浅谈医学彩色细胞图像分割法――C－均值聚类算法

2015-02-22张兰凤欧阳娟

河南科技 2015年22期

张兰凤欧阳娟

（赣南医学院基础医学院，江西赣州 341000）

1 图像分割的概念

图像分割就是指把感兴趣的目标与背景分离出来，并按照不同的含义把目标分割开来，也就是提取目标。图像分割在图像处理中占了非常重要的位置，是图像处理中从图像预处理到图像分析处理最为关键的一步骤。一方面它对特征测量、特征提取及度量有重要的影响作用，是目标表达的基础；另一方面，对图像分析和理解在图像分割后更加容易[1]。

图像分割是图像中阳性细胞的提取、定量分析的重点。好的图像分割法能对阳性细胞进行计量分析，并且能进行形态分析等，图像分割问题的解决对临床病理医生的定量分析、百分比计量具有重要的作用。在临床诊断研究、医学科研研究、病理诊断分析、医学影像信息处理、计算机辅助疾病诊断等方面，图像分割的应用范围十分广泛。在这些图像处理应用中，图像分割是不可缺少的一步，且也是最关键一步。

2 C－均值聚类算法

目前，图像分割有很多方法，归根到底，主要有三种不同的途径。图像分割没有通用的、标准的、唯一的方法。分割方法主要包括：灰度阈值分割法、边缘检测法、区域分割法和聚类法等[2]。

C－均值聚类分割算法最早是由J.MacQueen提出的，是在误差平方和准则上把图像分成C类区域[3]。在C－均值聚类分割算法中先要一个准则函数，依据样本和聚类中心之间的距离，选择初始聚类中心C个，划分类别，然后每一个类的聚类的中心再重新计算。反复不断地对这个过程进行操作，算出准则函数的值是最小为止，一般来说都应该选择样本以及其聚类中心的平方误差的总和为准则函数[4]。C－均值聚类算法可以做动态聚类是其最为突出的优点且也是一种不许需要任何方法监督的学习算法。显微细胞彩色图像含有三基色数据，C－均值聚类算法直接运用在显微细胞彩色图像的分割中将难以进行。因此在运用C－均值聚类算法分割前必须要对显微细胞彩色图像进行处理，将分割样本的数据量减少，使C－均值聚类算法运行时间缩短。C－均值聚类算法运行如下[5]：

2.1 从初始化聚类中心的所有数据点中任取c个初始类均值。

2.2 进行迭代，在第K次时就将数据x归为类Cj(其中j=mini{（x-mi）})；那么均值离Cj最近的类即为数据x。

C－均值聚类算法最主要是要依赖于聚类中心的初始的位置来进行迭代，在进行运算的过程中并不能保证其结果都是收敛于最优解。所以，为了使运算结果能够更加的接近正确值，C－均值聚类算法在选择初始聚类中心的方法上要进行比较。C－均值聚类算法在选择初始聚类中心的方法有很多种，有的在开始就应用已经确定好的n个初始聚类中心，然后再反复地运算；还有的是先确定一个任意隶属矩阵，然后再来运算；C－均值聚类算法也可以通过时间平均，以在线的方式运行，导出聚类中心。

在上述的算法中确定好n个初始聚类中心的这种C－均值聚类算法最具有代表性。

3 Ki-67彩色图像分割方法

在本文中以Ki-67彩色图像在HSI空间的特点为例，提出Ki-67彩色图像分割方法：基于色度学准则先建立一个Ki-67彩色图像的色度学准则，将Ki-67彩色图像粗分割成只有阳性图像；然后在此基础上用C－均值聚类算法对粗分割后的图像分割，提取阳性细胞；最后对分割后的阳性细胞图像进行修正，从而计算出阳性细胞的个数和面积。

3.1 进行图像增强处理，将图像中绿色区域背景颜色值加强，

3.2 利用Matlab工具箱对图像进行预处理。

3.3 运用色度学准则分割增强后的图像，分割出包含有阳性细胞图及其它颜色的色彩区的图。

3.4 根据此图的特征确定初始聚类中心，按以下方式确定初始聚类中心：m1=min(X)，m2=(m1+m2)/2，m3=max(X)，X是分割出具有阳性细胞图中的每个像素的R分量值，将已经确定的聚类数3平分为3类，使其类间距最大化。

3.5 运用C－均值聚类分割法分割该图像，图像中的每个像素与聚类中心的距离计算出并归集到距离最近的类别中，每个类别像素值的平均值又再一次计算，并且其作为下一次迭代的聚类中心，重复几次，直到聚类中心值前后两次相等，那么算法完成。

3.6 分割出阳性细胞并提取出来，对彩色图像进行二值化处理，然后运用定量分析法对阳性细胞进行定量分析[5]。计算出阳性细胞数量并算出所占百分比数，可以用于对Ki-67图像定量分析，对肿瘤进展及预后有较强的数据依据。