel-based object tracking[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25(5)：564-577．

[14] LUCHHI A， SMITH K， ACHANTA R， et al. Supervoxel-based segmentation of mitochondria in EM image stacks with learned shape features[J]. IEEE Trans on Medical Imaging， 2012， 31 (2)：474-486．

[15] 張亞亞，劉小偉，劉福太，等．基于改進SLIC方法的彩色圖像分割[J]．計算機工程，2015，41(4)：205-209.

(實習(xí)編輯 李 朝)

(責(zé)任編輯 馬殷華)

Cervical Cell Images Segmentation Based onImproved SLIC Region Merging

XIA Haiying1，2，3，JIN Kaiyue1，DENG Shuaifei1，LI Jianhui1

(1.College of Electronic Engineering Guangxi Normal University, Guilin Guangxi 541004, China; 2. Key Laboratory forthe Chemistry & Molecular Engineering of Medicinal Resources， Guangxi Normal University， Guilin Guangxi 541004， China； 3. Guangxi Key Laboratory of Automatic Detecting Technology & Instruments， Guilin University of ElectronicTechnology， Guilin Guangxi 541004，China)

As the existing cell images segmentation algorithms are sensitive to noise and traditional SLIC(simple linear iterative clustering) algorithm can not divide boundary precisely， an improved SLIC method based on region merging is proposed to resolve the problems. First, the mean shift treatment is used to eliminate noise on the cervical cell images, then the two-dimensional otsu adaptive threshold processing is conducted to abtain the initial contour, then based on SLIC algorithm the superpixel region is obtained, and the superpixel regions are fused to the original image to complete the initial segmentation. Finally, in the initial segmentation map, the initial mark is used to obtain the mutual information, and the maximum similarity criterion is used to merge. In this way, no present threshold is needned. The non-marker background regions are merged with labeled automatically， while the non-marker object regions are identified and avoided from being merged with background. Several experiments of dividing the cytoplasm are conducted for cervical cells images. The proposed algorithm can extract cytoplasm from a single-cell cervical smear image more accurately in a relatively short time.

superpixel； image segmentation； initial contour； region merging； maximal similarity

10.16088/j.issn.1001-6600.2016.04.014

2016-04-15

國家自然科學(xué)基金資助項目(21327007)；廣西自然科學(xué)基金資助項目(2013GXNSFBA019278)

夏海英(1983—)，女，山東聊城人，廣西師范大學(xué)副教授，博士。E-mail：xhy22@gxnu.edu.cn

TP391.4

A

1001-6600(2016)04-0093-08