摘要通過生物學(xué)研究發(fā)現(xiàn)，細(xì)胞的行為常常與許多疾病的發(fā)展有關(guān)，而細(xì)胞分割與細(xì)胞跟蹤是研究細(xì)胞行為的重要手段。本文針對細(xì)胞分割及跟蹤進(jìn)行了較深入的研究，實(shí)現(xiàn)了相關(guān)算法并提出了一系列新的優(yōu)化算法，本文的主要工作如下：1）在細(xì)胞分割方面，本文提出了融合邊緣信息及局部灰度特征的細(xì)胞區(qū)域提取算法，該算法可以較為準(zhǔn)確的提取細(xì)胞真實(shí)輪廓，針對較難解決的黏連細(xì)胞問題，本文提出了基于多尺度LOG算子檢測細(xì)胞中心的分階段分割方法，該方法可以通過局部梯度信息和形態(tài)學(xué)信息分割黏連細(xì)胞，使分割結(jié)果更加貼近細(xì)胞的真實(shí)輪廓。同時(shí)，本文還嘗試了基于深度學(xué)習(xí)的細(xì)胞分割算法，經(jīng)檢驗(yàn)基于U-Net的細(xì)胞圖像分割算法準(zhǔn)確度較高，與本文算法提取結(jié)果并無明顯差異。2）在細(xì)胞跟蹤方面，本文提出了基于最近鄰算法的優(yōu)化跟蹤算法，該算法基于細(xì)胞運(yùn)動(dòng)規(guī)律抽象出簡易的細(xì)胞運(yùn)動(dòng)模型，在細(xì)胞被正確的分割的前提下，使用該算法即可較好的完成細(xì)胞追蹤的任務(wù)，并且可以一定程度上標(biāo)記細(xì)胞的分裂現(xiàn)象，為后期的細(xì)胞形態(tài)學(xué)分析或細(xì)胞圖譜建立提供了算法支持。3）在細(xì)胞形態(tài)分析方面，本文基于跟蹤結(jié)果簡單的實(shí)現(xiàn)了單個(gè)細(xì)胞的位置、細(xì)胞區(qū)域面積、細(xì)胞平均熒光強(qiáng)度（熒光標(biāo)記物濃度）的跟蹤，可以有效的滿足一些科研工作者的需求。關(guān)鍵詞：細(xì)胞分割；細(xì)胞跟蹤；細(xì)胞形態(tài)分析；深度學(xué)習(xí)；

ABSTRACTThroughbiologicalresearch,cellbehaviorisoftenassociatedwiththedevelopmentofmanydiseases,andcellsegmentationandcelltrackingareimportantmeansofstudyingcellbehavior.Inthispaper,wehavecarriedoutin-depthresearchoncellsegmentationandtracking,implementedrelatedalgorithmsandproposedaseriesofnewoptimizationalgorithms.Themainworkofthispaperisasfollows:1)Intermsofcellsegmentation,thispaperproposesacellregionextractionalgorithmthatcombinesedgeinformationandlocalgrayscalefeatures.Thisalgorithmcanextractthetruecontourofcellsmoreaccurately.Forthedifficultproblemofadhesioncells,thispaperproposesmorebasedonThescaleLOGoperatordetectsthestagedsegmentationmethodofthecellcenter.Thismethodcansegmenttheadherentcellsbylocalgradientinformationandmorphologicalinformation,sothatthesegmentationresultisclosertothetruecontourofthecell.Atthesametime,thispaperalsoattemptsacellsegmentationalgorithmbasedondeeplearning.TheU-Net-basedcellimagesegmentationalgorithmhashighaccuracy,andthereisnosignificantdifferencebetweenthealgorithmandthealgorithm.2)Intermsofcelltracking,thispaperproposesanoptimaltrackingalgorithmbasedonnearestneighboralgorithm,whichabstractsasimplecellmotionmodelbasedoncellmotionlaw.Underthepremiseofcorrectsegmentationofcells,thealgorithmisbetter.Thetaskofcompletingcelltracking,andcanmarkthecelldivisionphenomenontosomeextent,andprovidealgorithmsupportforthelatercellmorphologyanalysisorcellmapestablishment.3)Intermsofcellmorphologyanalysis,thispapersimplytracesthepositionofindividualcells,theareaof??cellarea,andtheaveragefluorescenceintensityofcells(fluorescentmarkerconcentration)basedonthetrackingresults,whichcaneffectivelymeettheneedsofsomeresearchers.KEYWORDS:CellSegmentation;CellTracking;CellMorphologyAnalysis;DeepLearning;

目錄緒論 5課題背景及意義 5國內(nèi)外研究現(xiàn)狀 5細(xì)胞分割國內(nèi)外研究現(xiàn)狀 5細(xì)胞追蹤國內(nèi)外研究現(xiàn)狀 6課題研究的主要內(nèi)容及章節(jié)安排 6研究內(nèi)容 6章節(jié)安排 7細(xì)胞圖像采集與預(yù)處理 8引言 8實(shí)驗(yàn)對象簡介 8生物背景簡介 8細(xì)胞培養(yǎng)實(shí)驗(yàn) 9公開數(shù)據(jù)集 9細(xì)胞圖像預(yù)處理 10**BM3D圖像降噪 10圖像光照校正 12圖像背景去除 15圖像對比度增強(qiáng) 16細(xì)胞核精確分割算法 18引言 18傳統(tǒng)細(xì)胞區(qū)域提取算法 18全局灰度閾值法 19局部灰度閾值法 20基于邊緣和局部特征的雙模態(tài)提取算法 21黏連細(xì)胞核分割算法 23基于LOG算子的細(xì)胞中心檢測 23基于梯度信息的分割算法 24基于細(xì)胞形態(tài)學(xué)的分割算法 25基于深度學(xué)習(xí)的細(xì)胞核分割算法 26基于U-net模型的分割 26基于改進(jìn)的最近鄰算法的細(xì)胞跟蹤 28引言 28細(xì)胞運(yùn)動(dòng)學(xué)模型 28基于概率的細(xì)胞追蹤算法 29細(xì)胞形態(tài)分析及行為識別 31引言 31形態(tài)分析 31細(xì)胞行為識別 31細(xì)胞分裂、增殖簡介 31形態(tài)分析 31行為識別與分析 32結(jié)論與展望 34參考文獻(xiàn) 35

緒論課題背景及意義細(xì)胞的行為常常與許多疾病的發(fā)展有關(guān)，例如癌細(xì)胞從原來的組織遷移到其他組織，從而導(dǎo)致的癌癥擴(kuò)散現(xiàn)象，因而對細(xì)胞行為的分析和研究對許多生物過程有重要的意義。傳統(tǒng)的細(xì)胞行為分析一般依賴于醫(yī)學(xué)專家的人工判斷，帶有一定的主觀性，不利于定性、定量的分析。而隨著計(jì)算機(jī)的發(fā)展，計(jì)算機(jī)圖像視覺技術(shù)為醫(yī)學(xué)研究提供了新的方法，細(xì)胞圖像分割方法與細(xì)胞跟蹤方法成為研究細(xì)胞形態(tài)變化以及細(xì)胞運(yùn)動(dòng)規(guī)律的重要手段。目前，圖像分割技術(shù)已經(jīng)趨于成熟，在理論與應(yīng)用上都得到了很大的完善。但由于顯微視頻場景復(fù)雜以及細(xì)胞形態(tài)多樣等問題的存在，很多傳統(tǒng)的圖像分割方法在復(fù)雜場景下難以正確分割細(xì)胞，需要進(jìn)行后期人工糾正。單一的圖像分割方法如基于閾值、分水嶺、水平集等方法，在細(xì)胞聚集、亮度不均的情況下，往往造成細(xì)胞的過分割或欠分割。因此，深入挖掘目標(biāo)細(xì)胞的特征，實(shí)現(xiàn)自動(dòng)化分割細(xì)胞是一個(gè)值得研究的課題。在顯微圖像序列中，由于細(xì)胞形態(tài)復(fù)雜、大量聚集，圖像對比度不足、分辨率有限等原因，顯微圖像序列中的細(xì)胞跟蹤往往更具有挑戰(zhàn)性，具有重要的應(yīng)用和研究價(jià)值。在細(xì)胞跟蹤研究初期，學(xué)者一般通過人工的方式獲取細(xì)胞的運(yùn)動(dòng)軌跡，但由于需要進(jìn)行長達(dá)幾小時(shí)甚至十幾小時(shí)的長期觀察，極易造成人眼的疲勞，從而影響追蹤精度。隨著目標(biāo)跟蹤領(lǐng)域的不斷發(fā)展，一些學(xué)者嘗試將雷達(dá)跟蹤中的卡爾曼濾波、粒子濾波等傳統(tǒng)經(jīng)典算法應(yīng)用于細(xì)胞跟蹤，并且取得了一定的效果。但是這些方法都是基于單目標(biāo)跟蹤的方法，難以處理目標(biāo)數(shù)目變化的情況，尤其難以跟蹤細(xì)胞分裂、融合等多種復(fù)雜狀態(tài)，因此目前細(xì)胞追蹤領(lǐng)域仍有大量問題有待深入研究。本文將傳統(tǒng)閾值分割算法以及基于邊緣的分割算法融合，作為細(xì)胞分割算法的核心，實(shí)現(xiàn)了高密度細(xì)胞、低對比度圖像下的細(xì)胞準(zhǔn)確分割，同時(shí)基于改進(jìn)的細(xì)胞運(yùn)動(dòng)模型提出簡單快捷的細(xì)胞跟蹤算法并取得了較好的效果，完成了細(xì)胞分割以及跟蹤的自動(dòng)化，大大減少了人力資源的浪費(fèi)。國內(nèi)外研究現(xiàn)狀細(xì)胞分割國內(nèi)外研究現(xiàn)狀圖像分割是對整個(gè)圖像中的每個(gè)像素添加區(qū)域標(biāo)簽的過程，這一過程是按照一定規(guī)則，把一幅圖像分成若干個(gè)具有特定特征的子區(qū)域（也被稱作超像素）的過程。細(xì)胞圖像分割是對圖像中細(xì)胞識別的過程。由于顯微成像場景復(fù)雜、噪聲大、對比度低，并且細(xì)胞種類繁多、形態(tài)多樣，所以細(xì)胞圖像分割一直是圖像分割的熱點(diǎn)和難點(diǎn)。隨著計(jì)算機(jī)的發(fā)展，半自動(dòng)分割方法出現(xiàn)，使細(xì)胞分割在效率上相比人工分割有了質(zhì)的提高。近年來，圖像分割理論的完善，很多經(jīng)典的圖像分割方法針對特定的細(xì)胞可以實(shí)現(xiàn)全自動(dòng)分割，但是在應(yīng)對細(xì)胞聚集、光照不均勻等復(fù)雜視場的情況下表現(xiàn)較差。目前常用的分割細(xì)胞圖像的方法大多數(shù)是基于閾值，基于邊緣，基于分水嶺等方法改進(jìn)的。閾值方法包括全局閾值法和局部閾值法。全局閾值法根據(jù)圖像整體的灰度分布得到一個(gè)最佳的閾值，因此需要前景與背景灰度差距較大，當(dāng)背景光照不均或者細(xì)胞與背景灰度差距不大時(shí)，難以提取細(xì)胞區(qū)域。局部閾值法中圖像各處的閾值與局部像素特征有關(guān)，在細(xì)胞圖像分割中基本可以正確提取細(xì)胞區(qū)域，但是不能解決邊緣輪廓失真以及細(xì)胞黏連問題，仍然需要后續(xù)算法處理，因此該方法通常用作細(xì)胞圖像粗分割。圖像邊緣象征背景到前景的一個(gè)灰度的階躍變化，使用邊緣檢測算子可以實(shí)現(xiàn)對邊緣的檢測，其主要思想是利用邊緣處相鄰像素灰度值的階躍性，通過一階或二階導(dǎo)數(shù)的極值點(diǎn)或零點(diǎn)作為邊緣檢測點(diǎn)。Canny算子是最著名的一種邊緣檢測算子，它利用兩個(gè)閾值分別檢測圖像的強(qiáng)邊緣和弱邊緣，當(dāng)且僅當(dāng)弱邊緣和強(qiáng)邊緣相連時(shí)，弱邊緣才會出現(xiàn)在最終的邊緣結(jié)果中。但邊緣檢測方法應(yīng)用于細(xì)胞圖像分割中，提取的邊界往往不連續(xù)或者對背景干擾響應(yīng)過強(qiáng)。分水嶺方法是數(shù)學(xué)形態(tài)學(xué)中經(jīng)典的圖像分割方法。該方法將圖像看作地理上被水覆蓋的自然地貌，圖像中像素灰度值代表海拔高度，極小值以及其影響區(qū)域稱為集水盆，集水盆的邊界即為分水嶺，通過這些邊界可以對圖像進(jìn)行分割。分水嶺分割圖像常常需要和其他方法（距離變換、梯度、標(biāo)記圖像）結(jié)合?；谶@種思想這種方法常用用來分割黏連細(xì)胞，但是在實(shí)際應(yīng)用中，這種方法往往造成過分割。細(xì)胞追蹤國內(nèi)外研究現(xiàn)狀通過跟蹤細(xì)胞運(yùn)動(dòng)，即可得到細(xì)胞的運(yùn)動(dòng)屬性，如速度、加速度等。最簡單的方法是通過手工標(biāo)記關(guān)聯(lián)前后幀細(xì)胞得到細(xì)胞的軌跡。人工的方法通常包括兩步：第一步，在細(xì)胞分割結(jié)果的基礎(chǔ)上，得到每一個(gè)細(xì)胞的中心；第二步，通過分析前后幀細(xì)胞的特點(diǎn)，關(guān)聯(lián)前后幀細(xì)胞。然后將關(guān)聯(lián)細(xì)胞的中心連接即可得到細(xì)胞的軌跡，之后便可在此結(jié)果基礎(chǔ)上，得到其他運(yùn)動(dòng)屬性。這種人工的方式，浪費(fèi)人力，并且可能會由于人的疲勞使得跟蹤結(jié)果不準(zhǔn)確，自動(dòng)化的方法對于細(xì)胞跟蹤有重要的意義。常用的目標(biāo)跟蹤方法可以分為兩類：第一類，基于非貝葉斯框架，包括最近鄰方法、全局最近鄰、mean-shift算法等；第二類，基于貝葉斯框架，包括卡爾曼濾波、粒子濾波、概率假設(shè)密度濾波等。課題研究的主要內(nèi)容及章節(jié)安排研究內(nèi)容為了在復(fù)雜顯微視頻場景中正確地分割細(xì)胞，本文著重分析黏連細(xì)胞的特點(diǎn)，提出了基于細(xì)胞中心檢測的四階段細(xì)胞分割方法。在細(xì)胞分割結(jié)果的基礎(chǔ)上，提取細(xì)胞特征，采用改進(jìn)的最近鄰方法實(shí)現(xiàn)了對細(xì)胞的準(zhǔn)確跟蹤。主要研究內(nèi)容如下：針對顯微視場成像的局限性，采用了一系列的圖像預(yù)處理算法，完成圖像的降噪、光照校正、背景干擾去除以及對比度增強(qiáng)，為本文后續(xù)的算法提供良好的支持。針對傳統(tǒng)圖像分割方法應(yīng)用于細(xì)胞分割的缺點(diǎn)，提出了一種基于多信息融合的提取細(xì)胞輪廓的方法。首先，通過改進(jìn)的局部閾值方法提取細(xì)胞區(qū)域；之后，結(jié)合細(xì)胞邊緣信息，盡可能準(zhǔn)確的完成細(xì)胞初步分割；通過多尺度LOG算子檢測連通區(qū)域中細(xì)胞個(gè)數(shù)以及其中心，輔助后續(xù)的黏連細(xì)胞分割；接著，在得到細(xì)胞中心的基礎(chǔ)上，通過結(jié)合局部灰度特征和形態(tài)學(xué)的方法分割黏連細(xì)胞，得到準(zhǔn)確的分割結(jié)果，使邊界較傳統(tǒng)方法更加逼近細(xì)胞真實(shí)邊界。針對顯微視頻目標(biāo)數(shù)目眾多、狀態(tài)復(fù)雜等特點(diǎn)，提出一種細(xì)胞運(yùn)動(dòng)模型，以改進(jìn)的最近鄰方法快速簡單的實(shí)現(xiàn)細(xì)胞跟蹤。章節(jié)安排第1章為緒論，主要介紹課題研究的背景和意義，細(xì)胞圖像分割領(lǐng)域內(nèi)常用的算法以及存在的問題，目標(biāo)跟蹤領(lǐng)域內(nèi)常用的算法以及它們存在的問題。第2章介紹了本文所使用的圖像數(shù)據(jù)來源，其中包括實(shí)驗(yàn)采集數(shù)據(jù)及公開數(shù)據(jù)集，以及針對細(xì)胞圖像的一系列預(yù)處理算法。第3章介紹了本文提出的細(xì)胞圖像分割方法。該方法不僅能夠解決細(xì)胞黏連問題，而且最終提取的細(xì)胞輪廓能夠盡可能的逼近細(xì)胞的真實(shí)形狀，邊緣保真效果較好。第4章介紹了一個(gè)基于灰度特征的細(xì)胞跟蹤方法。通過建立細(xì)胞運(yùn)動(dòng)學(xué)模型改進(jìn)最近鄰方法，實(shí)現(xiàn)了細(xì)胞的準(zhǔn)確跟蹤。第5章介紹了基于分割與追蹤的細(xì)胞形態(tài)學(xué)等信息的分析，為生物研究人員提供一種自動(dòng)化分析方法。

細(xì)胞圖像采集與預(yù)處理引言本文課題來源于西北大學(xué)物理學(xué)院張策老師帶領(lǐng)的實(shí)驗(yàn)團(tuán)隊(duì)的實(shí)際需求，因此本文的主要研究對象為實(shí)驗(yàn)中所獲得的3T3細(xì)胞圖像序列。由于某些外部原因，實(shí)驗(yàn)中熒光顯微鏡拍攝的細(xì)胞圖像一般存在背景光照不均勻或者對比度較弱等諸多問題，因此，在執(zhí)行本文核心算法前需要對所獲圖像進(jìn)行圖像預(yù)處理操作以避免干擾因素影響算法效果。本文所進(jìn)行的圖像預(yù)處理操作主要有細(xì)胞圖像光照校正、圖像背景去除、BM3D降噪以及圖像對比度增強(qiáng)。為驗(yàn)證本文算法的穩(wěn)定性與分割和追蹤效果，我們在另外三個(gè)目前公認(rèn)的公開數(shù)據(jù)集上進(jìn)行了算法測試，其中包括約600張帶有分割標(biāo)記及追蹤標(biāo)記的細(xì)胞圖像。實(shí)驗(yàn)對象簡介生物背景簡介3T3成纖維細(xì)胞是由兩位科學(xué)家于1962年建立的細(xì)胞系，目前已成為標(biāo)準(zhǔn)的成纖維細(xì)胞系，并常常作為一種重要的細(xì)胞材料用于體外致癌研究。3T3細(xì)胞此細(xì)胞系細(xì)胞核帶有H2B-GFP綠色熒光標(biāo)記，細(xì)胞質(zhì)帶有P65-DsRed紅色熒光標(biāo)記。實(shí)驗(yàn)中，通過施加外部刺激物（TumorNecrosisFactor，腫瘤壞死因子是一種能夠直接殺傷腫瘤細(xì)胞且對正常細(xì)胞無明顯毒性的細(xì)胞因子），使得3T3細(xì)胞激活其核內(nèi)P65的表達(dá)，使得熒光物質(zhì)P65-DsRed在細(xì)胞核內(nèi)外發(fā)生轉(zhuǎn)移，而熒光成像所得圖像的亮度與該位置熒光強(qiáng)度成正比，因此可以將熒光物質(zhì)的轉(zhuǎn)移等價(jià)于圖像上亮度的轉(zhuǎn)移，即在細(xì)胞圖像上細(xì)胞核內(nèi)外灰度信息隨時(shí)間發(fā)生變化。因此，根據(jù)圖像中細(xì)胞核、質(zhì)兩個(gè)區(qū)域的灰度值總和來計(jì)算熒光標(biāo)記物（P65-DsRed）在細(xì)胞核內(nèi)和核外的分布關(guān)系，計(jì)算完成后利用MATLAB軟件分析目標(biāo)細(xì)胞對實(shí)驗(yàn)施加的刺激物的隨時(shí)間響應(yīng)曲線，即P65-DsRed的分布隨時(shí)間的變化曲線。通過觀察該響應(yīng)曲線可以判斷在細(xì)胞核內(nèi)外P65的表達(dá)和轉(zhuǎn)移是否具有特定規(guī)律以及是否對應(yīng)于某種特定細(xì)胞行為。細(xì)胞培養(yǎng)實(shí)驗(yàn)在實(shí)際細(xì)胞培養(yǎng)實(shí)驗(yàn)中，利用H2B-GFP綠色熒光和P65-DsRed紅色熒光這兩種不同的熒光物質(zhì)進(jìn)行成像，可以在熒光顯微鏡成像下拍攝不同波長下的3T3細(xì)胞圖像，進(jìn)而針對性的完成特定目標(biāo)物體的獨(dú)立成像。因此在熒光顯微鏡拍攝的時(shí)候可以獲得三個(gè)圖像通道的數(shù)據(jù)：第一個(gè)是BF通道，即明場通道；第二個(gè)是FITC，即細(xì)胞質(zhì)成像通道；第三個(gè)是TRITC，即細(xì)胞核成像通道，本文通過結(jié)合三個(gè)通道的圖像信息可以更好的完成本文的工作。實(shí)驗(yàn)時(shí)，在定制的多個(gè)細(xì)胞培養(yǎng)芯片中培養(yǎng)3T3細(xì)胞以獲得足夠數(shù)量的細(xì)胞圖像數(shù)據(jù)。實(shí)驗(yàn)前首先檢查芯片是否存在漏液的問題，然后使用50ug/mL纖維連接蛋白（fibronectin）包被芯片至少1h，再用PBS清洗，隨后用空氣將細(xì)胞注入芯片培養(yǎng)腔，待細(xì)胞貼壁后（大約24h），用10ng/mL的刺激（對細(xì)胞進(jìn)行刺激，用恒定的、脈沖的或正弦的方式來激活細(xì)胞內(nèi)信號通路），刺激時(shí)間范圍為0min-240min，在刺激期間每隔4分鐘用熒光顯微鏡拍照一次，得到熒光顯微鏡拍攝的原始細(xì)胞圖像，最后利用ImageJ軟件對細(xì)胞熒光成像結(jié)果進(jìn)行處理，轉(zhuǎn)化成灰度圖像以供后續(xù)算法使用。細(xì)胞培養(yǎng)示意圖經(jīng)過多次實(shí)驗(yàn)本文獲得了一系列的3T3細(xì)胞圖像數(shù)據(jù)，在所獲數(shù)據(jù)集中，噪聲較多、分割較難的圖像數(shù)據(jù)占有一定比例，其主要原因在于實(shí)驗(yàn)設(shè)備較差和成像條件有限，因此成像較差的圖像較為常見，為提高實(shí)驗(yàn)數(shù)據(jù)的利用效率，本文針對性的對這些成像較差的圖像進(jìn)行算法優(yōu)化，提高細(xì)胞分割與追蹤的準(zhǔn)確度。公開數(shù)據(jù)集為驗(yàn)證本文提出的算法具有良好兼容性、準(zhǔn)確性與魯棒性，本文使用得到廣泛認(rèn)同的公開細(xì)胞圖像數(shù)據(jù)集進(jìn)行測試，考慮到數(shù)據(jù)集需要同時(shí)具備分割和追蹤的人工標(biāo)記結(jié)果，本文選用以下三個(gè)數(shù)據(jù)集作為驗(yàn)證：Fluo-N2DH-GOWT1數(shù)據(jù)集該數(shù)據(jù)集的成像目標(biāo)為GFP-GOWT1小鼠干細(xì)胞，由捷克共和國科學(xué)院生物物理研究所E.Bártová博士公開。Fluo-N2DH-SIM+數(shù)據(jù)集該數(shù)據(jù)集成像目標(biāo)是使用Hoescht染色的HL60細(xì)胞核，由生物醫(yī)學(xué)圖像分析中心（CBIA）的V.Ulman博士和D.Svoboda博士公開。Fluo-N2DL-HeLa數(shù)據(jù)集該數(shù)據(jù)集拍攝的使HeLa細(xì)胞穩(wěn)定表達(dá)H2b-GFP，Mitocheck財(cái)團(tuán)公開上述數(shù)據(jù)集均為公開數(shù)據(jù)集，引用較為廣泛，細(xì)胞成像結(jié)果較好，適合作為測試集進(jìn)行比對測試以驗(yàn)證算法的有效性。細(xì)胞圖像預(yù)處理**BM3D圖像降噪工程上，圖像中的噪聲常常用高斯噪聲來近似表示，其中，是噪聲的方差，越大，噪聲越大。一個(gè)有效的去除高斯噪聲的方式是圖像平均，對N幅相同的圖像進(jìn)行平均的結(jié)果將使得高斯噪聲的方差降低到原來的N分之一，現(xiàn)在效果比較好的去噪算法都是基于這一思想來進(jìn)行算法設(shè)計(jì)。目前在圖像去噪領(lǐng)域NLM（Non-LocalMeans）方法和BM3D（Block-matchingand3Dfiltering，3維塊匹配濾波）方法是公認(rèn)的表現(xiàn)最好的算法之一。NLM（Non-LocalMeans，非局部平均算法）是由Baudes于2005年提出，該算法使用自然圖像中普遍存在的冗余信息來去噪聲。與常用的雙線性濾波、中值濾波等利用圖像局部信息來濾波不同的是，它利用了整幅圖像來進(jìn)行去噪，以圖像塊為單位在噪聲圖像中尋找相似區(qū)域，再對這些區(qū)域求平均，從而比較好地去掉圖像中存在的高斯噪聲。BM3D算法的思路與NLM相似，同樣是在噪聲圖像中尋找相似塊進(jìn)而進(jìn)行濾波去噪，但相對而言整體過程要復(fù)雜一些。BM3D算法總共有兩大步驟，分為基礎(chǔ)估計(jì)（Step1）和最終估計(jì)（Step2）,在這兩大步中，分別又有三小步：相似塊分組（Grouping），協(xié)同濾波（CollaborativeFiltering）和聚合（Aggregation）。以下簡單介紹BM3D算法過程：Step1：基礎(chǔ)估計(jì)Grouping：首先在噪聲圖像中選擇一些大小的參照塊（ReferencePatch/Block），在參照塊的周圍的區(qū)域內(nèi)進(jìn)行搜索，尋找若干個(gè)相似度最高的塊，并把這些塊整合成一個(gè)3維的矩陣，同時(shí)將參照塊自身整合進(jìn)3維矩陣，且差異度為0。衡量兩個(gè)圖像塊的相似度最常用的方法是計(jì)算他們之間的歐氏距離：是一個(gè)歸一化的因子，是所有權(quán)重的和，對每個(gè)權(quán)重除以該因子后，使得權(quán)重滿足和為1的條件。是濾波系數(shù)，控制指數(shù)函數(shù)的衰減從而改變歐氏距離的權(quán)重。和代表了像素和像素的鄰域，這個(gè)鄰域常稱為塊鄰域。是兩個(gè)鄰域的高斯加權(quán)歐式距離，其中是高斯核的標(biāo)準(zhǔn)差。在求歐式距離的時(shí)候，不同位置的像素的權(quán)重是不一樣的，距離塊的中心越近，權(quán)重越大，距離中心越遠(yuǎn)，權(quán)重越小，權(quán)重服從高斯分布。實(shí)際計(jì)算中考慮到計(jì)算量的問題，常常采用均勻分布的權(quán)重。尋找相似塊這一過程可以用一個(gè)公式來表示：式中代表兩個(gè)塊（和）之間的歐式距離，如果距離小于閾值則將塊加入相似的Group。(2)CollaborativeFiltering：形成若干個(gè)三維的矩陣之后，首先將每個(gè)三維矩陣中的二維的塊（即噪聲圖中的某個(gè)塊）進(jìn)行二維變換，可采用小波變換或DCT變換等，通常采用小波BIOR1.5。二維變換結(jié)束后，在矩陣的第三個(gè)維度進(jìn)行一維變換，通常為阿達(dá)馬變換（HadamardTransform）。變換完成后對三維矩陣進(jìn)行硬閾值處理，將小于閾值的系數(shù)置0，然后通過在第三維的一維反變換和二維反變換得到處理后的圖像塊。(3)Aggregation：此時(shí)，每個(gè)二維塊都是對去噪圖像的估計(jì)。這一步分別將這些塊融合到原來的位置，每個(gè)像素的灰度值通過每個(gè)對應(yīng)位置的塊的值加權(quán)平均，權(quán)重取決于置0的個(gè)數(shù)和噪聲強(qiáng)度。Step2：最終估計(jì)(1)Grouping：第二步中的聚合過程與第一步類似，不同的是，這次將會得到兩個(gè)三維數(shù)組：噪聲圖形成的三維矩陣和基礎(chǔ)估計(jì)結(jié)果的三維矩陣。(2)CollaborativeFiltering：兩個(gè)三維矩陣都進(jìn)行二維和一維變換，這里的二維變換通常采用DCT變換以得到更好的效果。用維納濾波（WienerFiltering）將噪聲圖形成的三維矩陣進(jìn)行系數(shù)放縮，該系數(shù)通過基礎(chǔ)估計(jì)的三維矩陣的值以及噪聲強(qiáng)度得出。(3)Aggregation：與第一步中一樣，這里也是將這些塊融合到原來的位置，只是此時(shí)加權(quán)的權(quán)重取決于維納濾波的系數(shù)和噪聲強(qiáng)度。經(jīng)過最終估計(jì)之后，BM3D算法已經(jīng)將原圖的噪聲顯著地去除。本文使用BM3D算法提供的源程序進(jìn)行細(xì)胞圖像的去噪，效果如下：原圖原圖的BM3D去噪效果通過一系列降噪處理，包括中值濾波去除局部異常點(diǎn)，BM3D去除背景噪點(diǎn)，原始細(xì)胞圖像的信噪比得到提高，避免背景噪點(diǎn)對分割算法產(chǎn)生不可控的影響。圖像光照校正由于實(shí)驗(yàn)過程中細(xì)胞培養(yǎng)歷時(shí)較長，一般達(dá)到數(shù)十小時(shí)，而外界的光照在培養(yǎng)期間可能發(fā)生較大幅度的變化，同時(shí)，由于顯微成像自身感光元件的原因，因此實(shí)驗(yàn)中采集到的細(xì)胞圖像序列往往存在以下問題：（1）單張圖像背景亮度在空間尺度上存在不均勻，表現(xiàn)為四周的暗角和中央?yún)^(qū)域的高光（2）序列圖像背景亮度在時(shí)間尺度上存在不一致，表現(xiàn)為圖像整體偏暗或偏亮空間尺度分布不均由于計(jì)算機(jī)算法處理的細(xì)胞圖像一般是灰度圖，其灰度信息是一種顯著的圖像特征，而不均勻光照的存在會給細(xì)胞分割及追蹤算法帶來諸多不確定的干擾和未知的影響，因此首先需要通過圖像預(yù)處理算法校正背景光照，對圖像光照進(jìn)行統(tǒng)一，其基本原理是對圖像不均勻的背景光照進(jìn)行算法估計(jì)或者實(shí)際拍攝，通過原圖與估計(jì)得到的背景光照圖做減法運(yùn)算，得到理論上光照均勻的細(xì)胞圖像。如何根據(jù)輸入圖像實(shí)現(xiàn)對不均勻光照的準(zhǔn)確估計(jì)是所有光照校正統(tǒng)一算法的核心內(nèi)容，目前常用的算法是利用高斯模糊計(jì)算圖像的背景光照，這種算法比較簡單，計(jì)算量小，該算法基于的假設(shè)是背景光照在較大的范圍內(nèi)平穩(wěn)而沒有劇烈的變化，并且前景主體相對于背景而言面積較小，對整個(gè)圖像進(jìn)行模糊操作時(shí)，明亮的主體在模糊后對背景亮度影響較小，可以忽略不計(jì)，并且主體會隨著模糊操作融入背景中，不再明顯可見，最終得到一張背景光照估計(jì)圖。但是由于細(xì)胞顯微圖像中，細(xì)胞成像一般亮度較高，即灰度值較大，圖像整體進(jìn)行高斯模糊帶來的影響必然是背景亮度整體偏高，因此導(dǎo)致圖像邊緣區(qū)域的局部灰度閾值增大，對本身成像較暗的邊緣區(qū)域而言，利用局部灰度閾值進(jìn)行提取的精確度就大為折扣。因此，為了消除亮度較高的細(xì)胞對背景光照估計(jì)的影響，本文提出基于形態(tài)學(xué)腐蝕方法的改進(jìn)算法。對原始圖像首先進(jìn)行腐蝕，目的是去除局部的高亮區(qū)域，即用背景光照的灰度值去填充該區(qū)域，最終使得整體背景光照更加接近真實(shí)值。如下圖，經(jīng)過模擬圖像測試，本文提出的基于腐蝕的背景估計(jì)算法更貼近實(shí)際的背景，簡單高斯模糊所估計(jì)的背景圖相較真實(shí)值偏亮，明顯受到前景高亮度的主體的影響較大，因此本文提出的算法能夠更好的完成背景光照估計(jì)。前景 背景 整體 本文算法背景光照估計(jì)值 簡單高斯背景光照估計(jì)使用本文提出的背景光照校正算法對獲得細(xì)胞圖像及細(xì)胞核圖像進(jìn)行處理，效果如下圖所示：細(xì)胞質(zhì)圖像光照較正細(xì)胞核圖像光照校正可以看出，本文提出的算法能夠很好的去除不均勻的背景光照，經(jīng)過光照校正后，圖像的整體亮度及對比度有所降低，但圖像的細(xì)節(jié)得到了更好的展示，細(xì)胞核圖像中部分區(qū)域的干擾被完全去除，但是仍然存在部分培養(yǎng)液氣泡帶來的影響，細(xì)胞質(zhì)圖像上干擾物較多，仍需進(jìn)一步處理。圖像背景去除通過光照校正后，細(xì)胞圖像的整體亮度得到有效統(tǒng)一，但是視覺可見的諸多氣泡干擾依舊存在，因此需要提出有效的背景去除算法。本文針對所獲得的圖像數(shù)據(jù)的灰度特征使用心態(tài)學(xué)的頂帽運(yùn)算（Top-hattransform）完成部分背景污物的去除。頂帽運(yùn)算上圖展示了頂帽運(yùn)算的所有步驟和中間圖像，通過先腐蝕后膨脹的操作，原圖中尺寸大于（圖中為10x10的Square）的元素得到重建，而尺寸較小的元素在腐蝕運(yùn)算中被完全侵蝕，無法重建，經(jīng)過此步驟可以將大尺寸的物體保留，即通過設(shè)計(jì)可以很大程度上保留背景，再通過與原圖作減法運(yùn)算，頂帽運(yùn)算可以獲得去除背景后的主體圖像。下圖是在本文細(xì)胞核圖像數(shù)據(jù)集上的效果：頂帽運(yùn)算在細(xì)胞核圖像上表現(xiàn)較好，背景干擾被去除，對比度和亮度略有降低但不明顯。在細(xì)胞質(zhì)圖像上表現(xiàn)較差，容易將細(xì)胞邊緣侵蝕，影響后續(xù)分割算法對邊緣的提取，因此該操作僅使用在細(xì)胞核圖像數(shù)據(jù)集上。圖像對比度增強(qiáng)由于細(xì)胞組織培養(yǎng)一般是在弱光環(huán)境下進(jìn)行的，同時(shí)細(xì)胞圖像常常利用某些生物熒光物質(zhì)所發(fā)出的熒光進(jìn)行成像，在通常情況下，熒光物質(zhì)的亮度是微弱有限的，因此熒光顯微鏡的成像結(jié)果一般對比度較低，主體和背景區(qū)分不明顯，因此需要進(jìn)行適當(dāng)?shù)膶Ρ榷仍鰪?qiáng)操作以利于計(jì)算機(jī)算法的后續(xù)處理。常見的對比度增強(qiáng)算法一般為灰度變換法和直方圖調(diào)整法，針對本文所采集的細(xì)胞圖像，考慮到其灰度值統(tǒng)計(jì)分布具有特異性，本文擬采用直方圖均衡化和自定義的非線性灰度變換實(shí)現(xiàn)圖像的對比度增強(qiáng)。直方圖均衡化直方圖均衡化通常用來增加許多圖像的全局對比度，尤其是當(dāng)圖像的有用數(shù)據(jù)的對比度相當(dāng)接近的時(shí)候。通過這種方法，亮度可以更好地在直方圖上分布。這樣就可以用于增強(qiáng)局部的對比度而不影響整體的對比度，直方圖均衡化通過有效地?cái)U(kuò)展常用的亮度來實(shí)現(xiàn)這種功能。但在本文所獲得的數(shù)據(jù)集上其表現(xiàn)較差：灰度非線性變換灰度非線性變換主要包括對數(shù)變換、冪次變換、指數(shù)變換、分段函數(shù)變換，通過非線性關(guān)系對圖像進(jìn)行灰度處理，通過對圖像灰度特征的統(tǒng)計(jì)與分析，可以針對性的設(shè)計(jì)特定的非線性變換關(guān)系，實(shí)現(xiàn)圖像對比度的極大增強(qiáng)。考慮到本文采用數(shù)據(jù)集為細(xì)胞圖像，其背景亮度較低，細(xì)胞相對較亮，我們針對性的設(shè)計(jì)了一種灰度變換函數(shù)實(shí)現(xiàn)增強(qiáng)，效果如下。通過該變換，細(xì)胞區(qū)域特征得到明顯提升，同時(shí)部分低灰度值背景干擾也完全消失，為后續(xù)細(xì)胞分割提供良好的圖像支持。

細(xì)胞核精確分割算法引言如下圖所示是TRITC通道成像，即細(xì)胞核的特定熒光成像，在熒光顯微鏡拍攝的圖像中，該通道的背景中存在較多氣泡的影響，并且氣泡會隨著時(shí)間移動(dòng)，嚴(yán)重影響了細(xì)胞核的準(zhǔn)確分割。通過前文所述圖像預(yù)處理，細(xì)胞核圖像的特征得到極大增強(qiáng)，細(xì)胞核本身亮度變化不大，而背景的氣泡基本從視覺中消失，其灰度值一般低于0.2，因此預(yù)處理后的圖像能夠用于后續(xù)分割算法，但仍然存在黏連細(xì)胞不易分割的問題。預(yù)處理后的細(xì)胞核圖像針對這種情況，本文提出了一套完整的細(xì)胞核精確分割思路：首先是粗略提取細(xì)胞區(qū)域，實(shí)現(xiàn)細(xì)胞核的粗分割，能夠完成細(xì)胞核邊緣的精確提取，同時(shí)不會遺漏任何一個(gè)細(xì)胞核區(qū)域。之后是在細(xì)胞粗分割的基礎(chǔ)上，進(jìn)行進(jìn)一步的分割，由于部分細(xì)胞在成像時(shí)是處于相互黏連的狀態(tài)，因此在粗分割之后需要再次進(jìn)行黏連細(xì)胞的定位和拆分，最終實(shí)現(xiàn)所有細(xì)胞核的獨(dú)立、精確分割。傳統(tǒng)細(xì)胞區(qū)域提取算法細(xì)胞圖像分割首先需要完成的通常是提取細(xì)胞的有效區(qū)域，在眾多傳統(tǒng)算法中，基于灰度閾值的分割算法一般是最簡單、最常采用的方法，該方法通過設(shè)定不同的灰度特征閾值，將圖像像素依據(jù)其灰度值與閾值的大小關(guān)系分為兩類，即前景和背景。記原始待分割圖像為，通過特定的算法計(jì)算從原始圖像中獲得閾值，根據(jù)該閾值將圖像依據(jù)灰度值進(jìn)行分類：式中標(biāo)記為1的代表前景即細(xì)胞實(shí)際區(qū)域，標(biāo)記為0的代表背景。一般而言，灰度閾值分割算法的關(guān)鍵在于對閾值的計(jì)算，一般根據(jù)閾值計(jì)算的區(qū)域大小分為全局閾值法和局部閾值法。全局灰度閾值法所謂全局閾值法即利用整個(gè)圖像的灰度信息直方圖分布情況，通過特定的算法計(jì)算得到最優(yōu)圖像分割閾值，常見的有Otsu算法和迭代法，此處著重介紹Otsu算法。日本學(xué)者OTSU于1979年提出的一種對圖像進(jìn)行二值化的高效算法，又稱為大津法或最大類間方差法。該算法依據(jù)灰度特性將圖像劃分為背景和目標(biāo)兩部分。該方法的基本思想是選取能夠使目標(biāo)和背景之間方差最大的閾值。本文通過使用MATLAB軟件，模擬生成了具有背景和前景的模擬細(xì)胞圖像，其中細(xì)胞核灰度服從正態(tài)分布，細(xì)胞質(zhì)灰度值服從正態(tài)分布，其整體灰度值直方圖如上，可以明顯的看見兩個(gè)峰，通過MATLAB函數(shù)Graythresh計(jì)算得到其閾值為0.4353，并不等于理論值（0.2+0.7）/2即0.45，但依舊較為接近。通過模擬圖測試，得到的全局灰度閾值分割圖如下所示，可以看到在背景強(qiáng)度均勻的情況下，其分割效果較為不錯(cuò)，僅有部分噪聲可見，可以通過腐蝕、開閉等形態(tài)學(xué)操作完善結(jié)果。但是在本文細(xì)胞圖上表現(xiàn)一般，在背景光照未被校正的情況下，容易提取出高亮度的背景氣泡，在校正后的圖像上表現(xiàn)尚可，但邊緣信息被破壞，邊緣不精確。局部灰度閾值法在上述全局閾值法中，使用一個(gè)固定的全局閾值進(jìn)行圖像分割，往往會由于不能兼顧圖像各個(gè)位置的局部情況而導(dǎo)致閾值分割的效果不理想，常見的問題是邊緣亮度低于中間亮度而導(dǎo)致邊緣分割過于激進(jìn)，分割得到的主體偏小。局部閾值法的主要思想在依據(jù)圖像的局部灰度特征設(shè)定局部的閾值，因此閾值與局部像素的灰度特性相匹配，能夠有效避免全局灰度閾值分割帶來的缺陷。常見的局部灰度閾值算法有Wellner自適應(yīng)算法和Bernsen算法。Wellner算法的基本思想是設(shè)定閾值為當(dāng)前像素鄰域內(nèi)像素的平均灰度值，如果當(dāng)前像素灰度值大于平均灰度值，則此像素為前景像素，否則為背景像素。Bernsen算法是設(shè)定當(dāng)前像素領(lǐng)域內(nèi)灰度值最大以及最小的像素的中間值為閾值，如果當(dāng)前像素灰度值大于閾值時(shí)，此像素則為前景像素，否則為背景像素。本文實(shí)際測試Wellner算法后發(fā)現(xiàn)，該局部閾值算法在本文圖像數(shù)據(jù)集上效果較差，如下圖所示。其原因在于背景氣泡也存在局部的高亮特性，在全局閾值中，由于背景整體亮度較低，因此被劃分為背景像素，而在局部閾值法中，背景的局部高亮?xí)徽J(rèn)為是前景像素，因此效果不理想?；谶吘壓途植刻卣鞯碾p模態(tài)提取算法由于上述方法在邊緣提取上存在明顯缺陷，本文提出基于邊緣和局部特征的雙模態(tài)提取算法。本文首先使用Canny邊緣檢測算子進(jìn)行邊緣提取，提取結(jié)果顯示細(xì)胞核的邊緣較為明顯，但是由于所提取的邊緣具有非閉合性和非特異性，除了細(xì)胞核以外，氣泡的邊緣也同樣被提取出來，嚴(yán)重干擾了后續(xù)細(xì)胞分割的結(jié)果。因此，算法融合局部灰度特征，在提取精準(zhǔn)邊緣的同時(shí)避免細(xì)胞邊緣非閉合的情況，同時(shí)規(guī)避了背景干擾物，進(jìn)而完善細(xì)胞核的提取。該算法的步驟及基本思想如下：Canny邊緣檢測算子提取細(xì)胞邊緣Canny邊緣檢測算子在邊緣提取領(lǐng)域是非常著名的一個(gè)算子，其邊緣提取的效果表現(xiàn)很好，其主要包含兩個(gè)參數(shù)：高斯濾波器的大小：平滑濾波器將會直接影響Canny算法的結(jié)果。較小的濾波器產(chǎn)生的模糊效果也較少，這樣就可以檢測較小、變化明顯的細(xì)線。較大的濾波器產(chǎn)生的模糊效果也較多，將較大的一塊圖像區(qū)域涂成一個(gè)特定點(diǎn)的顏色值。這樣帶來的結(jié)果就是對于檢測較大、平滑的邊緣更加有用，例如彩虹的邊緣。閾值：使用兩個(gè)閾值比使用一個(gè)閾值更加靈活，但是它還是有閾值存在的共性問題。設(shè)置的閾值過高，可能會漏掉重要信息；閾值過低，將會把枝節(jié)信息看得很重要。通過經(jīng)驗(yàn)選取合適的參數(shù)，本文使用Canny算子提取的邊緣如下圖所示：局部灰度閾值分割本文參考OTSU全局灰度閾值算法和Wellner局部灰度閾值算法，提出改進(jìn)的優(yōu)化算法，可以實(shí)現(xiàn)基于局部灰度信息的細(xì)胞區(qū)域精準(zhǔn)提取。首先是基于局部灰度閾值的高亮區(qū)域提取，此時(shí)細(xì)胞核以及部分氣泡均被提取出，之后使用幅值為全局灰度閾值的高斯濾波器以兼顧圖像邊緣的細(xì)胞和中央的細(xì)胞的準(zhǔn)確提取，最后進(jìn)行小幅度的“開”運(yùn)算去除部分高亮區(qū)域，最終的結(jié)果如下：細(xì)節(jié)otsu細(xì)節(jié)雙模態(tài)融合提取細(xì)胞邊緣通過第二步操作，基本可以提取出較為準(zhǔn)確的細(xì)胞輪廓，基于第一步的邊緣信息，可以共同構(gòu)建出完整的細(xì)胞區(qū)域提取結(jié)果。如上圖所示，細(xì)胞邊緣信息得到準(zhǔn)確保留，細(xì)胞輪廓得到精準(zhǔn)提取。該算法通過結(jié)合邊緣提取的高準(zhǔn)確度邊緣信息以及局部灰度閾值分割的連通域信息，可以較好地解決邊緣提取的問題，在提取細(xì)胞區(qū)域的同時(shí)保留了高精度的邊緣信息，因此對后續(xù)的形態(tài)學(xué)分析產(chǎn)生的誤差更小。未驗(yàn)證準(zhǔn)確性，本文使用同樣的算法，再調(diào)整部分參數(shù)后測試公開數(shù)據(jù)集，結(jié)果如下：由于不同細(xì)胞在顯微鏡下成像特征并不相同，有些細(xì)胞的成像中央?yún)^(qū)域存在暗區(qū)（如圖a），部分細(xì)胞成像明暗不均勻分布，大部分細(xì)胞屬于中間亮邊緣暗的特征，由于不同特征的存在，需要調(diào)整算法的參數(shù)以滿足其對不同細(xì)胞的適應(yīng)性。黏連細(xì)胞核分割算法通過上述雙模態(tài)細(xì)胞提取算法，本文可以將細(xì)胞區(qū)域精準(zhǔn)的從背景中分離，但部分連通區(qū)域內(nèi)含有多個(gè)細(xì)胞，所以需要對這些區(qū)域中的細(xì)胞進(jìn)行計(jì)數(shù)、定位和再分割。首先對每個(gè)連通區(qū)域進(jìn)行細(xì)胞中心檢測，如果其中僅含有一個(gè)細(xì)胞，那么該區(qū)域即可作為該細(xì)胞的分割結(jié)果；但是如果該區(qū)域含有兩個(gè)以上的細(xì)胞，那么需要根據(jù)細(xì)胞中心檢測的結(jié)果為每一個(gè)細(xì)胞分配合適的區(qū)域作為其分割結(jié)果，而關(guān)于如何進(jìn)行合適區(qū)域的分割成為黏連細(xì)胞分割算法的關(guān)鍵?；贚OG算子的細(xì)胞中心檢測利用高斯拉普拉斯（LaplaceofGaussian,LOG）算子檢測圖像中的斑點(diǎn)是一種十分常用的方法，本文將使用該算子進(jìn)行細(xì)胞中心的檢測。圖像與LOG算子進(jìn)行卷積運(yùn)算實(shí)際就是求取圖像與這一函數(shù)的相似性。當(dāng)圖像中的斑點(diǎn)尺寸與高斯拉普拉斯函數(shù)的形狀趨近一致時(shí)，圖像的拉普拉斯響應(yīng)達(dá)到最大。對于計(jì)算二維圖像，計(jì)算圖像在不同尺度下的離散拉普拉斯響應(yīng)值，然后檢查位置空間中的每個(gè)點(diǎn)，如果該點(diǎn)的拉普拉斯響應(yīng)值都大于或小于其他26（9+8+9）個(gè)立方空間領(lǐng)域的值，那么，該點(diǎn)就是被檢測到的圖像斑點(diǎn)。單細(xì)胞灰度圖 黏連細(xì)胞灰度圖 LOG算子由于細(xì)胞核成像時(shí)存在部分噪點(diǎn)，因此檢測時(shí)容易產(chǎn)生過檢測現(xiàn)象，通過對輸入圖像作小窗口的高斯模糊可以平滑連通域，之后再以分割結(jié)果為蒙版，保持形態(tài)信息不損失，最終減少過檢測現(xiàn)象。本文經(jīng)過實(shí)際測試選用是經(jīng)驗(yàn)參數(shù)為模糊窗口為4px,LOG算子的高斯方差為3：6，對應(yīng)窗口為19-37，與細(xì)胞大小基本匹配，可以很好的檢測細(xì)胞中心。細(xì)胞中心檢測結(jié)果基于梯度信息的分割算法當(dāng)兩個(gè)細(xì)胞相互黏連，形成一個(gè)共同連通域時(shí)，其灰度圖具有一個(gè)普遍的特征，即駝峰結(jié)構(gòu)，駝峰結(jié)構(gòu)在雙峰以及雙峰交匯處的梯度最小，理論上接近0值，通過計(jì)算所有像素處x,y方向梯度，可以推測處黏連中心的位置，即駝峰交匯處。原始黏連細(xì)胞灰度圖 高斯模糊后 梯度幅值通過前述細(xì)胞中心檢測算法可以確定當(dāng)前連通域是否包含多個(gè)細(xì)胞，當(dāng)某個(gè)連通域存在多個(gè)細(xì)胞時(shí)，通過檢測其梯度變化可以推測出黏連中心的位置，基于黏連中心的灰度值進(jìn)行閾值分割可以獨(dú)立提取黏連細(xì)胞的中央?yún)^(qū)域，進(jìn)而通過膨脹提取整個(gè)細(xì)胞核區(qū)域。基于細(xì)胞形態(tài)學(xué)的分割算法另外一種常見的黏連細(xì)胞分割算法是以形態(tài)學(xué)擬合為基礎(chǔ)的，一般用于橢圓形細(xì)胞的分割。這類算法一般比較復(fù)雜，耗時(shí)較長，本文根據(jù)論文【】提供的源代碼實(shí)現(xiàn)了黏連細(xì)胞的分割。論文中在每個(gè)檢測區(qū)域中應(yīng)用基于區(qū)域的橢圓擬合（DEFA）優(yōu)化版本進(jìn)行擬合。DEFA方法具有多個(gè)橢圓的任意2D形狀。在橢圓所覆蓋的總面積等于原始形狀的面積的約束下，自動(dòng)確定橢圓的數(shù)量和參數(shù)。DEFA不做任何假設(shè)，也不需要有關(guān)輸入形狀的先驗(yàn)知識。DEFA的運(yùn)作如下：首先，計(jì)算2D形狀的骨架，其提供關(guān)于可以近似原始形狀的橢圓的參數(shù)的重要信息。DEFA以自動(dòng)定義的大量此類橢圓（復(fù)雜模型）開始，逐步消除其中的一些（模型簡化）?；贏kaike信息準(zhǔn)則（AIC）評估不同的模型（即，涉及不同數(shù)量的橢圓的解）。這考慮了基于熵的形狀復(fù)雜性度量，其平衡了模型復(fù)雜度和模型逼近誤差。DEFA可以對所識別區(qū)域的形狀進(jìn)行約束。在我們的問題中，我們設(shè)置DEFA來自動(dòng)拒絕面積小于T的區(qū)域？或者，最大分裂子區(qū)域與最小分區(qū)域之間的比率超過10的值。根據(jù)我們的實(shí)驗(yàn)，該步驟將過度分割減少了約30％。最后，根據(jù)檢測到的橢圓將對象的像素聚類成組，同時(shí)保持檢測到的Bradley分割方法的邊界?；谏疃葘W(xué)習(xí)的細(xì)胞核分割算法圖像語義分割(SemanticSegmentation)是圖像處理和是機(jī)器視覺技術(shù)中關(guān)于圖像理解的重要一環(huán)，也是深度學(xué)習(xí)領(lǐng)域中一個(gè)重要的分支。語義分割即是對圖像中每一個(gè)像素點(diǎn)進(jìn)行分類，確定每個(gè)點(diǎn)的類別（如屬于背景、人或車等），從而進(jìn)行區(qū)域劃分。目前，語義分割已經(jīng)被廣泛應(yīng)用于自動(dòng)駕駛、無人機(jī)落點(diǎn)判定等場景中?；赨-net模型的分割U-Net是一種卷積網(wǎng)絡(luò)架構(gòu)，用于快速精確的醫(yī)學(xué)圖像分割。到目前為止，它已經(jīng)超越了ISBI挑戰(zhàn)中的先前的最佳方法（滑動(dòng)窗口卷積網(wǎng)絡(luò)），用于電子顯微鏡堆疊中的神經(jīng)元結(jié)構(gòu)的分割，是目前公認(rèn)的最佳醫(yī)學(xué)圖像分割模型，近年來有諸多U-Net框架的變體出現(xiàn)，基本都具備較好的圖像分割能力。U-Net建立在全卷積神經(jīng)網(wǎng)絡(luò)（FullyConvolutionalNetworks，F(xiàn)CN）的網(wǎng)絡(luò)架構(gòu)上，作者修改并擴(kuò)大了這個(gè)網(wǎng)絡(luò)框架，使其能夠使用很少的訓(xùn)練圖像就得到很精確的分割結(jié)果。其添加了上采樣階段，并且添加了很多的特征通道，允許更多的原圖像紋理的信息在高分辨率的layers中進(jìn)行傳播。本文通過實(shí)際搭建U-Net網(wǎng)絡(luò)，以24幅圖像為訓(xùn)練數(shù)據(jù)，訓(xùn)練400個(gè)Epoch后Loss降低至0.06，對另外四張圖像進(jìn)行測試，測試結(jié)果如下圖所示：測試圖像 網(wǎng)絡(luò)輸出 分割真值（有篩選）可以觀察到，經(jīng)過很短時(shí)間的訓(xùn)練該模型達(dá)到的效果已經(jīng)接近算法分割結(jié)果，通過增加訓(xùn)練次數(shù)可以進(jìn)一步提升網(wǎng)絡(luò)表現(xiàn)，但該模型對細(xì)胞接觸邊界的分割較不敏感，目前有人提出增加邊界的權(quán)重以促進(jìn)網(wǎng)絡(luò)訓(xùn)練，本文暫未實(shí)現(xiàn)該改進(jìn)模型，但深度學(xué)習(xí)在圖像分割上的表現(xiàn)值得進(jìn)步深入研究探討。

基于改進(jìn)的最近鄰算法的細(xì)胞跟蹤引言得到細(xì)胞運(yùn)動(dòng)軌跡是探索細(xì)胞運(yùn)動(dòng)行為的重要手段。在視頻圖像中，可以通過圖像處理技術(shù)得到每個(gè)細(xì)胞的關(guān)鍵特征，依據(jù)細(xì)胞動(dòng)力學(xué)特征和圖像特征關(guān)聯(lián)匹配前后幀細(xì)胞。在時(shí)間序列細(xì)胞圖像中，細(xì)胞的運(yùn)動(dòng)追蹤一直是一個(gè)熱點(diǎn)問題，即隨時(shí)間的順序識別并跟蹤每一個(gè)細(xì)胞,通過拍攝時(shí)間的連續(xù)性來重建出細(xì)胞的運(yùn)動(dòng)軌跡。簡單的跟蹤方法則為尋找鄰近的細(xì)胞[6,7],而更復(fù)雜的方法則通過使用特定的模型來描述細(xì)胞與其自身的相似性,例如圖像配準(zhǔn)[8]、活動(dòng)輪廓[9,10]和馬爾可夫模型等,這些算法能夠隨著各種細(xì)胞特征的變化而進(jìn)行同步變化?？赏ㄟ^提取圖像幀中的信息來進(jìn)行細(xì)胞跟蹤,得到顯微鏡視頻中的多個(gè)細(xì)胞的運(yùn)動(dòng)軌跡及其形態(tài)參數(shù)。然而由于細(xì)胞形態(tài)會隨著圖像幀的改變而變化,為了追蹤細(xì)胞隨時(shí)間變化的完整過程,需要運(yùn)用定義細(xì)胞輪廓的追蹤方法,主要分為基于分割的細(xì)胞追蹤算法、基于隨機(jī)濾波的細(xì)胞追蹤方法和基于模型的細(xì)胞追蹤方法。因本文數(shù)據(jù)集中細(xì)胞形態(tài)較為穩(wěn)定，使用簡單的最近鄰算法基本可以追蹤部分細(xì)胞，但仍然存在部分問題，因此提出新的運(yùn)動(dòng)模型解釋細(xì)胞運(yùn)動(dòng)規(guī)律，改進(jìn)最近鄰算法的表現(xiàn)。細(xì)胞運(yùn)動(dòng)學(xué)模型簡單的跟蹤算法是識別最鄰近的細(xì)胞，然而，細(xì)胞在一段時(shí)間內(nèi)的運(yùn)動(dòng)軌跡是較為穩(wěn)定的，在序列圖像的拍攝間隔較短的情況下，細(xì)胞在不同方向上移動(dòng)的概率是不相等的，即不是單純的等概率模型，因此我們根據(jù)細(xì)胞的運(yùn)動(dòng)方向找到慣性運(yùn)動(dòng)方向，并在該方向上賦予較大的權(quán)重或者概率。我們假設(shè)在一個(gè)時(shí)間間隔內(nèi)，細(xì)胞存在以下兩種狀態(tài)：基本不運(yùn)動(dòng)或者處于小幅隨機(jī)擺動(dòng)狀態(tài)，這種情況一般是由于細(xì)胞處在高密度的群體中，細(xì)胞運(yùn)動(dòng)受到其他周圍細(xì)胞的限制，因此其運(yùn)動(dòng)范圍小，各方向等概率。處在較大幅度運(yùn)動(dòng)中，受運(yùn)動(dòng)慣性影響較大，這種情況一般是細(xì)胞周圍無阻礙，可自由移動(dòng)，表現(xiàn)在序列圖像上即沿著某個(gè)特定方向運(yùn)動(dòng)，因此需要賦予慣性運(yùn)動(dòng)方向以較大的權(quán)重。綜上，本文提出新的細(xì)胞運(yùn)動(dòng)學(xué)模型如下：在推測下一幀位置時(shí)，模型首先根據(jù)距離進(jìn)行篩選，距離越近可能性越大，當(dāng)距離相同時(shí)，越靠近慣性運(yùn)動(dòng)方向可能性越大，以此為準(zhǔn)則進(jìn)行預(yù)測。基于概率的細(xì)胞追蹤算法在細(xì)胞圖像序列中，同一個(gè)細(xì)胞在前后幀僅發(fā)生空間上的位移，其移動(dòng)的各方向概率按照本文提出的細(xì)胞運(yùn)動(dòng)學(xué)模型來解釋，在下一幀中檢測所有臨近細(xì)胞在可能的空間位置下的概率大小，選取其中概率最大的細(xì)胞最為該細(xì)胞的預(yù)測位置。經(jīng)過實(shí)際檢測，在實(shí)驗(yàn)數(shù)據(jù)集上表現(xiàn)如下：可以看到本文實(shí)現(xiàn)的效果與MATLAB提供的算法基本一致，在部分細(xì)胞上的跟蹤表現(xiàn)更優(yōu)。該算法對細(xì)胞的移動(dòng)、分裂同時(shí)進(jìn)行判斷，因此可以繪制細(xì)胞的分裂圖以及子代細(xì)胞的運(yùn)動(dòng)路徑。由于部分公開數(shù)據(jù)集的細(xì)胞圖像細(xì)胞分裂較多，追蹤效果較差，此處以效果較好的數(shù)據(jù)集作展示，如下圖：一般而言，由于科研工作需求，顯微鏡拍攝細(xì)胞圖像的時(shí)間間隔一般為幾分鐘，細(xì)胞位移一般較小，容易跟蹤，主要難點(diǎn)在于細(xì)胞的其他復(fù)雜行為（如：分裂、融合）的識別和準(zhǔn)確跟蹤。

細(xì)胞形態(tài)分析及行為識別引言本課題來源于生物醫(yī)學(xué)科研工作上的具體需求，在諸多生物實(shí)驗(yàn)中往往需要追蹤異常細(xì)胞的祖先細(xì)胞和后代細(xì)胞以進(jìn)行進(jìn)一步的分析研究。在傳統(tǒng)的科研中，該過程一般需要人工進(jìn)行，而此項(xiàng)工作需要消耗大量的科研人力資源。因此，本文嘗試通過運(yùn)用計(jì)算機(jī)圖像處理和深度學(xué)習(xí)的相關(guān)技術(shù)，基于本文獲取的細(xì)胞圖像相關(guān)數(shù)據(jù)，可以建立細(xì)胞運(yùn)動(dòng)路徑乃至建立細(xì)胞譜系圖。而通過細(xì)胞譜系圖，科研人員在遇到異常細(xì)胞時(shí)，能迅速的定位任意時(shí)刻該細(xì)胞的祖先細(xì)胞和后代細(xì)胞，并對其進(jìn)行深入研究，從而減少大量的科研人力資源開銷。形態(tài)分析同一個(gè)細(xì)胞，處在不同發(fā)育階段，它的大小是會改變的。細(xì)胞的形態(tài)也是多種多樣，有球體、多面體、紡錘體和柱狀體等。由于細(xì)胞內(nèi)在的結(jié)構(gòu)以及外部的環(huán)境壓力，細(xì)胞總是保持一定形狀，