基于改进ITTI模型及粒子群优化算法的白细胞区域提取

纪 滨，杨盼盼，申元霞

(安徽工业大学计算机科学与技术学院，安徽马鞍山243032)

基于改进ITTI模型及粒子群优化算法的白细胞区域提取

纪 滨，杨盼盼，申元霞

(安徽工业大学计算机科学与技术学院，安徽马鞍山243032)

白细胞显微图像病理分析中，人眼关注的白细胞是感兴趣的区域。ITTI视觉模型是提取图像感兴趣区域(ROI)的有效办法。为了进一步改善其提取的准确性，提出了基于改进的ITTI视觉模型与粒子群优化算法相结合的目标控制方法，并将其应用于医学骨髓细胞图像中的白细胞区域提取。首先利用高斯滤波和多尺度归一化的方法分别提取原始图像的方向、亮度、颜色显著性特征，再根据人眼的视觉对不同显著性特征敏感程度不同的特性对3种显著性特征采用自适应系数相融合的方式得到显著图，最后利用基于改进的粒子群优化算法的Otsu法对显著图进行ROI的提取，并采用数字形态学的方法对其进行后续处理。结果表明，本文算法可以较好地提取完整的白细胞区域，有助于提高病理分析的效率。

感兴趣区域；显著图；粒子群优化算法；ITTI模型；白细胞

白细胞作为“人体卫士”，在与疾病斗争中起着重要的作用，不同类别的白细胞数量、形态发生异常对疾病的诊断均有较高的价值。在实际应用中，病理检验人员主要根据在显微细胞图中找到异常细胞的方式判断病变，而人工操作方式工作量大、易疲劳从而导致漏判、错判等问题。采用计算机自动提取细胞图像中人眼感兴趣的白细胞区域，可以显著提高人眼甄别异常白细胞的工作效率，对细胞异常情况的判别具有实际应用价值。

目前，对图像感兴趣区域(Regions of Interest,ROI)提取的方法主要有基于注视点的方法[1]、基于视觉注意模型的方法[2]、基于特定对象分割的方法[3]等。面对复杂场景，人类视觉系统会将注意力集中在少数几个显著视觉对象上，并优先处理。这一事实表明模仿人类视觉系统的计算模型更有利于ROI的快速提取。在检测医学骨髓细胞图像过程中，人眼会不自觉地将视线集中在白细胞区域，表明白细胞区域是其感兴趣区域。骨髓细胞电子显微镜图像不同于其他电镜图像，没有如金相图像边缘和背景复杂的问题[4]，因此，利用计算机视觉模型提取骨髓细胞图像中的白细胞区域，可在专业应用中为细胞病理检测分析奠定技术基础。

目前，视觉显著性的研究主要集中于4种模型，即光谱剩余模型、Hu-Rajan-Chia模型、Stentiford模型、ITTI视觉注意模型[5]。由于医学显微细胞图像分析经过瑞氏染色法处理，染色后图像颜色较为分明，而ITTI视觉模型主要利用颜色特征、方向特征、亮度特征，故ITTI视觉模型是较为合适的选择。文中针对传统ITTI视觉模型提取图像显著性区域的准确度不高，难以提取完整的感兴趣区域的问题[6]，根据人眼对不同显著性特征敏感程度存在差异这一事实，对传统ITTI视觉模型中显著性特征结合方式进行改进；并针对Otsu提取显著图的感兴趣区域不能反映几何结构等问题，将粒子群优化算法引入Otsu算法，以得到较为完整、清晰的白细胞区域。

1 白细胞区域的提取方法

感兴趣区域是指在图像中引起人们兴趣和帮助进行图像理解的区域，通常是彼此连通的具有某种相似属性的“有意义”的像素集合[7]。本文研究的骨髓细胞图像经瑞氏染色法处理后使得白细胞区域颜色较为分明，准确提取白细胞区域是检测白细胞形态、数量及病理分析的重要前提。

1.1 改进的ITTI视觉模型

ITTI模型是显著性区域的检测算法，属于数据驱动型并且是自底向上机制中的典型代表，其驱动模式符合人类视觉特征。在病理分析中为了更好地识别白细胞区域，将骨髓细胞血涂片进行瑞氏染色法处理，根据经验本文主要提取颜色、亮度、方向3类显著性低层视觉特征。原始ITTI视觉模型中采用平均值求和方法融合3类显著图，前期研究表明，通过这种方法提取白细胞区域会产生较多噪声，使图像不清晰、不完整，影响对白细胞区域的判别。因此，本文采用自适应系数调整的方法对信息融合方式进行改进，以得到较为完整的感兴趣区域。

经过多尺度归一化运算得到的颜色、亮度、方向的显著图分别用N(C)、N(I)、N(O)表示，S为融合后的显著图，在传统ITTI视觉模型中，S计算如式(1)所示[6]

式(1)只是简单地将3类显著性特征等量平均加权，没有充分考虑到人眼对不同显著性特征的敏感程度不同的特性。研究表明图像中颜色显著性特征对人眼视觉贡献最大，其次是亮度，最后是方向。根据贡献不同，比例系数应不同的策略，采用自适应系数方法求显著图如下式。

其中：P1为骨髓细胞图像中特征显著图亮度比例，其值为先计算出图像亮度值的标准方差和平均值后，取偏差范围内那部分像素所占的比例[8]；S1为颜色特征图、亮度特征图通过自适应系数融合后的显著图；P2为图像S1在原始细胞图像中面积所占的比例；S为3种显著性特征图采用自适应系数运算后的最终显著图。

1.2 基于改进粒子群优化算法的Otsu法

为了改善白细胞区域提取的准确性，本文采用将粒子群优化(Particle Swarm Optimization,PSO)算法引入Otsu算法[9]，提取图像中的白细胞区域。

PSO算法是基于群体智能理论的优化算法，它通过群体中粒子间的合作与竞争产生的群体智能优化搜索[10]。设种群共有N个粒子，搜索空间为D维空间，记粒子i(1≤i≤N)的位置为xi，其飞行速度表示为Vi，k为当前迭代次数，经过的最佳适应值的位置记为pbi，全局最佳适应值的位置记为gbi，在每一次迭代中，粒子通过跟踪pbi和gbi来更新其速度和位置，如式(4)[11]：

其中：w为惯性权重，引入惯性权重的主要作用是起到平衡全局和局部搜索的能力，平衡算法的收敛速度和精度，可以达到以最少迭代此次寻找最优解的效果；C1，C2，C3为加速因子；r1，r2，r3是相互独立的随机数，取值范围在(0,1)区间；x1为粒子初始位置。种群粒子的初始值、pbi和gbi均对粒子运行路线产生影响。这3个因素同时对粒子进行约束，使得粒子在寻找最优解的过程中能够兼顾搜索步长的极小化，避免无法搜索到最优解的问题，因此本文将粒子的初始值加入对速度的更新中，具体如下

惯性权重的值与粒子的最佳位置有关，因此，寻找合适的惯性权重可以使得粒子向更好的区域靠拢。文中惯性权重的初始值为0.9，为避免陷入局部最优，提高寻优的成功率，平衡局部最优值和全局最优值，得到理想的提取效果，本文采用了非线性的惯性权重为

其中：wmax，wmin分别为最大和最小的惯性权重初始值；G为最大迭代次数。利用非线性惯性权重去更新粒子的位置和速度，求出的全局最优位置pbi和局部最优位置gbi，然后进行最优解的判断，替换最优解的类间方差值，寻找显著图的最佳分割阈值。

1.3 骨髓细胞图像ROI提取算法步骤

骨髓细胞图像感兴趣区域提取实现过程如下：

1)输入骨髓细胞显微图像，采用高斯低通滤波后隔行采样，提取红-绿、绿-红、蓝-黄、黄-蓝4个颜色特征信息，0°，45°，90°，135°4个方向信息，及1个亮度信息共9个分量。

2)利用中央-周边差算子[12]计算出12个颜色、24个方向、6个亮度共计42个多尺度显著性特征图。根据中心-周边感受野的原理，可知中央-周边差的方法符合人眼的视觉习惯，细尺度图像表示感受野中心，粗尺度图像表示感受野周边。

3)对3种显著性特征图采用归一化处理后再进行多尺度间求和，可得到颜色显著图、亮度显著图、方向显著图。

4)利用本文提出的自适应系数法将3类显著图合并成最终的显著图，再采用基于粒子群优化算法Otsu法提取骨髓细胞图像中的ROI。

5)采用形态学中的闭运算[13]进行后续处理，得到具有较为完整的白细胞区域的图像。框图如图1所示。

图1 ROI提取算法流程图Fig.1 Flow chart of ROI extraction

2 实验结果与分析

为了验证本文方法对医学骨髓细胞感兴趣区域提取有效性，实验采用Matlab2012在华硕A42J（酷睿i5，DDR3 2G）电脑上编程实现。骨髓细胞图库来自某医院临床病理科细胞病理室，骨髓玻片样本统一经过瑞氏染色法处理，Motic-BA600数字化切片扫描显微镜输出大小为670像素×450像素的骨髓细胞图。分别采用本文基于改进的ITTI模型和粒子群优化提取白细胞区域的方法，原始ITTI视觉模型[14]、单一改进ITTI视觉模型、基于上下文的显著性检测(Context-Aware Saliency Detection,CA)[15]、基于光谱剩余模型(Spectral Residual Model,SR)[16]等算法进行实验。Otsu优化算法迭代次数为100；初始粒子个数为图像横向像素个数；惯性权重最大值与最小值分别为0.9，0.4；加速因子均为2。

图2是不同方法骨髓细胞图像白细胞ROI提取结果。

图2 白细胞的ROI提取实验结果Fig.2 Experimental results of the ROI about Leukocyte areas extracting

由图2可以看出CA、SR和传统的ITTI模型提取ROI的白细胞区域效果较差(如图2(e)，2(f)和,2(b))。仅仅对ITTI模型中的单一特征图融合方式进行改进，得到的白细胞区域图依然不够清晰(如图2(c),2(d))。经分析可知，采用本文提出算法所得效果较为理想(如图2(g))。

为了进一步验证本文提出算法的性能，分别采用了3种指标进行分析，即概率边缘指数(Probabilistic Rand Index，PRI)、全局一致性误差(Global Consistency Error，GCE)、变换信息量(Variation of Information，VOI)[17]，其中PRI在取值范围[0,1]中值越大，则实际分割结果与理想分割结果越接近；GCE在取值范围[0,1]得到的值越小证明提取效果越好；VOI取值范围[0,∞]的值越小,说明实际分割结果相对理想分割图像信息变化越少,实际分割结果与理想分割图像越接近[11]。同一方法进行10次实验验证，其平均检测结果见表1。

由表1可知，本文方法得到的PRI值最大；GCE和VOI的值最小，其最接近理想值。实验中为了避免无法搜索最优解的情况，采用本文方法时增加了迭代次数，导致与原始ITTI算法相比耗时略多。虽然采用SR算法耗时较少，但是从目标提取效果(图2(e))和3项评判指标对比可知，其其他性能没有本文算法优越。综合评价参数值和效果图可以看出，本文基于改进粒子群优化ITTI模型的白细胞区域提取方法更具合理性。

表1 检测结果Tab.1 Detection result

3 结 语

本文将基于改进的ITTI模型及粒子群优化相结合，给出一种提取骨髓细胞图像中白细胞区域的有效方法。该算法在原始的ITTI模型的基础上采用了自适应系数融合，并将粒子群优化算法引入Otsu法进行白细胞区域提取，有效地解决了传统ITTI模型提取白细胞区域存在的噪声较大，无法提取较为完整的白细胞区域等问题。实验结果表明，该方法可以更为有效地提取图像中的白细胞区域，可为对完成白细胞的分类统计、病理分析等奠定技术基础。

[1]JACOB R J K,KARN K S.The Mind’s Eye∶Cognitive&Applied Aspects of Eye Movement Research[M].[S.l.]∶Amsterdam Elsevier Science,2003∶573-605.

[2]ELAZARY L,ITTI L.Abayesian model for efficient visual search and recognition[J].Vision Research,2010,50(14)∶1338-1352.

[3]LOOG M,LAUZE F.The improbability of harris interest points[J].IEEE Transactions on Pattern Analysis and machine Intelligence,2010,32(6)∶1141-1147.

[4]王培珍，吴琳，殷子睆，等.基于改进Mean Shift的高铬铸铁电镜图像碳化物目标提取[J].安徽工业大学学报(自然科学版)，2015,32(3)∶233-238..

[5]陈再量.图像感兴趣区域提取方法研究[D].长沙：中南大学，2012.

[6]ITTI L,KOCH C,NIEBUR E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on PatternAnalysis and Machine Intelligence,1998,20(11)∶1254-1259.

[7]GOKTURK S B,TOMASI C,GIROD B.Medical image compression based on region of interest,with application to colon CT images[C]//Proceedings of the 23rd Annual Engineering in Medicine and Biology Society International Conference.[s.l.]∶IEEE,2001∶2453-2456.

[8]冯竞舸.静止图像的ROI区域自动提取于编码[D].南京：南京邮电大学，2013.

[9]刘申晓,王学春.基于改进粒子群优化算的Ostu图像分割算法[J].计算机科学，2013,40(8)∶293-295.

[10]ZHANG Y,GONG D W.Adaptive bare-bones particle swarm optimization algorithm and its convergenc analysis[J].Soft Compute,2014,18∶1337-1352.

[11]SRI M R,AROCKIA S.Improved PSO based multi-evel thresholding for cancer infected breast thermal images using Otsu[J].Science Dierct,2015,48∶524-529.

[12]SIAGIAN C,ITTI L.Rapid biologically-inspired scene classification using features shared with visual attention[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2007,29(2)∶300-312.

[13]QI D W,GUO F.Medical image edge detection based on omni-directional multi-scale structure element of mathematical morphology[C]//IEEE International Conference onAutomation and Logistics,2007∶2281-2286.

[14]ITTI L,KOCH C.Computational modeling of visual attention[J].Nature Reviews Neuroscience,2001,2(3)∶194-203.

[15]GOFERMAN L,MANOR Z.Context aware saliency detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,34(10)∶1915-1926.

[16]HOU X,ZHANG L.Saliency detection∶A spectral residual approach[C]//IEEE Conference on Computer Vision and Pattern Recognition.[s.l.]∶IEEE,2007∶1-8.

[17]UNNIKRISHNAN R,HEBRT M.Toward objective evaluation of image segmentation algorithms[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2007,29(6)∶929-944.

责任编辑：丁吉海

Extraction of LeukocyteAreas Based on Improved ITTI and Particle Swarm OptimizationAlgorithm

JI Bin,YANG Panpan,SHEN Yuanxia
(School of Computer Science and Technology,Anhui University of Technology,Ma'anshan 243032,China)

In the process of pathological analysis of the Leukocyte microscopic image,the leukocyte areas are regions of interest(ROI).The ITTI visual model is an effective method of extracting the ROI from image.For improving the extracting accuracy,an object extracting method combining the improved ITTI visual model with particle swarm optimization algorithm is proposed and used to extract the ROI from the bone marrow cell image.Firstly,based on Gaussian filter and multi-scale normalization,features of the orientation,brightness,and color are computed from the original image.And then,according the fact that the sensitivity of eyes is not the same as different features the saliency map is obtained with adaptive coefficient from three significant characteristics.Finally,by using Otsu method based on the improved particle swarm optimization(PSO)algorithm,the ROIs are extracted and subsequent processed with method of morphology.Experimental results show that this method can extract white blood cell areas perfectly,which is helpful for improving the efficiency of pathological analysis.

region of interest;salient map;particle swarm optimization;ITTI model;leukocyte areas

TP 391.41-3

A

10.3969/j.issn.1671-7872.2016.03.016

2015-12-08；

国家自然科学基金项目(61300059)

纪滨(1969-)，男，江苏镇江人，博士，副教授，研究方向计算机视觉及智能感知。

1671-7872(2016)03-0284-05