基于顏色矩陣映射的細胞圖像核、漿提取方法研究

王萌，張留龍，趙運立東營市人民醫院

a.信息中心；b.放射科；c.設備科，山東 東營 257091

0 前言

在細胞圖像處理過程中，主要是對粘連細胞進行分割，形成獨立的個體，以便計算各單個細胞的相關參數，如面積、直徑、質心等。因此，細胞分割的準確性直接影響到后期圖像處理效果。目前已有多種分割算法，這些算法在進行圖像分割時各有優劣，但單一算法通常很難得到好的效果，綜合多種算法進行處理可得到較理想的分割效果[1-3]。

在分割過程中，通常的做法都是直接將彩色細胞圖像灰度化，但這樣無疑會損失彩色圖像的某些信息，特別是在推片不均產生色斑時，不能很好地將細胞從背景中分割出來，同時也不能較好地保留細胞形態。本研究嘗試充分利用圖像的彩色信息對細胞圖像進行預處理，分別對細胞核、細胞漿進行提取，為后期圖像處理提供更豐富、準確的信息。

1 RGB圖與灰度圖之間的關系

灰度圖又稱灰階圖，把黑色與白色之間按對數關系分為若干等級，成為灰度。灰度分為256階，用灰度表示的圖像成為灰度圖。任何顏色都由紅（R）、綠（G）、藍（B）三原色組成，假如原來某點的顏色為RGB（R，G，B），那么，我們可以通過下面幾種方法，將其轉換為灰度（Gray）：

（1）公式計算法：

Gray=R*0.3+G*0.59+B*0.11；

Gray=(R*30+G*59+B*11)/100；

Gray =(R*28+G*151+B*77)＞＞8 ；

Gray=（R+G+B）/3。

（2）僅取單色：

Gray=R（紅色通道）；

Gray=G（綠色通道）；

Gray=B（藍色通道）。

通過上述任一種方法求得Gray后，將原來的RGB中的R、G、B統一用Gray替換，形成新的顏色RGB(Gray,Gray,Gray)，用它替換原來的RGB（R,G,B）就是灰度圖了.轉換后，灰度值的變化范圍是0～255，它綜合了彩色圖像中3種基色的灰度級變化。

（3）RGB圖的顏色矩陣映射。一幅RGB圖像存儲為數據矩陣，數組中的元素定義了圖像中每一個像素的R、G、B顏色值，像素的顏色由保存在像素位置上的R、G、B的灰度值組合來確定，根據目標區域的偏向色限定R、G、B顏色的取值，從而使目標圖像更明確。

2 圖像預處理方法比較

在matlab運行環境下對彩色細胞圖像進行預處理，目的是使處理后的圖像更易于分割，以達到細胞提取的目的。上述（1）、（2）兩種方法，將彩色圖像轉換成灰度圖分別運用了公式法和單色法處理，而方法（3）利用了原圖像的色彩信息進行顏色矩陣映射。下面將分別介紹此3種方法的實現過程：

方法（1），用函數rgb2gray直接將原RGB圖像灰度化，其中函數rgb2gray使用公式計算法對彩色圖像進行轉換（圖 1～2）。

圖1 RGB圖像

圖2 灰度圖

方法（2），選取單通道顯示[4]。一副完整的圖像，是由R、G、B 3個通道組成的，選擇彩色圖像中一個合適的通道進行分割，在matlab運行環境下顯微病理涂片在R、G、B通道下的顯示，見圖3～5。

圖3 R通道圖像

圖4 G通道圖像

圖5 B通道圖像

從彩色圖像上可見背景偏紅，在R通道上前景和背景對比度較好，便于分割操作。所以選擇圖（3）進行下一步操作。

方法（3），顏色矩陣映射[5]。用交互式（impixel）獲取像素值，取多個細胞核的點，以確定細胞核像素的取值范圍，然后使用imadjust函數來映射彩色圖像的顏色矩陣，取得細胞核、細胞漿（圖6～7）。

圖6 顏色矩陣映射提取細胞核

圖7 顏色矩陣映射提取細胞漿

圖像處理中關鍵技術的應用，無論對邊緣檢測[6]還是形態學操作，都希望圖像的前景、背景對比度越明顯越好。經比較：圖2對比度不強，細胞漿難以與背景區分；圖3提取細胞核可行，但一些外沿的細胞漿與背景色斑較難區分；圖6可直接識別細胞核，背景干擾較少；圖7利于提取細胞漿，細胞漿與背景區分較明顯，為下一步圖像處理能提供更準確的信息。本研究采用顏色矩陣映射法實現，具體實驗步驟如下。

3 顏色矩陣映射法實驗步驟[7-8]

用交互式（impixel）方法在圖1中獲取像素值，取多個細胞核（顏色深度不同）的點，按先后順序依次顯示像素值，每1行為1個點的像素值。將細胞核像素值的大體取值范圍0～255轉換為與之對應的0～1值（表1）。該取值用于確定一個范圍參考，不必每次都做此步驟。

表1 細胞核的大體取值范圍及其對應的數值轉換關系

使用imadjust函數來映射彩色圖像的顏色矩陣，取得有意義的部分：

此式表示，將原圖像中的亮度值映射到新圖像中的新參數值，low_in為最低輸入值，high_in為最高輸出值，low_out為最低輸出值，high_out為最高輸入值，參數gamma默認為1 線性映射。即將low_in～hige_in之間的值映射到low_out～high_out，low_in以下與high_in以上的值被剪切掉了。也就是說，low_in以下的值映射到low_out，high_in以上的值映射到high_out。

對RGB圖像的R、G、G調色板分別進行調整。即隨著顏色矩陣的調整，每一個調色板都有唯一的映射值。由表1可知：R（0.38～0.8）、G（0.29～0.61），B 通道顏色較少，此處可不取。即原細胞圖像中紅色調色板中像素值＜0.38的像素都將被置為0，＞0.8的都將被置為1，原圖像中綠色調色板中像素值＜0.29的像素都將被置為0，＞0.61的都將被置為1。

細胞核表達式為 ： imadjust(I,[0.38 0.29 0； 0.8 0.61 .01],[])；執行此式得到了圖6。

我們用選取細胞核的方法選取細胞漿。像素的取值范圍及對應轉換關系，見表2。

表2 選取細胞漿像素的取值范圍及對應轉換關系

由表2可知，對應的數值轉換后，R（0.74～0.93）、G（0.54～0.77），因原圖像B通道顏色較少此處可不取。即原細胞圖像中紅色調色板中像素值＜0.748的像素都將被置為0，＞0.93的都將被置為1；原圖像中綠色調色板中像素值＜0.54的像素都將被置為0，＞0.77的都將被置為1。

細胞漿表達式為： imadjust(I,[0.74 0.54 0； 0.93 0.77 .01],[])

執行此式得到了圖7。

4 結束語

本研究提出了一種目標性更強的背景分割方法。采用顏色矩陣映射方法能夠更充分地利用彩色圖像的色彩信息，為圖像的后期處理提供了更可靠的數據。經過色彩矩陣映射法預處理的圖像再進行灰度化，其前景、背景對比度更強，對后期的圖像分割等處理更有實際應用意義。

[1] 丁宏,王澤,施月玲.粘連細胞分割算法的研究與實現[J].計算機應用與軟件,2008,25(4):202-203.

[2] 王兆仲,趙宇,周付根,等.血細胞圖像的自適應分割[J].中國體視學與圖像分析,2002,7(1):49-52.

[3] 李宗林,羅曉暉,蔣愛德.顯微細胞的圖像分析技術[J].機械工程與自動化,2006,(2):146-148.

[4] 劉國慶,傅蓉.基于優勢背景色的細胞圖像綜合分割方法[J].計算機工程與設計,2011,32(6):2080-2082.

[5] 曹茂永,徐小平,郁道銀.具有光照強度不變性的顯微細胞圖像處理算法[J].光學技術,2003,29(5):575-577.

[6] 胡麗琴,宋麗梅.基于灰度形態學的紅細胞圖像邊緣檢測[J].傳感器與微系統,2009,28(3):98-100.

[7] 張毓晉.圖像工程(上冊)圖像處理[M].北京:清華大學出版社,2006.

[8] 張強,王正林.精通MATLAB圖像處理[M].北京:電子工業出版社,2009.