基于原子力顯微鏡癌細胞圖像分割方法的研究

2015-07-21 13:00:57劉自敏

科技創新導報 2015年17期

劉自敏

摘要：針對原子力顯微鏡AFM癌細胞圖像，提出一種改進的基于灰度直方圖最大熵分割算法。由于原子力顯微鏡在液相掃描成像過程中受到的干擾因素很多，獲得的細胞圖像灰度直方圖分布不均。首先采取高斯濾波器對細胞圖像進行預處理，然后根據圖像的灰度直方圖進行谷點檢測，通過迭代獲取最終的谷點序列求取灰度圖像的最大熵來選取最佳閾值，最后與數學形態學處理獲得最后的分割圖像。實驗結果表明，該算法能夠有效的對原子力顯微鏡細胞圖像進行分割。

關鍵詞：原子力顯微鏡，最大熵，谷點檢測，數學形態學

中圖分類號： R361 文獻標識碼：A 文章編號1672-3791（2015）06（b）-0000-00

隨著科技的日新月異，原子力顯微鏡[4]作為一種強有力的工具在生命科學的研究中備受歡迎。高分辨率成像以及力學特性測量使其在納米醫學、生物細胞學、分子生物學等領域成為一種重要的研究工具。原子力顯微鏡不僅在氣相下成像而且在液相下也能夠成像，在獲取超微結構方面，原子力顯微鏡不僅能夠通過探針對細胞形貌進行成像，而且通過使用修飾的探針能夠對生物細胞進行力學測試研究，目前關于原子力顯微鏡在生命科學的研究已經成為國際熱點。原子力顯微鏡目前可以在液相下對活體細胞進行操縱，在液相下對生物細胞進行操縱比較符合生理環境下的觀測，實驗數據也會更加的準確真實，在液相下對細胞掃描成像更有利于分析其生命活動規律，甚至可以對其進行力學測量實驗，研究其一些結構隨著時間的變化[1]，從而去揭示生物細胞的奧秘。

對于活體細胞圖像分割來說，由于細胞自身的原因如復雜性、多樣性致使很難在眾多算法當中，找到一個能夠通用的分割算法。目前對于分割算法真是琳瑯滿目，如馬義德[2]提出一種基于脈沖耦合神經網絡的植物胚性細胞圖像智能分割算法，然而傳統閾值分割算法復雜度較低能快速的提取出目標區域。因此實驗根據實際情況采取基于灰度直方圖最大熵圖像分割算法。

1 AFM細胞圖像預處理

在獲取原子力顯微鏡細胞圖像過程中，AFM的探針對于噪聲特別敏感，空氣的流動、在超凈室的走步聲或者說話聲都會對掃描的細胞圖像造成很大的干擾，圖像將增加額外的噪聲，所以在操作原子力顯微鏡的時候必須在一個相對安靜的環境下進行，因此對于原子力顯微鏡細胞圖像在分割前需進行預處理操作。

對于圖像預處理操作目前有很多種，如直方圖、濾波、銳化、彩色增強、數學形態學[6]等等，通過預處理操作可以使圖像對比度更加明顯，去除圖像中的干擾因素，這樣就可以使圖像被提取出的目標區域盡可能的完整，減少被誤分的可能性。圖1（a）是原子力顯微鏡原始細胞灰度圖像，圖1（b）是其灰度直方圖，從圖1（b）可以看到細胞圖像的灰度主要分布在0到100范圍內，并且細胞圖像的灰度直方圖曲線帶有很多毛刺，對于閾值的選取帶來很大的困擾，因此論文中采取高斯濾波器對其進行濾波。

（a）癌細胞灰度圖像（b）細胞灰度直方圖曲線

圖1 AFM原始癌細胞灰度圖像及其灰度直方圖曲線

（a）高斯濾波結果（b）濾波結果直方圖曲線

圖2 AFM高斯濾波處理結果及灰度直方圖曲線

高斯濾波是一種線性平滑濾波器，能夠有效的消除高斯噪聲，圖2（a）是通過高斯濾波器處理的結果，圖2（b）是濾波結果直方圖曲線，從圖2（b）中可以看到曲線上的毛刺不那么明顯了，曲線得到明顯的改善，說明該濾波器能有效的去除掉AFM細胞圖像中的高斯噪聲干擾。

2 基于灰度直方圖最大熵算法

2.1 原理介紹

在灰度圖像中，直方圖[3]具有圖像灰度的統計特性，在圖像處理中是一種有效的輔助工具，通過直方圖能夠直觀的了解圖像中的一些基本信息。灰度直方圖熵的概念是由Pun[7]等人提出的，而熵的大小則反映了細胞圖像包含信息的豐富度，假設一幅圖像的大小n×n，每個像素點具有的灰度值為，圖像的灰度等級大小為L，第個灰度級在圖像中出現的次數為，表示灰度級出現的頻率：

（1）

如果圖像可以分成兩個區域，且閾值為t ，即

（2）

（3）

則區域R1和R2上的灰度級分布可以寫成：

（4）

（5）

其中：

（6）

兩個與R1和R2相伴的熵為

（7）

（8）

其中

（9）

定義直方圖的熵：

（10）

當Et最大可以從圖像中獲得最大信息熵，此時的閾值為最佳閾值。

2.2 基于灰度直方圖最大熵的AFM細胞圖像的分割

對圖3（a）采取基于灰度直方圖最大熵算法進行分割處理，其結果如圖3（b）所示，從圖中可以看到分割的效果離盡可能提取完整的目標區域差距還很大，究其原因是原子力顯微鏡AFM細胞圖像的灰度分布參差不齊，并且圖像中的背景與細胞目標區域的邊緣區域相近，在圖像處理的過程中造成誤判，把細胞區域劃分成非細胞區域，這對圖像分割以及閾值的選取判斷造成很大的干擾。

圖4是熵與閾值的關系曲線圖，從圖中可以看到當閾值在80到100左右的時候熵值比較大，熵越大說明提取的圖像的信息將會越豐富，如何選取最優閾值，對于人肉眼來區分比較困難，如果挨個去嘗試將會比較費時，因此該算法還有一些不足之處需要對其進行改進。

（a）濾波后的細胞灰度圖像（b）分割結果圖

圖3 基于灰度直方圖最大熵AFM細胞圖像分割

圖4 熵與閾值的關系曲線圖

2.3 改進的分割算法

文獻[5]中提出一種谷點檢測算法，針對灰度圖像中圖像灰度直方圖分布不均勻、存有多個波谷以及一些被忽略掉的隱藏波谷進行有效篩選查找，實現自動查找最優閾值，從而能夠提高分割的準確性。根據實際情況本文在此基礎上與數學形態學[5]進行結合，通過改進的分割算法能夠有效的提取出細胞目標區域，其算法流程圖如圖5所示，通過谷點檢測篩選去有效的閾值，通過迭代求取的最終谷點序列計算灰度圖像的最大熵，由最大熵來確定最優閾值。

圖5 算法流程圖

3.4 實驗結果

圖6是本文算法與Otsu算法、最大熵算法的相比較，從圖中可以看到本文所提出的分割算法能夠針對原子力顯微鏡AFM細胞圖像進行有效的分割，抑制了欠分割現象。

（a）梭形癌細胞原始圖像（b）Otsu分割（c）最大熵算法分割（d）本文算法

（e）三角形癌細胞原始圖像（f）Otsu分割（g）最大熵算法分割（h）本文算法

圖6 兩種不同形態的AFM細胞圖像不同分割算法處理結果

3結論

本文針對原子力顯微鏡AFM細胞圖像的特點，提出一種有效的對原子力顯微鏡AFM細胞圖像進行分割的算法，實驗證明該算法能夠針對直方圖分布不均勻、存在隱藏的波谷以至于難以選取最佳閾值的缺點，在實驗中取得了良好的分割效果。

參考文獻

[1] 陳會羽.基于形態學和活動輪廓模型的活體細胞圖像分割算法[J].浙江師范大學學報.2006，83（3）：61-63.

[2] 馬義德，李廉，戴若蘭. 一種基于脈沖耦合神經網絡的植物胚性細胞圖像分割[J]. 科學通報，2001，46（21）：56-60.

[3] 陳宇，龐全，范影樂.基于直方圖判別的細胞圖像分割[J].杭州電子工業學院學報.2004，33（6）：21-23..