涂雪瀅，袁亮

(新疆大學(xué)機械工程學(xué)院，新疆烏魯木齊830047)

0 引言

神經(jīng)絲廣泛存在于動物的成熟神經(jīng)元中，神經(jīng)絲過量表達會導(dǎo)致骨骼肌萎縮，造成癱瘓或者死亡，比如肌萎縮性側(cè)索硬化癥（ALS）、幼稚型脊柱肌肉萎縮癥（ISMA）．因此研究神經(jīng)絲蛋白質(zhì)的運動特性，對醫(yī)學(xué)上神經(jīng)元退化型疾病的診斷及治療有至關(guān)重要的作用[1]．九十年代后期，跟蹤算法開始廣泛運用于運動、交通、生物、醫(yī)學(xué)等各個領(lǐng)域．這些跟蹤算法通?？梢苑譃閮纱箢悾阂活愂峭ㄟ^分析視頻圖片，利用圖像處理技術(shù)對目標進行定位；另一類是基于濾波手段，對視頻中的目標進行數(shù)據(jù)關(guān)聯(lián)．

2005年，Yang[2]等人根據(jù)卡爾曼濾波算法提出了一種可靠的跟蹤大量頻繁出現(xiàn)和消失的密集反平行粒子運動的技術(shù)，這種算法跟蹤成本較低，效率較高，預(yù)測結(jié)果穩(wěn)定，但是它只適合于零均值白噪聲的系統(tǒng)，也就是線性高斯系統(tǒng)．2007年，李培華[3]提出了一種改進的Mean Shift跟蹤算法，該算法首先對顏色進行聚類分析，定義了一種新的顏色模型，并推導(dǎo)了一種相似性度量來比較目標和候選目標的顏色模型之間的相似程度，但該算法在追蹤顏色相近的目標時效果較差．2012年，YUAN[4]等人改進傳統(tǒng)依靠粒子濾波跟蹤神經(jīng)絲蛋白質(zhì)的方法，提出了一種基于限制粒子位置與方向的新算法，該方法減少了系統(tǒng)運算時間，提高了跟蹤效率．2013年，袁亮[5]等人利用馬爾可夫隨機場圖形標簽識別出包含運動神經(jīng)絲蛋白質(zhì)的軸突塊，并細化神經(jīng)絲首尾端點，從而提高了跟蹤精度．2016年，巨剛[6]等人提出了一種基于核函數(shù)算法、粒子濾波、改進重采樣法等多種方法融合的粒子濾波新算法來實現(xiàn)對神經(jīng)絲的自動跟蹤．2018年，袁亮[7]等人運用特征融合的粒子濾波算法對神經(jīng)絲進行跟蹤．

為了減輕人工工作量，克服人們主觀因素的干擾，避免人工誤差，將圖像處理技術(shù)應(yīng)用于神經(jīng)絲蛋白質(zhì)的運動跟蹤，一次性自動完成神經(jīng)絲的定位與路徑檢測，能夠極大地提高跟蹤精度和效率．因此，本文重點研究了單一場景下的單個目標——神經(jīng)絲蛋白質(zhì)的自動連續(xù)跟蹤．設(shè)計了基于圖像處理技術(shù)的神經(jīng)絲蛋白質(zhì)自動跟蹤系統(tǒng)，對神經(jīng)絲運動視頻圖像進行數(shù)字圖像處理，對其顏色直方圖與輪廓特征進行提取和分析研究，從而對神經(jīng)絲蛋白質(zhì)進行跟蹤．與傳統(tǒng)的基于粒子濾波的跟蹤算法相比，該方法具有更高的跟蹤精度與跟蹤效率．

1 圖像預(yù)處理與圖像分割

在神經(jīng)絲蛋白質(zhì)的跟蹤算法中，圖像預(yù)處理與圖像分割具有影響整個系統(tǒng)性能的重要作用．主要是對圖像進行預(yù)先處理，包括去除圖像中多余的信息和分割出所需部分的區(qū)域．在多數(shù)情況下，神經(jīng)絲蛋白質(zhì)的視頻圖像中會存在大量干擾信息，主要包括以下幾個方面：

1.在神經(jīng)絲蛋白質(zhì)圖像中，除了目標神經(jīng)絲蛋白質(zhì)外，在檢測區(qū)域還存在其它神經(jīng)絲蛋白質(zhì)．如圖1(a)所示；

2.當兩條及以上神經(jīng)絲蛋白質(zhì)經(jīng)過同一條通道時，目標神經(jīng)絲蛋白質(zhì)和干擾神經(jīng)絲蛋白質(zhì)發(fā)生“重疊”現(xiàn)象．如圖1(b)所示；

3.當神經(jīng)絲蛋白質(zhì)圖像中兩條通道交錯時，目標神經(jīng)絲蛋白質(zhì)與干擾神經(jīng)絲蛋白質(zhì)發(fā)生交錯．如圖1(c)所示；

4.當神經(jīng)絲蛋白質(zhì)在運動過程中發(fā)生停頓與折返時，目標神經(jīng)絲蛋白質(zhì)的形態(tài)產(chǎn)生“畸變”．如圖1(d)所示．

圖1 神經(jīng)絲跟蹤過程中的難點

這些干擾信息往往會對跟蹤結(jié)果造成影響．對于圖1(a)，有多條神經(jīng)絲蛋白質(zhì)，如不分割圖像，機器可能將干擾神經(jīng)絲蛋白質(zhì)錯認成目標神經(jīng)絲蛋白質(zhì)；而對于圖1(b)，實際是目標神經(jīng)絲蛋白質(zhì)與干擾神經(jīng)絲蛋白質(zhì)發(fā)生重疊，可能將其識別為一條神經(jīng)絲蛋白質(zhì)；對于圖1(c)，當兩條神經(jīng)絲蛋白質(zhì)發(fā)生交錯時，很容易識別錯目標神經(jīng)絲；而在圖1(d)中，神經(jīng)絲蛋白質(zhì)形態(tài)的“畸變”會導(dǎo)致丟失跟蹤目標．在總體圖像中，含有神經(jīng)絲蛋白質(zhì)的區(qū)域只占很小一部分，對整張圖像進行特征提取與目標識別將會大大增加計算量，降低識別效率．綜上所述，為提高算法的效率以及準確率，有必要優(yōu)先進行圖像的預(yù)處理和圖像分割工作．

1.1 灰度處理

通常情況下，實驗獲取的圖像是RGB圖像．但是神經(jīng)絲蛋白質(zhì)本身不具有任何顏色信息，即顏色不能作為識別神經(jīng)絲的特征信息．使用RGB圖像反而會增加計算量，降低識別效率．因此，本文直接使用基于熒光顯微鏡錄制的經(jīng)過標記的神經(jīng)絲的運動視頻，視頻為灰度視頻，拆分為圖像后可直接進行后續(xù)工作，不需要再做灰度處理．而普通視頻中獲取到的神經(jīng)絲蛋白質(zhì)圖像具有顏色差異，需要先將圖像轉(zhuǎn)化為灰度圖像．

1.2 圖像濾波

從視頻采集到的圖像當中，由于多種因素干擾，圖像中往往存在噪聲，對于后續(xù)的目標識別與分割工作會造成很大干擾，嚴重影響對神經(jīng)絲蛋白質(zhì)輪廓的提?。虼诵枰崆皩υ紙D像進行濾波處理，降低噪聲對后續(xù)工作的影響[8]．在原始圖片中存在的噪聲主要分為兩類：一類是脈沖噪聲，可以采用中值濾波對原始圖像進行初步降噪；另一類是高斯噪聲，可以選用低通濾波器進行圖像濾波．經(jīng)過處理的圖像不僅大大降低了噪聲，而且保全了神經(jīng)絲邊緣信息，提高了后續(xù)工作的準確度．

1.3 圖像分割

為了更好地觀察神經(jīng)絲蛋白質(zhì)的圖像特性，需要將包含神經(jīng)絲蛋白質(zhì)的圖像部分分割出來，以便進行特征提?。畬τ谏窠?jīng)絲蛋白質(zhì)視頻圖像，神經(jīng)絲蛋白質(zhì)在表面熒光劑的作用下成亮色，因此在成像時，神經(jīng)絲蛋白質(zhì)與背景形成對比．基于這種特性，一般采用閾值分割法來分割出特定的神經(jīng)絲蛋白質(zhì)．將整幅圖像以t作為閾值進行二值化處理[9]，然后在該圖像中，以神經(jīng)絲部分為中心選取一個最大的矩形連通域A1，在矩形連通域的基礎(chǔ)上長寬各加x個像素值，以確保得到的連通域B1中包含整個神經(jīng)絲蛋白質(zhì)，該連通域即為包含所須檢測神經(jīng)絲蛋白質(zhì)的部分，然后在該區(qū)域中進行特征提取的計算[10]．

對于連續(xù)運動的神經(jīng)絲蛋白質(zhì)，每一幀都在變化．為了使跟蹤結(jié)果具有更高的魯棒性，我們采用圖像關(guān)聯(lián)檢測法，即對每幀中的目標神經(jīng)絲作關(guān)聯(lián)處理．取第1幀中目標神經(jīng)絲的連通域B1，得到其坐標函數(shù)B1=(mA+x)+(nA+x)，在第2幀圖像中，選取坐標函數(shù)為C1=(mA+x+y)×(nA+x+y)的矩形連通域C1為檢測區(qū)域，重復(fù)上述閾值分割的辦法得到包含目標神經(jīng)絲的最大連通域A2，對其長寬各加x個像素值，得到進行特征提取的區(qū)域B2．此處x、y值視具體神經(jīng)絲蛋白質(zhì)運動視頻的分辨率來確定，mA、nA為連通域A1的長和寬．對于存在多個神經(jīng)絲蛋白質(zhì)干擾的視頻圖像，該方法直接鎖定目標神經(jīng)絲，具有更高的效率和準確度．

2 特征提取

對于神經(jīng)絲蛋白質(zhì)視頻圖像，在表面熒光劑的作用下，神經(jīng)絲蛋白質(zhì)成亮色，因此可以分析其顏色與輪廓特征，將神經(jīng)絲蛋白質(zhì)從背景中分割出來．基于這種特性，本文提出了一種K-均值聚類算法和主動輪廓模型算法相結(jié)合的圖像分割算法．

2.1 K-均值聚類算法

K-均值聚類算法[11]是一種根據(jù)圖像信息中數(shù)字信息的共同特征來集中相似信息的算法，將各個對象迭代收斂到據(jù)其最近的對象的中心，步驟如下：

（2）對圖像中像素點Am進行聚類，若則其中m為圖像像素點個數(shù)，n為迭代次數(shù)；

在K-均值聚類算法中，聚類數(shù)k的值直接影響最終結(jié)果，因此首先應(yīng)確定聚類數(shù)k．假設(shè)圖像信息中有p個特征，利用間隙統(tǒng)計法[11,12]，得到間隙曲線的函數(shù)Gap(k)=E(lnWk)?lnWk，其中E為期望值，Wk=為相異度，權(quán)值．取滿足Gap(k)≥Gap(k+1)?σ(k+1)的k值作為最佳聚類數(shù)．

采用間隙統(tǒng)計法對神經(jīng)絲蛋白質(zhì)圖片進行分析，得到結(jié)果如圖2(a)和圖2(b)所示．可以看出，在k=3時，間隙值最大，因此取最佳聚類數(shù)為3．

圖2 間隙統(tǒng)計法曲線

2.2 主動輪廓模型

動輪廓模型[13]也稱為Snake模型，廣泛應(yīng)用于圖像處理技術(shù)中．主動輪廓模型由外部約束力引導(dǎo)，受到圖像中屬性力的作用，鎖定圖像中的邊緣曲線，將snake模型拉向線條和邊緣等特征．Snake曲線v(s)的能量定義為

式中Eint為內(nèi)部約束力能量[14]，Eimage為圖像的屬性力能量，Eimage+Econ統(tǒng)稱為外部能量．內(nèi)部約束力能量可定義為

其中，α代表曲線內(nèi)部存在的牽引力，β代表了曲線的彎曲程度．當Esnake取得極值時，則有

Snake輪廓曲線是能量曲線，當曲線在力的作用下迭代收斂到最小值時，得到目標的輪廓曲線．

在本文中，采用如下步驟對神經(jīng)絲蛋白質(zhì)圖像進行分割．

1.保存圖像的一份副本，在該副本上使用K-means聚類算法對圖像進行初步分割，如圖3(b)；

2.對聚類后的目標進行二值化，得到神經(jīng)絲蛋白質(zhì)的初始輪廓圖，如圖3(c)；

3.對初始輪廓進行去除噪點、孔洞填充、去除毛刺等工作，提取出包圍面積最大的輪廓，如圖3(d)；

4.將該輪廓的點坐標作為snake模型的初始坐標，代入到原圖中，如圖3(e)；

5.在原圖上應(yīng)用snake模型，收斂出連續(xù)而平滑的輪廓曲線，此時所對應(yīng)的輪廓線即為神經(jīng)絲蛋白質(zhì)的邊界，如圖3(f)．

圖3 神經(jīng)絲輪廓特征提取步驟

實驗發(fā)現(xiàn)本文提出的圖像分割算法對神經(jīng)絲蛋白質(zhì)的分割可以達到很好的效果．

3 實驗結(jié)果與分析

神經(jīng)絲蛋白質(zhì)跟蹤實驗所用圖像來源于美國俄亥俄州立大學(xué)Anthony Brown教授實驗室在熒光顯微鏡下錄制的真實視頻．使用基于K-means聚類分割算法和主動輪廓模型算法融合的方法對拆分后的神經(jīng)絲蛋白質(zhì)視頻圖像進行處理，得到神經(jīng)絲蛋白質(zhì)的輪廓特征，并通過其輪廓對蛋白質(zhì)進行跟蹤處理，得到神經(jīng)絲蛋白質(zhì)的運動路徑．取兩組神經(jīng)絲蛋白質(zhì)視頻圖像進行蛋白質(zhì)跟蹤實驗，第1組選取單目標神經(jīng)絲的跟蹤，取幀（07,10,15,20,25,28,30,40,44）為研究對象；第2組選取多目標下單個神經(jīng)絲蛋白質(zhì)跟蹤實驗，取幀（36,40,45,52,55,65,70,75,81）為研究對象．圖4(a)是單目標神經(jīng)絲蛋白質(zhì)跟蹤結(jié)果，圖4(b)是多目標下神經(jīng)絲蛋白質(zhì)跟蹤結(jié)果．

圖4 神經(jīng)絲蛋白質(zhì)跟蹤結(jié)果

從圖4(a)中可以看到，視頻第40幀圖像中的神經(jīng)絲蛋白質(zhì)產(chǎn)生了畸變，普通的粒子濾波跟蹤方法會在第40幀丟失跟蹤目標[6]．而本文基于圖像處理的方法，應(yīng)用灰度直方圖、K-means聚類分割和主動輪廓模型算法，直接將神經(jīng)絲蛋白質(zhì)從背景中分離出來，神經(jīng)絲蛋白質(zhì)的畸變對該方法不產(chǎn)生影響．實驗結(jié)果表明，該方法能夠有效的識別出視頻中運動的神經(jīng)絲蛋白質(zhì)，從而達到跟蹤的目的．從圖4(b)中可以看出，當圖像中存在多個神經(jīng)絲蛋白質(zhì)時，普通跟蹤算法無法連續(xù)識別目標神經(jīng)絲蛋白質(zhì)，而本文基于圖像分割的方法，直接提取出包含目標神經(jīng)絲蛋白質(zhì)的圖像部分進行檢測，在大大減少后續(xù)工作計算量的同時，也提高了算法的精確度．結(jié)果表明，在多個神經(jīng)絲蛋白質(zhì)干擾的復(fù)雜情況下，本文的跟蹤方法仍能夠有效的識別出目標神經(jīng)絲，比一般跟蹤算法具有更高的魯棒性和可靠性．

為了對實驗的跟蹤結(jié)果進行跟蹤性能的數(shù)值化分析，本文使用人工標記的方法與本文使用的方法、普通粒子濾波跟蹤算法對神經(jīng)絲蛋白質(zhì)在連續(xù)幀之間的首端移動的像素距離進行比較，結(jié)果表明：普通粒子濾波跟蹤在第1到第8幀之間跟蹤距離有較大出入，在第36到第42幀之間丟失跟蹤目標，存在較大誤差．而本文使用方法的計算結(jié)果表明該移動距離非常接近手動標記獲得的像素距離，在跟蹤的準確度上明顯優(yōu)于普通粒子濾波的方法，在神神經(jīng)絲干擾導(dǎo)致普通粒子濾波跟蹤算法在個別幀粒子分散、跟蹤不穩(wěn)定、造成較大誤差[5]．而圖像處理跟蹤算法基于圖像分割與圖像關(guān)聯(lián)檢測的方法，鎖定目標神經(jīng)絲蛋白質(zhì)進行跟蹤，基本不受干擾，如圖5所示．

圖5 人工標記和圖像處理方法、粒子濾波方法所得到的連續(xù)幀間像素距離

圖6 顯示出了相應(yīng)的跟蹤誤差值．從圖6(a)與圖6(b)對比得到，第一組視頻中基于粒子濾波的跟蹤方法在第6到第9幀誤差較大，在丟失目標前后出現(xiàn)巨大跟蹤錯誤，而基于圖像處理的跟蹤方法誤差較小，接近人工標記的結(jié)果．對比圖6(c)與圖6(d)，第二組視頻中基于粒子濾波的跟蹤方法的跟蹤誤差平均大于基于圖像處理的跟蹤方法．實驗結(jié)果表明，與普通粒子濾波算法相比，基于圖像處理技術(shù)的跟蹤算法準確度更高．

圖6 圖像處理方法和粒子濾波方法的跟蹤誤差

4 結(jié)論

該項目構(gòu)建了適應(yīng)于視頻中熒光顯微下神經(jīng)絲蛋白質(zhì)運動目標檢測的圖像采集軟件系統(tǒng)，通過MATLAB拆分視頻獲得每一幀神經(jīng)絲蛋白質(zhì)圖像，研究了適合于該圖像的預(yù)處理方法．采用間隙統(tǒng)計法對神經(jīng)絲蛋白質(zhì)圖片進行分析處理，將目標聚成3類，使用K-means聚類分割算法逐次收斂出不同類別的對象的中心．通過處理初始輪廓提取出包圍面積最大的輪廓，利用主動輪廓模型將初始輪廓迭代收斂為神經(jīng)絲蛋白質(zhì)的輪廓．通過每一幀蛋白質(zhì)的位置坐標，得到神經(jīng)絲蛋白質(zhì)的運動路徑，從而達到跟蹤的目的．系統(tǒng)能夠有效的提取出視頻中的神經(jīng)絲蛋白質(zhì)，實現(xiàn)實時跟蹤，減少了運算時間，提高了跟蹤效率．