汪傳忠， 黃治國， 武海燕

(1. 南昌航空大學(xué) 信息工程學(xué)院， 江西 南昌 330063； 2. 南昌航空大學(xué) 經(jīng)濟(jì)管理學(xué)院， 江西 南昌 330063)

多截集方法在圖像分割中的應(yīng)用

汪傳忠1， 黃治國1， 武海燕2

(1. 南昌航空大學(xué) 信息工程學(xué)院， 江西 南昌 330063； 2. 南昌航空大學(xué) 經(jīng)濟(jì)管理學(xué)院， 江西 南昌 330063)

針對宮頸微生物感染細(xì)胞的分割問題， 根據(jù)宮頸微生物感染細(xì)胞與正常宮頸細(xì)胞的視覺特征區(qū)分性， 本文提出了一種多截集分割方法， 基于宮頸微生物感染細(xì)胞的強(qiáng)度特征設(shè)置分割截集， 對宮頸細(xì)胞圖像進(jìn)行分割. 實(shí)驗(yàn)證明： 在原始圖像中該方法能夠快速、 有效地實(shí)現(xiàn)對宮頸微生物感染細(xì)胞的提取和分割.

多截集分割方法； 圖像處理； 微生物感染檢測

0 引 言

圖像分割是圖像分析與識別的首個重要問題， 也是圖像處理的難點(diǎn)之一， 它是圖像分析和識別的重要組成部分[1]， 只有提取和分離目標(biāo)區(qū)域后才能進(jìn)一步對目標(biāo)區(qū)域分析和測量. 圖像分割的好壞直接影響圖像最終的分析和處理的判別結(jié)果. 所謂圖像分割是指將圖像中具有特殊意義的不同區(qū)域分開， 并使這些區(qū)域相互不相交， 且每個區(qū)域應(yīng)滿足特定區(qū)域的一致性條件[2].

圖像分割是計(jì)算機(jī)數(shù)字圖像處理中的基礎(chǔ)手段， 它對后續(xù)分析和識別提供了基本前提. 同時， 圖像分割是一個技術(shù)難題， 由于在圖像采集過程中會遇到各種因素的影響， 諸如硬件、 光照、 復(fù)雜背景等， 很難找到一種通用的圖像分割方法.

1 多截集方法分割原理

在所有分割方法中， 閾值分割是一種簡潔且高效的方法， 因此得到了廣泛的應(yīng)用. 閾值分割廣泛應(yīng)用于目標(biāo)和背景具有明顯差異的環(huán)境中. 典型的應(yīng)用包括提取地圖圖像中的標(biāo)示， 細(xì)胞圖像處理， 熱圖像處理等. 閾值分割是用一個閾值將圖像的k個灰度級分為兩部分， 一部分是目標(biāo)區(qū)域， 另一部分是背景區(qū)域[3].

多截集分割方法是在閾值分割的基礎(chǔ)上提出的一種圖像分割方法， 其基本思想是在圖像最小灰度級gmin和最大灰度級gmax之間確定n(n>1)個閾值， 然后將圖像中所有像素按灰度級以n個閾值為界將圖像分為n+1類. 多截集分割中， 如何確定n個合適的閾值， 使其能夠正確地分割出目標(biāo)是多截集分割的關(guān)鍵. 多截集分割方法可以用下面的集合表示：

定義一幅M*N的灰度圖像F， 其共包含K個灰度級，I是灰度圖像F中的某一灰度級， 其中i∈K， 則：

1)fi(x,y),i=1,2,…,k是i截集下分割得到的圖像區(qū)域；

2)gi,j(x,y)=F(fi(x,y),fi(x,y)),i,j=1,2,…,K表示多截集下分割得到的目標(biāo)區(qū)域， 其中fi(x,y) 和fj(x,y)分別是i和j灰度級對應(yīng)的分割區(qū)域.

對于多截集分割得到的圖像， 同樣具有： ① 同一個區(qū)域中存在連接任意兩點(diǎn)的路徑； ② 任意兩個子區(qū)域不存在相同的元素； ③ 同一區(qū)域內(nèi)所有像素點(diǎn)滿足灰度、 紋理、 顏色等特征的某種相似性準(zhǔn)則[4].

由于多截集分割方法是從灰度圖像的K個灰度級中選取其中兩個及兩個以上灰度級對圖像進(jìn)行分割， 并提取有效的目標(biāo)區(qū)域， 該分割方法的優(yōu)點(diǎn)是： ① 多截集分割方法是直接選取兩個及兩個以上灰度值對圖像分割， 所以分割計(jì)算量小， 速度快， 時間短； ② 多截集分割方法中的截集的選取是根據(jù)目標(biāo)區(qū)域的強(qiáng)度值范圍確定的， 所以多截集分割可以直接分割到目標(biāo)區(qū)域， 對其它區(qū)域不進(jìn)行分割. 多截集分割的缺點(diǎn)是分割中截集的選取是根據(jù)目標(biāo)區(qū)域的強(qiáng)度范圍得到的， 因此多截集分割只能得到大致的目標(biāo)區(qū)域， 而不能得到精確的目標(biāo)區(qū)域， 獲取目標(biāo)的特征時還需要對目標(biāo)重新分割.

2 基于多截集方法的圖像分割模型

2.1 多截集分割中截集的獲取

在灰度圖像分割中需要選取一定的閾值將灰度圖像分類， 如Otsu閾值分割采用的是根據(jù)灰度圖像中所有的像素值將灰度圖像分為兩個類， 然后通過計(jì)算兩個類之間的最大類間方差以確定分割閾值. 對于多截集圖像分割方法來說， 需要確定n(n>1)個截集來分割圖像， 以得到所需要的目標(biāo)區(qū)域， 因此， 如何選取多截集分割中的截集是多截集分割方法中的關(guān)鍵問題.

通過對大量宮頸細(xì)胞標(biāo)本圖像的觀察， 可以知道： 宮頸細(xì)胞標(biāo)本中各種不同類型的細(xì)胞在同樣的染色條件下經(jīng)染色后細(xì)胞的顏色是不同的. 根據(jù)宮頸細(xì)胞圖像中細(xì)胞染色的深淺， 我們可以將細(xì)胞分為幾個不同的層次. 本章的研究內(nèi)容就是根據(jù)宮頸細(xì)胞標(biāo)本中細(xì)胞的不同層次選取不同截集閾值對宮頸細(xì)胞進(jìn)行分割. 部分宮頸細(xì)胞圖像如圖 1～圖 3 所示.

圖 2 宮頸管腺細(xì)胞原圖Fig.2 Pictures of endocervical glandular cells

圖 3 鱗狀上皮群細(xì)胞原圖Fig.3 Pictures of squamous epithelial cell groups

通過對微生物感染細(xì)胞、 正常鱗狀上皮群細(xì)胞的強(qiáng)度特征的分析和統(tǒng)計(jì)， 我們知道微生物感染細(xì)胞的胞漿強(qiáng)度是最小的， 正常鱗狀上皮細(xì)胞的強(qiáng)度是最大的. 在宮頸細(xì)胞中， 除了包含有微生物感染細(xì)胞和正常鱗狀上皮細(xì)胞外， 還有宮頸管腺細(xì)胞存在. 根據(jù)細(xì)胞強(qiáng)度的定義我們得到宮頸管腺細(xì)胞的強(qiáng)度特征參數(shù)， 對微生物感染細(xì)胞和正常鱗狀上皮細(xì)胞的的強(qiáng)度特征參數(shù)統(tǒng)計(jì)， 我們得到微生物感染細(xì)胞、 宮頸管腺細(xì)胞和正常鱗狀上皮細(xì)胞的直方圖分布， 如圖 4 所示.

圖 4 強(qiáng)度直方圖Fig.4 Intensity histogram

2.2 多截集分割模型

在2.1節(jié)， 我們通過獲取宮頸微生物感染細(xì)胞、 宮頸管腺細(xì)胞和鱗狀上皮群細(xì)胞的灰度值， 得到如圖 5 所示的宮頸細(xì)胞的灰度概率曲線. 從概率曲線的分布可以看出， 宮頸微生物感染細(xì)胞的灰度分布范圍與宮頸管腺細(xì)胞的灰度分布范圍不是完全分離， 而是有交叉的. 同樣地， 宮頸管腺細(xì)胞與鱗狀上皮群細(xì)胞的灰度分布范圍也具有交叉性. 根據(jù)宮頸微生物感染細(xì)胞、 宮頸管腺細(xì)胞和鱗狀上皮群細(xì)胞的灰度參數(shù)統(tǒng)計(jì)， 我們可以得到它們的灰度均值和方差分別為： muw=0.222 8， sigmaw=0.064 5； mux=0.408 7， sigmax=0.069 6； muq=0.631 6， sigmaq=0.120 7.

由于在統(tǒng)計(jì)宮頸細(xì)胞灰度值時使用的目標(biāo)區(qū)域內(nèi)灰度均值作為這個細(xì)胞的灰度值， 所以為了保證在低截集處能夠分割到目標(biāo)， 我們選取一定的閾值截集的上下限分割宮頸細(xì)胞圖像中的目標(biāo)區(qū)域， 因此根據(jù)宮頸微生物感染細(xì)胞、 宮頸管腺細(xì)胞和鱗狀上皮群細(xì)胞的灰度值的分布， 我們將宮頸細(xì)胞圖像中的K個灰度級用6個截集分開， 此6個截集分別為：q1=0.126 1，q2=0.319 6，q3=0.304 3，q4=0.513 1，q5=0.450 6，q6=0.812 7.

根據(jù)上面得出的6個截集， 可以將宮頸細(xì)胞圖像分為3個層次， 第1層次為染色最深的微生物感染細(xì)胞； 第2層次為染色相對偏淺的微生物感染細(xì)胞和宮頸管腺細(xì)胞； 第3層次為染色正常的鱗狀上皮群細(xì)胞. 由此可以得到多截集分割模型如圖 6 所示.

圖 5 宮頸細(xì)胞圖像概率曲線Fig.5 Probability curve of cervical cell image

圖 6 多截集分割層次模型Fig.6 Multi-threshold segment hierarchy model

3 基于多截集方法的圖像分割實(shí)驗(yàn)

3.1 實(shí)驗(yàn)?zāi)康募胺椒?/p>

本實(shí)驗(yàn)通過收集宮頸細(xì)胞圖像， 驗(yàn)證本文提出的多截集分割方法的準(zhǔn)確性和有效性.

本文是從北京協(xié)和醫(yī)院洛奇臨床檢驗(yàn)所提供的宮頸細(xì)胞標(biāo)本中， 隨機(jī)選取分別包含微生物感染、 宮頸管腺細(xì)胞和子宮內(nèi)膜腺細(xì)胞、 基底和旁(副)基底細(xì)胞、 鱗狀上皮和中間層細(xì)胞宮頸細(xì)胞圖像各100幅. 利用本文提出的多截集分割方法對選取的細(xì)胞圖像進(jìn)行分割， 并從分割得到的結(jié)果分析該方法能否有效提取出微生物感染細(xì)胞.

3.2 實(shí)驗(yàn)結(jié)果與分析

對隨機(jī)選取的分別包含微生物感染、 宮頸管腺細(xì)胞和子宮內(nèi)膜腺細(xì)胞、 基底和旁(副)基底細(xì)胞、 鱗狀上皮和中間層細(xì)胞的400幅宮頸細(xì)胞圖像， 分別利用多截集方法進(jìn)行分割， 得到細(xì)胞圖像.

圖 7 微生物感染標(biāo)本多截集分割圖Fig.7 Multi-threshold segment of microbial infection

圖 8 宮頸管腺細(xì)胞和子宮內(nèi)膜腺細(xì)胞標(biāo)本多截集分割圖Fig.8 Multi-threshold segment of endocervical glandular cells and endometrial glandular cells

圖 10 鱗狀上皮和中間層細(xì)胞標(biāo)本多截集分割圖Fig.10 Multi-threshold segment of squamous epithelial and intermediate layer cells

圖 7～圖 10 是利用多截集分割方法對分別包含微生物感染、 宮頸管腺細(xì)胞和子宮內(nèi)膜腺細(xì)胞、 基底和旁(副)基底細(xì)胞、 鱗狀上皮和中間層細(xì)胞的細(xì)胞圖像進(jìn)行分割的結(jié)果. 從分割得到的二值圖可以看出， 多截集分割方法可以分割得到微生物感染細(xì)胞、 部分宮頸管腺細(xì)胞和子宮內(nèi)膜腺細(xì)胞， 但是不能分割出鱗狀上皮細(xì)胞和中間層細(xì)胞、 基底和旁(副)基底細(xì)胞. 這是因?yàn)槲⑸锔腥尽?宮頸管腺細(xì)胞和子宮內(nèi)膜腺細(xì)胞中有細(xì)胞強(qiáng)度較小的像素值， 該像素值在所選的第一截集以下； 而基底和旁(副)基底細(xì)胞、 鱗狀上皮細(xì)胞和中間層細(xì)胞的所有細(xì)胞強(qiáng)度較大， 大于所選取的第一截集. 由此可知， 多截集分割方法能夠有效地分割出微生物感染細(xì)胞， 并且可以降低細(xì)胞分割計(jì)算時間， 提高圖像處理速度.

4 結(jié) 語

本文根據(jù)宮頸細(xì)胞圖像的強(qiáng)度分布提出了一種多截集分割方法， 并用直觀的數(shù)據(jù)驗(yàn)證了該分割方法的有效性. 實(shí)驗(yàn)表明： 該方法對細(xì)胞強(qiáng)度較低的宮頸細(xì)胞具有較強(qiáng)的適用性， 如微生物感染細(xì)胞、 宮頸管腺細(xì)胞和子宮內(nèi)膜腺細(xì)胞等. 由于鱗狀上皮細(xì)胞和中間層細(xì)胞、 基底和旁(副)基底細(xì)胞的強(qiáng)度偏高， 故不能分割出鱗狀上皮細(xì)胞和中間層細(xì)胞、 基底和旁(副)基底細(xì)胞， 從而減少了鱗狀上皮細(xì)胞和中間層細(xì)胞、 基底和旁(副)基底細(xì)胞對微生物感染細(xì)胞檢測的影響.

[1] 林開顏， 吳軍輝， 徐立鴻. 彩色圖像分割方法綜述[J]. 中國圖象圖形學(xué)報， 2005(1)： 1-10. Lin Kaiyan， Wu Junhui， Xu Lihong. A survey on color image segmentation techniques[J]. Journal of Image and Graphics， 2005(1)： 1-10. (in Chinese)

[2] 柯葉青， 鄭朝暉， 桂預(yù)風(fēng). 基于灰色理論的分裂合并算法研究[J]. 軟件導(dǎo)刊， 2011(8)： 42-44. Ke Yeqing， Zheng Chaohui， Gui Yufeng. Objective reduction using the least square method[J]. Software Guiide， 2011(8)： 42-44. (in Chinese)

[3] 吳東東. 宮頸細(xì)胞圖像分割方法研究[D]. 長沙： 國防科學(xué)技術(shù)大學(xué)， 2012.

[4] 范金坪. 宮頸細(xì)胞圖像分割和識別方法研究[D]. 廣州： 暨南大學(xué)， 2010.

[5] Wilbur D C， Prey M U， Miller W M， et al. The auto Pap system for primary screening in cervical cytology. Comparing the results of a prospective， intended-use study with routine manual practice.[J]. Acta Cytologica， 1998， 42(1)： 214-220.

[6] 曹躍華. 細(xì)胞病理學(xué)診斷圖譜及實(shí)驗(yàn)技術(shù)[M]. 北京： 北京科學(xué)技術(shù)出版社， 2009.

[7] 丁海艷， 孫允高， 葉大田. 計(jì)算機(jī)自動識別宮頸細(xì)胞涂片技術(shù)[J]. 國際生物醫(yī)學(xué)工程雜志， 2000(2)： 85-90. Ding Haiyan， Sun Yungao， Ye Datian. Computer-assisted cervical (Pap) smears screening technology review[J]. International Journal of Biomedical Engineering， 2000(2)： 85-90. (in Chinese)

[8] Bai X M， Shi Q， Yin B C， et al. Color edge detection based on HSV space[J]. Journal of Beijing University of Technology， 2004， 30(4)： 500-504.

[9] 王曉銀， 朱峰， 王在學(xué)， 等. 一次染色清染色液在宮頸快速細(xì)胞學(xué)微生物學(xué)診斷及宮頸癌篩查中的應(yīng)用[J]. 國際婦產(chǎn)科學(xué)雜志， 2014， 41(1)： 57-59. Wang Xiaoyin， Zhu Feng， Wang Zaixue， et al. Application of disposable staining agent in fast cervical cytological microbiology diagnosis and cervical cancer screening[J]. Journal of International Obstetrics and Gynecology， 2014， 41(1)： 57-59. (in Chinese)

[10] 梁美麗. 基于顏色和紋理綜合特征的圖像檢索技術(shù)研究[D]. 太原： 太原理工大學(xué)， 2014.

Application of Multi-Threshold Set in Image Segmentation

WANG Chuanzhong1， HUANG Zhiguo1， WU Haiyan2

(1. School of Information Engineering, Nanchang Hangkong University, Nanchang 330063, China；2. School of Economics and Management, Nanchang Hangkong University, Nanchang 330063, China)

For segmentation problem of cervical microbial infection cells, according to the visual feature discrimination of cervical microbial infection cells and normal cervical cells,this paper presents a multi-threshold segmentation set, based on strength characteristics of cervical microbial infection cells divided up cut set, cervical cell image is segmented.Experiments show that the method can achieve the extraction and segmentation of cervical cells infected by bacteria in the original image quickly and effectively.

multi-threshold segmentation set; image procession; detection of microbial infection

1671-7449(2017)01-0024-05

2016-09-19

汪傳忠(1969-)， 男， 副教授， 博士， 主要從事圖像處理與模式識別的研究.

TP317.4

A

10.3969/j.issn.1671-7449.2017.01.004