基于圖像分割的醫學細胞圖像增強算法研究

劉進芬，倪曉波，李永博

（1.南京工業大學浦江學院，江蘇 南京 211100；2.紫金山實驗室，江蘇 南京 211100）

0 引 言

圖像分割技術[1-3]主要有兩類，其中一類是基于區域技術，把原圖像按照區域進行分割研究；另一類是基于邊界技術，把原圖像按照邊緣進行圖像分割。這兩種技術存在一定的相似性，在某些地方也有不同的地方，利弊也各不相同，某些情況下很多圖像算法學家把這兩種技術結合，產生新的算法技術來處理圖像問題。當前，科技飛速發展，計算機性能今非昔比，軟件工具更新換代，實驗方法不斷改進，很多優質的圖像分割技術慢慢被學者發現或者創造，例如基于彩色分量分割的圖像處理技術和基于紋理圖像分割的圖像處理技術，甚至還有著名的基于小波變換的圖像分割技術也越來越被廣泛應用。

時代在進步，人們所了解和掌握的圖像分割技術的理論知識也越來越多，越來越完備，應用也越來越廣泛，例如軍隊、企業和醫院等[4]。當前，越來越多的研究機構和高等院校的專家學者都對圖像分割技術產生了濃厚的興趣，并在此技術上投入了大量的資金和人力成本，制造了專用的精密圖像研究儀器，成立了大量圖像研究實驗室。不遠的將來，研究工作在不斷深入的過程中，一定會有更加優質的技術成果被發掘。

醫學圖像的環境多樣復雜，研究的重點有所區別，因此研究結果充滿不確定性和不完整性，在不同的環境下使用圖像處理技術會有完全不同的結果。本文提出的圖像增強算法主要是為了解決某些情況下拍攝的影像視覺效果不佳或者清晰度差等問題，該算法屬于數字圖像處理技術的一種，目的是增強圖像來達到預期的視覺效果和清晰度。例如，我們可以增強圖像中背景和主體的對比度，使主題的特點、特征凸顯，便于醫學使用者更好地觀察圖像。同時，我們也可以將需要的內容，即主體進行增強，去除其他內容，得到需要的圖像，便于圖像更好被醫學儀器識別、加工、分析。

本文使用MATLAB進行仿真，輸入原圖像A，并對其進行圖像的邊緣提取得到圖像B，對原圖像A進行圖像的閾值分割得到圖像C，將兩種算法處理所得的圖像融合，可以得到最終的細胞圖像D。仿真發現，采用Sobel算子提取邊緣然后再進行基于全局閾值的圖像分割，可以更好地分離出主體細胞，并可以最大化降低噪聲。

1 基于圖像分割的醫學細胞圖像算法

圖像分割是圖像處理技術中的重要算法，其目的是把圖像劃分成幾個不同的區域，然后提取出需要的區域的算法。主要的分割方式有基于閾值、基于區域、基于邊緣、基于特定理論等。本文使用基于閾值分割的方式來處理細胞圖像。

取原始圖像點f(x,y)，在圖像點f(x,y)中尋找分割的閾值系數m，把圖像點的值與閾值系數進行比較，得到如下函數：

圖1中左邊是原細胞圖像，它的分辨率為305×230。我們需要的是其中的淋巴細胞。先采用迭代閾值分割算法對圖像進行處理，得到右圖中的結果，可以看到，右圖中已經分離出了淋巴細胞以及其他細胞，因此我們認為這種算法存在噪聲。故換一種閾值分割算法來進一步處理此圖像，如采用全局閾值分割算法等，可以得到圖2中的結果，發現圖像噪聲極小，較好分離出了淋巴細胞。

圖1 圖像原圖與迭代閾值分割處理圖對比

圖2 全局閾值分割算法處理圖

2 基于圖像邊緣分析的醫學細胞圖像算法

對圖1（a）進行邊緣提取，使用Soble算子[5-6]，可以得到圖3（a）所示的結果，對結果進行分析可知，已經完整提取了淋巴細胞邊緣，同時也提取出了其他細胞邊緣。這些邊緣更加圓潤、光滑。但是缺陷也比基于閾值分割算法的更加明顯，即得到了更大、更粗的細胞邊緣。假設邊緣提取時把Soble算子換成Canny算子[7]就可以得到圖3（b）所示的結果，通過結果分析，提取細胞和噪聲邊緣的同時也得到了細胞細微的組織邊緣。雖然該算法表現的更加全面，但處理結果的干擾過多。

圖3 Soble、Canny算子提取細胞邊緣

我們得到啟示，Canny算子不適合醫學細胞處理，因為相比Sobel算子而言，它提取了更多無用的細小噪聲，而基于Sobel算子的邊緣提取算法在提取細胞邊緣方面表現的更加優異。基于此，本文把基于圖像分割和圖像邊緣提取的算法進行融合以增強細胞圖像[8]。

3 基于圖像分割和邊緣提取相融合的算法

我們先使用邊緣提取算法對原圖像進行處理，根據分析可知，Canny算子會還原出噪聲邊緣，如果和圖像分割算法融合，那么實驗結果將不理想，因此使用Soble算子，得到圖像A，然后對圖像進行閾值分割，得到圖像B，使得兩種圖像分辨率相同，之后進行融合。之所以不在圖像B的基礎上進行邊緣提取，是因為經過閾值分割算法處理后的圖像邊緣不太明顯，并不能很好的進行邊緣增強，通過下面的實驗對比也可以證實這一點。我們對融合結果進行仿真實驗，得到的結果如圖4所示。

圖4 基于圖像分割和邊緣提取融合的醫學細胞圖像算法

先對圖1（a）進行Soble算子的邊緣提取，得到圖3（a），然后使用迭代閾值分割算法得到圖1（b），之后就可以得到圖4（a）所示的結果。可以發現，雖然淋巴細胞的增強效果不錯，但是噪點明顯，不能很好地凸顯出想要分離的淋巴細胞。

圖4（b）的結果是先采用基于Sobel算子的邊緣提取算法對原圖1（a）處理得到圖3（a），然后使用全局閾值分割算法處理原圖1（a）得到圖2，最后將經過兩種算法處理后的圖像進行融合，得到圖4（b）。可以看到，淋巴細胞明顯，幾乎無噪聲，說明這種融合算法的效果很好，圖像增強效果較明顯。

4 結 語

本文提出了基于圖像分割和邊緣提取相融合的醫學細胞圖像增強算法。我們首先對迭代式閾值分割和全局閾值分割算法進行了對比，發現全局閾值法的效果更好，分割出的主體細胞更加突出。然后我們比較了Sobel算子和Canny算子兩種邊緣提取算法。仿真結果表明，Sobel算子邊緣提取方法表現更好。最后，我們將閾值分割得到的圖像與邊緣提取得到的圖像進行融合，提出了基于圖像分割的醫學細胞圖像增強算法。仿真結果說明，這種算法更加適合細胞圖像的處理，處理后的細胞主體更加清晰，算法效果卓越[9-10]。