多截集方法在图像分割中的应用

汪传忠， 黄治国， 武海燕

(1. 南昌航空大学 信息工程学院， 江西 南昌 330063； 2. 南昌航空大学 经济管理学院， 江西 南昌 330063)

多截集方法在图像分割中的应用

汪传忠1， 黄治国1， 武海燕2

(1. 南昌航空大学 信息工程学院， 江西 南昌 330063； 2. 南昌航空大学 经济管理学院， 江西 南昌 330063)

针对宫颈微生物感染细胞的分割问题， 根据宫颈微生物感染细胞与正常宫颈细胞的视觉特征区分性， 本文提出了一种多截集分割方法， 基于宫颈微生物感染细胞的强度特征设置分割截集， 对宫颈细胞图像进行分割. 实验证明： 在原始图像中该方法能够快速、 有效地实现对宫颈微生物感染细胞的提取和分割.

多截集分割方法； 图像处理； 微生物感染检测

0 引 言

图像分割是图像分析与识别的首个重要问题， 也是图像处理的难点之一， 它是图像分析和识别的重要组成部分[1]， 只有提取和分离目标区域后才能进一步对目标区域分析和测量. 图像分割的好坏直接影响图像最终的分析和处理的判别结果. 所谓图像分割是指将图像中具有特殊意义的不同区域分开， 并使这些区域相互不相交， 且每个区域应满足特定区域的一致性条件[2].

图像分割是计算机数字图像处理中的基础手段， 它对后续分析和识别提供了基本前提. 同时， 图像分割是一个技术难题， 由于在图像采集过程中会遇到各种因素的影响， 诸如硬件、 光照、 复杂背景等， 很难找到一种通用的图像分割方法.

1 多截集方法分割原理

在所有分割方法中， 阈值分割是一种简洁且高效的方法， 因此得到了广泛的应用. 阈值分割广泛应用于目标和背景具有明显差异的环境中. 典型的应用包括提取地图图像中的标示， 细胞图像处理， 热图像处理等. 阈值分割是用一个阈值将图像的k个灰度级分为两部分， 一部分是目标区域， 另一部分是背景区域[3].

多截集分割方法是在阈值分割的基础上提出的一种图像分割方法， 其基本思想是在图像最小灰度级gmin和最大灰度级gmax之间确定n(n>1)个阈值， 然后将图像中所有像素按灰度级以n个阈值为界将图像分为n+1类. 多截集分割中， 如何确定n个合适的阈值， 使其能够正确地分割出目标是多截集分割的关键. 多截集分割方法可以用下面的集合表示：

定义一幅M*N的灰度图像F， 其共包含K个灰度级，I是灰度图像F中的某一灰度级， 其中i∈K， 则：

1)fi(x,y),i=1,2,…,k是i截集下分割得到的图像区域；

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标区域， 其中fi(x,y) 和fj(x,y)分别是i和j灰度级对应的分割区域.

对于多截集分割得到的图像， 同样具有： ① 同一个区域中存在连接任意两点的路径； ② 任意两个子区域不存在相同的元素； ③ 同一区域内所有像素点满足灰度、 纹理、 颜色等特征的某种相似性准则[4].

由于多截集分割方法是从灰度图像的K个灰度级中选取其中两个及两个以上灰度级对图像进行分割， 并提取有效的目标区域， 该分割方法的优点是： ① 多截集分割方法是直接选取两个及两个以上灰度值对图像分割， 所以分割计算量小， 速度快， 时间短； ② 多截集分割方法中的截集的选取是根据目标区域的强度值范围确定的， 所以多截集分割可以直接分割到目标区域， 对其它区域不进行分割. 多截集分割的缺点是分割中截集的选取是根据目标区域的强度范围得到的， 因此多截集分割只能得到大致的目标区域， 而不能得到精确的目标区域， 获取目标的特征时还需要对目标重新分割.

2 基于多截集方法的图像分割模型

2.1 多截集分割中截集的获取

在灰度图像分割中需要选取一定的阈值将灰度图像分类， 如Otsu阈值分割采用的是根据灰度图像中所有的像素值将灰度图像分为两个类， 然后通过计算两个类之间的最大类间方差以确定分割阈值. 对于多截集图像分割方法来说， 需要确定n(n>1)个截集来分割图像， 以得到所需要的目标区域， 因此， 如何选取多截集分割中的截集是多截集分割方法中的关键问题.

通过对大量宫颈细胞标本图像的观察， 可以知道： 宫颈细胞标本中各种不同类型的细胞在同样的染色条件下经染色后细胞的颜色是不同的. 根据宫颈细胞图像中细胞染色的深浅， 我们可以将细胞分为几个不同的层次. 本章的研究内容就是根据宫颈细胞标本中细胞的不同层次选取不同截集阈值对宫颈细胞进行分割. 部分宫颈细胞图像如图 1～图 3 所示.

图 2 宫颈管腺细胞原图Fig.2 Pictures of endocervical glandular cells

图 3 鳞状上皮群细胞原图Fig.3 Pictures of squamous epithelial cell groups

通过对微生物感染细胞、 正常鳞状上皮群细胞的强度特征的分析和统计， 我们知道微生物感染细胞的胞浆强度是最小的， 正常鳞状上皮细胞的强度是最大的. 在宫颈细胞中， 除了包含有微生物感染细胞和正常鳞状上皮细胞外， 还有宫颈管腺细胞存在. 根据细胞强度的定义我们得到宫颈管腺细胞的强度特征参数， 对微生物感染细胞和正常鳞状上皮细胞的的强度特征参数统计， 我们得到微生物感染细胞、 宫颈管腺细胞和正常鳞状上皮细胞的直方图分布， 如图 4 所示.

图 4 强度直方图Fig.4 Intensity histogram

2.2 多截集分割模型

在2.1节， 我们通过获取宫颈微生物感染细胞、 宫颈管腺细胞和鳞状上皮群细胞的灰度值， 得到如图 5 所示的宫颈细胞的灰度概率曲线. 从概率曲线的分布可以看出， 宫颈微生物感染细胞的灰度分布范围与宫颈管腺细胞的灰度分布范围不是完全分离， 而是有交叉的. 同样地， 宫颈管腺细胞与鳞状上皮群细胞的灰度分布范围也具有交叉性. 根据宫颈微生物感染细胞、 宫颈管腺细胞和鳞状上皮群细胞的灰度参数统计， 我们可以得到它们的灰度均值和方差分别为： muw=0.222 8， sigmaw=0.064 5； mux=0.408 7， sigmax=0.069 6； muq=0.631 6， sigmaq=0.120 7.

由于在统计宫颈细胞灰度值时使用的目标区域内灰度均值作为这个细胞的灰度值， 所以为了保证在低截集处能够分割到目标， 我们选取一定的阈值截集的上下限分割宫颈细胞图像中的目标区域， 因此根据宫颈微生物感染细胞、 宫颈管腺细胞和鳞状上皮群细胞的灰度值的分布， 我们将宫颈细胞图像中的K个灰度级用6个截集分开， 此6个截集分别为：q1=0.126 1，q2=0.319 6，q3=0.304 3，q4=0.513 1，q5=0.450 6，q6=0.812 7.

根据上面得出的6个截集， 可以将宫颈细胞图像分为3个层次， 第1层次为染色最深的微生物感染细胞； 第2层次为染色相对偏浅的微生物感染细胞和宫颈管腺细胞； 第3层次为染色正常的鳞状上皮群细胞. 由此可以得到多截集分割模型如图 6 所示.

图 5 宫颈细胞图像概率曲线Fig.5 Probability curve of cervical cell image

图 6 多截集分割层次模型Fig.6 Multi-threshold segment hierarchy model

3 基于多截集方法的图像分割实验

3.1 实验目的及方法

本实验通过收集宫颈细胞图像， 验证本文提出的多截集分割方法的准确性和有效性.

本文是从北京协和医院洛奇临床检验所提供的宫颈细胞标本中， 随机选取分别包含微生物感染、 宫颈管腺细胞和子宫内膜腺细胞、 基底和旁(副)基底细胞、 鳞状上皮和中间层细胞宫颈细胞图像各100幅. 利用本文提出的多截集分割方法对选取的细胞图像进行分割， 并从分割得到的结果分析该方法能否有效提取出微生物感染细胞.

3.2 实验结果与分析

对随机选取的分别包含微生物感染、 宫颈管腺细胞和子宫内膜腺细胞、 基底和旁(副)基底细胞、 鳞状上皮和中间层细胞的400幅宫颈细胞图像， 分别利用多截集方法进行分割， 得到细胞图像.

图 7 微生物感染标本多截集分割图Fig.7 Multi-threshold segment of microbial infection

图 8 宫颈管腺细胞和子宫内膜腺细胞标本多截集分割图Fig.8 Multi-threshold segment of endocervical glandular cells and endometrial glandular cells

图 10 鳞状上皮和中间层细胞标本多截集分割图Fig.10 Multi-threshold segment of squamous epithelial and intermediate layer cells

图 7～图 10 是利用多截集分割方法对分别包含微生物感染、 宫颈管腺细胞和子宫内膜腺细胞、 基底和旁(副)基底细胞、 鳞状上皮和中间层细胞的细胞图像进行分割的结果. 从分割得到的二值图可以看出， 多截集分割方法可以分割得到微生物感染细胞、 部分宫颈管腺细胞和子宫内膜腺细胞， 但是不能分割出鳞状上皮细胞和中间层细胞、 基底和旁(副)基底细胞. 这是因为微生物感染、 宫颈管腺细胞和子宫内膜腺细胞中有细胞强度较小的像素值， 该像素值在所选的第一截集以下； 而基底和旁(副)基底细胞、 鳞状上皮细胞和中间层细胞的所有细胞强度较大， 大于所选取的第一截集. 由此可知， 多截集分割方法能够有效地分割出微生物感染细胞， 并且可以降低细胞分割计算时间， 提高图像处理速度.

4 结 语

本文根据宫颈细胞图像的强度分布提出了一种多截集分割方法， 并用直观的数据验证了该分割方法的有效性. 实验表明： 该方法对细胞强度较低的宫颈细胞具有较强的适用性， 如微生物感染细胞、 宫颈管腺细胞和子宫内膜腺细胞等. 由于鳞状上皮细胞和中间层细胞、 基底和旁(副)基底细胞的强度偏高， 故不能分割出鳞状上皮细胞和中间层细胞、 基底和旁(副)基底细胞， 从而减少了鳞状上皮细胞和中间层细胞、 基底和旁(副)基底细胞对微生物感染细胞检测的影响.

[1] 林开颜， 吴军辉， 徐立鸿. 彩色图像分割方法综述[J]. 中国图象图形学报， 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] 柯叶青， 郑朝晖， 桂预风. 基于灰色理论的分裂合并算法研究[J]. 软件导刊， 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] 吴东东. 宫颈细胞图像分割方法研究[D]. 长沙： 国防科学技术大学， 2012.

[4] 范金坪. 宫颈细胞图像分割和识别方法研究[D]. 广州： 暨南大学， 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] 曹跃华. 细胞病理学诊断图谱及实验技术[M]. 北京： 北京科学技术出版社， 2009.

[7] 丁海艳， 孙允高， 叶大田. 计算机自动识别宫颈细胞涂片技术[J]. 国际生物医学工程杂志， 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] 王晓银， 朱峰， 王在学， 等. 一次染色清染色液在宫颈快速细胞学微生物学诊断及宫颈癌筛查中的应用[J]. 国际妇产科学杂志， 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] 梁美丽. 基于颜色和纹理综合特征的图像检索技术研究[D]. 太原： 太原理工大学， 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

汪传忠(1969-)， 男， 副教授， 博士， 主要从事图像处理与模式识别的研究.

TP317.4

A

10.3969/j.issn.1671-7449.2017.01.004