基于原子力显微镜癌细胞图像分割方法的研究

2015-07-21 13:00刘自敏

科技创新导报 2015年17期

刘自敏

摘要：针对原子力显微镜AFM癌细胞图像，提出一种改进的基于灰度直方图最大熵分割算法。由于原子力显微镜在液相扫描成像过程中受到的干扰因素很多，获得的细胞图像灰度直方图分布不均。首先采取高斯滤波器对细胞图像进行预处理，然后根据图像的灰度直方图进行谷点检测，通过迭代获取最终的谷点序列求取灰度图像的最大熵来选取最佳阈值，最后与数学形态学处理获得最后的分割图像。实验结果表明，该算法能够有效的对原子力显微镜细胞图像进行分割。

关键词：原子力显微镜，最大熵，谷点检测，数学形态学

中图分类号： R361 文献标识码：A 文章编号1672-3791（2015）06（b）-0000-00

随着科技的日新月异，原子力显微镜[4]作为一种强有力的工具在生命科学的研究中备受欢迎。高分辨率成像以及力学特性测量使其在纳米医学、生物细胞学、分子生物学等领域成为一种重要的研究工具。原子力显微镜不仅在气相下成像而且在液相下也能够成像，在获取超微结构方面，原子力显微镜不仅能够通过探针对细胞形貌进行成像，而且通过使用修饰的探针能够对生物细胞进行力学测试研究，目前关于原子力显微镜在生命科学的研究已经成为国际热点。原子力显微镜目前可以在液相下对活体细胞进行操纵，在液相下对生物细胞进行操纵比较符合生理环境下的观测，实验数据也会更加的准确真实，在液相下对细胞扫描成像更有利于分析其生命活动规律，甚至可以对其进行力学测量实验，研究其一些结构随着时间的变化[1]，从而去揭示生物细胞的奥秘。

对于活体细胞图像分割来说，由于细胞自身的原因如复杂性、多样性致使很难在众多算法当中，找到一个能够通用的分割算法。目前对于分割算法真是琳琅满目，如马义德[2]提出一种基于脉冲耦合神经网络的植物胚性细胞图像智能分割算法，然而传统阈值分割算法复杂度较低能快速的提取出目标区域。因此实验根据实际情况采取基于灰度直方图最大熵图像分割算法。

1 AFM细胞图像预处理

在获取原子力显微镜细胞图像过程中，AFM的探针对于噪声特别敏感，空气的流动、在超净室的走步声或者说话声都会对扫描的细胞图像造成很大的干扰，图像将增加额外的噪声，所以在操作原子力显微镜的时候必须在一个相对安静的环境下进行，因此对于原子力显微镜细胞图像在分割前需进行预处理操作。

对于图像预处理操作目前有很多种，如直方图、滤波、锐化、彩色增强、数学形态学[6]等等，通过预处理操作可以使图像对比度更加明显，去除图像中的干扰因素，这样就可以使图像被提取出的目标区域尽可能的完整，减少被误分的可能性。图1（a）是原子力显微镜原始细胞灰度图像，图1（b）是其灰度直方图，从图1（b）可以看到细胞图像的灰度主要分布在0到100范围内，并且细胞图像的灰度直方图曲线带有很多毛刺，对于阈值的选取带来很大的困扰，因此论文中采取高斯滤波器对其进行滤波。

（a）癌细胞灰度图像（b）细胞灰度直方图曲线

图1 AFM原始癌细胞灰度图像及其灰度直方图曲线

（a）高斯滤波结果（b）滤波结果直方图曲线

图2 AFM高斯滤波处理结果及灰度直方图曲线

高斯滤波是一种线性平滑滤波器，能够有效的消除高斯噪声，图2（a）是通过高斯滤波器处理的结果，图2（b）是滤波结果直方图曲线，从图2（b）中可以看到曲线上的毛刺不那么明显了，曲线得到明显的改善，说明该滤波器能有效的去除掉AFM细胞图像中的高斯噪声干扰。

2 基于灰度直方图最大熵算法

2.1 原理介绍

在灰度图像中，直方图[3]具有图像灰度的统计特性，在图像处理中是一种有效的辅助工具，通过直方图能够直观的了解图像中的一些基本信息。灰度直方图熵的概念是由Pun[7]等人提出的，而熵的大小则反映了细胞图像包含信息的丰富度，假设一幅图像的大小n×n，每个像素点具有的灰度值为，图像的灰度等级大小为L，第个灰度级在图像中出现的次数为，表示灰度级出现的频率：

（1）

如果图像可以分成两个区域，且阈值为t ，即

（2）

（3）

则区域R1和R2上的灰度级分布可以写成：

（4）

（5）

其中：

（6）

两个与R1和R2相伴的熵为

（7）

（8）

其中

（9）

定义直方图的熵：

（10）

当Et最大可以从图像中获得最大信息熵，此时的阈值为最佳阈值。

2.2 基于灰度直方图最大熵的AFM细胞图像的分割

对图3（a）采取基于灰度直方图最大熵算法进行分割处理，其结果如图3（b）所示，从图中可以看到分割的效果离尽可能提取完整的目标区域差距还很大，究其原因是原子力显微镜AFM细胞图像的灰度分布参差不齐，并且图像中的背景与细胞目标区域的边缘区域相近，在图像处理的过程中造成误判，把细胞区域划分成非细胞区域，这对图像分割以及阈值的选取判断造成很大的干扰。

图4是熵与阈值的关系曲线图，从图中可以看到当阈值在80到100左右的时候熵值比较大，熵越大说明提取的图像的信息将会越丰富，如何选取最优阈值，对于人肉眼来区分比较困难，如果挨个去尝试将会比较费时，因此该算法还有一些不足之处需要对其进行改进。

（a）滤波后的细胞灰度图像（b）分割结果图

图3 基于灰度直方图最大熵AFM细胞图像分割

图4 熵与阈值的关系曲线图

2.3 改进的分割算法

文献[5]中提出一种谷点检测算法，针对灰度图像中图像灰度直方图分布不均匀、存有多个波谷以及一些被忽略掉的隐藏波谷进行有效筛选查找，实现自动查找最优阈值，从而能够提高分割的准确性。根据实际情况本文在此基础上与数学形态学[5]进行结合，通过改进的分割算法能够有效的提取出细胞目标区域，其算法流程图如图5所示，通过谷点检测筛选去有效的阈值，通过迭代求取的最终谷点序列计算灰度图像的最大熵，由最大熵来确定最优阈值。

图5 算法流程图

3.4 实验结果

图6是本文算法与Otsu算法、最大熵算法的相比较，从图中可以看到本文所提出的分割算法能够针对原子力显微镜AFM细胞图像进行有效的分割，抑制了欠分割现象。

（a）梭形癌细胞原始图像（b）Otsu分割（c）最大熵算法分割（d）本文算法

（e）三角形癌细胞原始图像（f）Otsu分割（g）最大熵算法分割（h）本文算法

图6 两种不同形态的AFM细胞图像不同分割算法处理结果

3结论

本文针对原子力显微镜AFM细胞图像的特点，提出一种有效的对原子力显微镜AFM细胞图像进行分割的算法，实验证明该算法能够针对直方图分布不均匀、存在隐藏的波谷以至于难以选取最佳阈值的缺点，在实验中取得了良好的分割效果。

参考文献

[1] 陈会羽.基于形态学和活动轮廓模型的活体细胞图像分割算法[J].浙江师范大学学报.2006，83（3）：61-63.

[2] 马义德，李廉，戴若兰. 一种基于脉冲耦合神经网络的植物胚性细胞图像分割[J]. 科学通报，2001，46（21）：56-60.

[3] 陈宇，庞全，范影乐.基于直方图判别的细胞图像分割[J].杭州电子工业学院学报.2004，33（6）：21-23..