尿沉渣有形成分優化分割技術研究及應用

劉玉成，張穎超

(1.南京財經大學 國家級實驗教學中心，江蘇 南京 210003；2.南京信息工程大學 信息與控制學院，江蘇 南京 210044)

尿沉渣有形成分優化分割技術研究及應用

劉玉成1，張穎超2

(1.南京財經大學 國家級實驗教學中心，江蘇 南京 210003；2.南京信息工程大學 信息與控制學院，江蘇 南京 210044)

由于現有尿沉渣處理技術存在不足，加上尿沉渣空間環境中細胞圖像中聚堆、粘連等類似融合特點和采集過程中受光源等環境的影響，細胞彩色圖像的采集經常會發生彩色偏移問題，再加上圖像背景本身的復雜性，使得對尿沉渣中有形成分的分割和處理非常困難。為改變傳統細胞圖像分割和處理方法的不足，提出一種改進型的色度學的圖像處理方法，使得分割和處理結果更理想，性能更穩定。其核心系統采用白平衡算法，針對因外部光線所造成的誤差進行校正，從而解決了由光照引起的圖像彩色偏移等問題，然后利用改進型RGB向量空間分割法對過程圖像進行處理，最后在復雜的背景中將尿沉渣有形成分分割出來，進而得到理想的實驗結果，滿足醫學研究中檢測分類的要求。

色度學；馬氏距離；特征提取；向量空間法

0 引言

隨著計算機圖像處理(Image Processing)與分析技術的發展，其在醫學臨床診斷(Clinical Diagnosis)和治療等領域的應用逐漸深入。醫學尿沉渣有形成分分割方法的研究日臻完善，且在整個信息化圖像分析(Image Analysis)領域[1]中占據重要地位，這在醫學研究(Medical Research)和臨床診斷方面，尤其是在缺乏醫學專家對細胞圖像參與分割和臨床診斷的情況下，極為重要。由于眾多復雜的有形成分，加上尿沉渣有形成分自身因素，有時會出現多個重疊小區，它們相互作用和影響以聚合成某些較大的融合區(Fusion Zone)，被稱為圖形處理聚堆(Poly Heap)現象；另外，在尿沉渣細胞彩色圖像中，也有一些小區會出現重疊現象，為了不影響尿沉渣有形成分各元素的計算和參數測量，最有效的方法就是成功地將尿沉渣有形成分各元素(Unit)從重疊區域一一分割。

根據這些特點，以傳統形態學為特征向量的分類器已經滿足不了這種復雜情況下的有形成分檢測。針對這一情況，本文將這些對應圖像從色度學(Colorimetry)的角度進行分析考量，目的是能夠根據統一標準的灰度值(Grayscale Value)將尿沉渣有形成分從復雜的空間環境中準確分割出來，這就需要從R、G、B三色空間整體分布入手，精確定位和采集整體圖片中各個不同區域的R、G、B空間的顏色值(Color Values)，尋找它們的R、G、B分布差異。依據上述創新型的分割理論，本文創造性地提出改進型(Modified)的色度學分割方法對細胞圖像進行分割處理，最終得到了理想的實驗效果。

1 采集分析系統與核心算法

1.1 模型與原理

本文尿沉渣有效圖像的采集應用了國內外先進的DJ 8300自動細胞有形成分的采集分析系統，針對其采集模塊的特征采集和機器學習的特點，采用了符合其特點模式的全監督訓練模式的模型，其流程如圖1所示。由于采集的細胞圖像中存在聚堆、粘連等問題，以及采集過程中受光源等環境的影響，圖像的采集經常會發生彩色偏移，加上圖像空間信息背景的復雜性，使得對尿沉渣中有形成分的分割和處理較為困難。

因此，在尿沉渣圖像信息采集系統中，本文應用Matlab7.0作為圖像預處理的輔助平臺，從R、G、B三色空間整體分布入手，設定統一標準的灰度值(Grayscale Value)，精確定位和采集整體圖片中各個不同區域的R、G、B空間的顏色值(Color Values)，在此基礎上采用一種改進型色度學的圖像處理方法，使得分割和處理的結果更理想、性能更穩定，從而很好地解決了這一問題。其中核心的分割和處理原理就是下文所架構的改進型白平衡算法。

圖1 DJ8300采集分析系統模型流程

1.2 白平衡及其算法

白平衡是一個用來調節圖片色彩特性(Color Characteristics)的一種算法，它廣泛應用于現代攝像、圖像處理(Image Processing)、照相系統(Camera System)等領域。它與色彩科學(Color Science)知識解釋相通，白色是指反射到人眼中的光線由于藍、綠、紅3種色光比例相同且具有一定的亮度所形成的視覺反應。赤、橙、黃、綠、青、藍、紫7種色光混合組成白色光，而這紅、綠、藍三原色按不同比例混合也能形成七色光，當三原色在一種光線中的比例相同時，它被習慣地稱為消色，其所反射的光都是消色，情況包括：黑、白、灰、金和銀等。一般情況下，白色亮度被視作是不含有色彩。

人眼的固有模式看白色或其它物體顏色與對象本身、色溫的光源、物體的反射或透射特性、人的視覺傳感器(Vision Sensor)，以及許多其它因素有關。當光線照射消色差顏色的物體時，物體反射光的顏色與入射光，也即紅燈與紅白色物體的顏色相同，同時照射到消色(Achromatic)物體時，如有兩個或更多的彩色光，對象的顏色是加深效果，如紅色和綠色同時照射到白色的對象上，則對象顯示黃色。當彩色物體上照射彩色光時，對象會是減色效應(Hypochromic Effect)；如黃色物體照射品紅光時，它就呈現紅色，黃色物體照射藍色光時，它就呈現綠色，黃色物體照射青色光時，它就呈現灰色或黑色。

從物理意義上來看，當某種特定有色光線照射到普通物體時，則該特定光線的顏色就會產生，產生的過程一般需要一定的時間，之后就會感覺在人眼的視覺系統(Visual System)中呈現出來，其效果是使得被照物體呈現出某種特定的顏色。換言之，物體的反射特性和物體光線的顏色共同決定了被人眼觀測到的顏色；人眼可分辨的光變化所對應的原始顏色，因為人眼具有獨特的適應性，但是有時卻無法匹配可變化的色溫；例如，人在鎢絲燈下持續很長時間，你會覺得視覺上沒有感覺，如果把鎢絲燈突然改變成熒光燈的模式，你就會覺得原本白紙的顏色偏紅，不過這僅是一種感覺，人們一般只能持續一段時間。而相機不如人眼的適應性那么強，所以如果相機色彩調整與場景中的照明色溫(Color Temperature)一致時，它將發生偏色現象。

為此，本文通過研究，采用了一種白平衡算法來修正這種色彩偏差的現象。具體分類如下：

(1)灰度法。灰度法(Grayscale Method)由Buchsbaum在20世紀80年代首先在圖形圖像處理應用領域創建，其概念的外延非常寬泛，在不同的應用方向，人們對其理解也不盡相同，因而灰色世界方法(Gray World Method)的概念時常可見。其具體算法中“灰色”的值為一個常數的必要條件需滿足：①相關圖片要達到應用要求的色彩范圍(Color Range)；②在已知、經典(Classic Source)光源下三原色顏色空間通道為均值的情況下才成立，通常其值為一個已知常數。光源信息在未知光源情況下，其信息量化數值的計算方式是通過其三原色顏色空間均值和已知灰色值(直方圖)統計計算得到。

“灰色”值(直方圖)的選定彈性較大，方法、版本很多，歷經多次修正。起初，Buchsbaum有過多種設想，包括取每個通道MAX值的1/2到采用以圖片數據庫(Picture Database)為基礎的相關統計值等，都被先后作為“灰色”值。在這些眾多版本中，用對角變換矩陣的方法來解決復原問題是比較標準合理的方法，簡言之，每個像素為R、G、B的值由相應的光轉換因子(Conversion Factor)相乘，該系數因子通常是一個常數。其假設的圖片中有足夠多的色彩空間、計算簡便且非常有效是灰度法最大的優點。在許多情況下，彩色圖像的處理相對簡單，但有時灰度方式不僅不能改善畫面質量，還會使得畫面質量嚴重失真。

(2)色相關法。色相關法在系統識別模型中的一個重要作用是特征提取，其過程是產生特征矩陣，方法為離散化色彩空間(Color Space)，目的是給特征參數降低維度，便于數值運算，從而改進了透視色彩法的不足。

1985年，Finlayson提出將預先計算一個矩陣作為色相關法(Color Correlation Method)的基本思想，其相關度用光源與特定圖像色彩無關的對應矩陣表示。不同的訓練光源與該矩陣的每一行一一對應起來，色彩值用矩陣的列來表達，離散化染色空間(r，g)產生一一對應的色彩值。該方法的有效性不受行和列順序及排列位置影響。

為此，本文將矩陣數組如A(I,J)的概念描述為：若處于光源I下采集的圖像產生J的顏色值，數學表達式為A(I,J)。兩種定義矩陣元素A(I,J)的具體方法為：①A (I,J)取值為0或1；取0表示色彩J不可能出現在光源I之下，取1表示色彩J可能出現在光源I之下；②A(I,J)取值為0～1的任何一個值，代表色彩I出現在光源J之下的概率。

計算相關矩陣后取其值，然后使用類似方法對對象圖像的顏色空間進行離散化(Discretization)，得到一個相關向量后，再用矩陣乘法得出與已知源的相關性，根據與每個圖像所對應未知源的相互關聯性，選擇最大相關的或幾種已知、未知特征源中的一個來估計得到未知光源的特性。

(3)神經網絡法。神經網絡法[2-3]是白平衡算法的一種，處理視角比較獨特是其特征之一。這種方法的主要過程首先是離散化染色(Color Space)空間(r，g)，實質就是給特征參數降低維度(Dimensions)，便于數值運算，然后對接相應的神經網絡結構方法。本文針對該識別系統的特點，所提出的神經網絡(Neural Networks)白平衡算法使用了3層結構網絡，輸入層有12個節點，第一個隱藏層有M個節點，第二個隱藏層有N個節點，輸出層有6個節點；輸入層代表離散化的染色空間(r，g)，每一個節點的輸入可取0或1，表示某個色彩值(ri，gi)是否在圖像中出現，輸出層表征了光源特性；上層為下層數值的加權之和。通過輸入不同的圖片，訓練神經網絡的不同權值，從而獲得滿意的結果。

一般而言，結晶圖像在采集過程中經常會遇到R、G、B空間顏色值失真的情況。本文采用白平衡算法，目的是去除色度(Chroma)對圖像采集的干擾，將產生顏色偏差的圖片恢復到經典光源照射下的標準色彩(Standard Color)。所謂的經典光源(Classic Source)就是自然光下的細胞圖像。結晶圖像在采集過程中遇到R、G、B空間顏色值失真情況下的偏色圖像與經典光源之下的自然光圖像，如圖2 (a)、(b)所示。

圖2 偏色圖像

2 顏色特征提取

采集系統在進行去光照的白平衡算法處理后，對細胞圖像進行顏色特征(Color Feature)提取，細胞顏色是反映細胞種類的重要指標之一。本文根據該系統中的顏色特點，采用RGB向量空間[4]顏色模型的方法來對細胞顏色進行分析和研究。系統對每種成分均提取它們的R (RED)、G(GREEN)、B(BLUE)3個顏色特征值，這3個特征值是各種成分所有像素點的R、G、B的平均值。這對后續細胞成分的分割起到了重要作用，尤其是在后期的訓練和識別過程中，其作為神經網絡的重要特征參數，直接助力了細胞成分的精確識別。

3 色度學對圖像成分的初步分割

3.1 細胞彩色圖像色度學分割

其概念[5]的標準定義可結合分割過程中的要求、規則和功能等來理解，具體分割過程為：

(1)將一幅彩色圖像依據彩色圖像特有的色彩規則(Color Rules)分割成多個不同的區域。這些多個區域元素的整體數量、成型規則(Forming Rule)等都必須符合色度學的分割特定要求，比如區域的特殊性意義，所謂特殊性，主要是指符合識別系統模型中前期的色度學分割所必需的局部圖片特性；再如，特定區域的一致性要求，該一致性是指局部獨立的區域之間相互不重疊，從而符合前期的色度學分割。

(2)依據色度學分割完成之后的訓練和學習要求特點，前瞻性地選取符合具體細化分割的顏色組合(Color Combinations)。需要說明的是，單個顏色參數在模型之間可以相互轉化，但是具體顏色組合而成的對應功能是很難相互替代的，這也是上述過程中前瞻性地選取恰當顏色組合的原因之一。針對各種細胞有形成分的分割，選擇一個適合于系統特點的色彩特征集(Feature Set)，這對于后期的訓練與識別非常有用。根據圖像處理和模式識別對目標圖像的特點要求，彩色圖像能相比灰度圖像(Grayscale Image)在不同的環節有著不同的作用和特點，其重要性也不盡相同，單從信息量來看，前者的標準量就要遠大于后者。因此，前者在醫學領域(Medical Field)的普遍應用也更多地被采納。當然，兩者之間的相互轉化也不難實現。

本文采集的是尿沉渣彩色圖像，根據不同的顏色空間特征參數進行區分和分割[6]。在分析各成分及數據時可以發現，各種細胞和有形成分在R、G、B的3個顏色空間都有交叉區，并且對于不同的圖像，由于尿沉渣的各種有形成分在不同環境光照下采集的顏色空間(Color Space)所對應的參數標準不一致，導致其不易簡單分割。因此，從這個角度而言，采用單一的色度學顏色空間(Color Space)來分割尿沉渣細胞和復雜的有形成分十分不易且效果不佳；并且，源于眾多復雜的有形成分，加上尿沉渣有形成分自身原因，有時會出現多個重疊小區(Overlapping Cells)，它們相互作用和影響以聚合成某些較大的融合區(Fusion Zone)，被稱為圖形處理聚堆(Poly Heap)現象；此外，在尿沉渣有形成分彩色圖像中，也有一些小區會出現重疊現象，為了不影響尿沉渣有形成分各元素的計算和參數測量，最有效的方法就是成功地將尿沉渣有形成分各元素(Unit)從重疊區域一一分割，而單用傳統的方法來處理和分割來自各種尿沉渣有效成分對應的圖像將會變得相當困難。

根據上述情況和特點，本文創造性地提出從改進型色度學分割的角度來考慮細胞有形成分的處理，分析不同區域在R、G、B三色向量空間的顏色值(Color Values)，以獲得各種細胞和復雜成分在R、G、B三色向量空間中的分布概況，查找分析它們其中的R、G、B分布差異；并應用專業仿真軟件Matlab7.0，針對在DJ8300超級分析儀中采集的各種尿沉渣有形成分的圖像檢測(Detect)顏色的像素值(Pixel Values)。根據上述理論，可以提出以下色度學分割準則[8-9](Colorimetry Guidelines)，以分類處理各種尿沉渣有形成分的圖像。Matlab仿真處理過程如下：

(1)正向掃描整幅圖像，將每個像素的R分量減去B分量，根據其差值將像素分為兩大類：(R-B)>=M類和(R-B)<-M類。

(2)在(R-B)>=M類中，凡是(R-B)>=M的像素令其保留原先的顏色值，而(R-B)

(3)在(R-B)<-M類中，凡是(R-B)<-M的像素令其保留原先的顏色值，而(R-B)>=-M的像素則令其為黑色，這樣得出的圖像除去了一般細胞，突顯指定細胞區。(M為不同的自然數)

根據Matlab7.0仿真處理結果，采用色度分割準則(Chroma Guidelines)處理尿沉渣有形成分圖像取得了一定的分割效果，它能在沒有醫學專家的參與下，自動粗略地分割文中DJ8300超級分析儀采集的尿沉渣中的有形成分，且可以在系統平臺上采集原始的尿沉渣彩色圖像中提取出新的圖像。從仿真實驗的數據中可發現如下圖像問題：①粗分割的細胞圖像受噪聲影響較大，各種因素產生的干擾較多；②尿沉渣有形成分圖像不清晰，主要原因通常是染色因素導致的顏色值不一致；③尿沉渣有形成分中聚堆現象的干擾，導致識別部分有形成分的準確率下降；④細胞粘連造成細胞核識別率降低；⑤在尿沉渣的白細胞圖像中，存在少量類似上皮細胞成分和少許其它雜質區域等問題。 為了使圖像更清晰，視覺效果更好，要對提取出來的細胞圖像進行平滑濾波(Smoothing)處理，從而達到更好的分割效果。

3.2 RGB向量空間中的圖像分割

本系統將一張完整的含有各種有形成分的尿沉渣圖像分割成若干個局部區域。使用R、G、B彩色向量進行彩色區域分割的方法很簡單也很實用，它是一種十分重要的改進型應用方法，其標準的分割方法和原始模型源自于岡薩雷斯先生的數字圖像處理技術，目前已發展得非常成熟和穩定，并在相關領域被大力推廣。本文旨在R、G、B圖像中分割一個特定的彩色細胞或尿沉渣有形成分，給定一組指定的彩色(或彩色范圍)描述的彩色樣本點[10-11]，系統可根據這一彩色樣本點所對應的一組R、G、B顏色空間向量值，來獲得一個“平均”的顏色(Average Color)估計，它是文中期望被分割的某種顏色有形成分，通常可以讓這種平均色用R、G、B顏色空間向量的列向量m來定義。

依據本系統所構建的改進型色度學分割方法模型中的理念，其具體分割的目的是對尿沉渣圖像中的每一個R、G、B像素進行分類，使其在指定的范圍內有一種顏色或沒有顏色，為順利達成這一目的，系統設定了一個相似性度量，最簡單的度量之一是歐幾里得距離，令z表示RGB空間的任意點，若z和m之間的距離小于指定的閾值T，則可以說z相似于m。m和z之間的歐幾里得距離[12-13]由下式給出：

(1)

其中，‖·‖是參數的范數，下標R、G和B表示向量m和z的RGB分量。D(z,m)≤T的點的軌跡是一個半徑為T的實心球體，如圖3(a)所示。由定義可知，包含在球體內部或表面的點滿足特定的彩色準則，而球體外邊的點則不滿足。在圖像中對這兩組點編碼，如黑的和白的，產生一幅二值分割圖像。前述方程的一個有用歸納是距離：

(2)

其中，C表示要分割的彩色樣值表示的協方差矩陣。該距離成為Mahalanobis距離，D(z,m)≤T的點的軌跡描述了一個實心三維橢圓體[14]，如圖3(b)所示，其重要屬性是其主軸取在最大的數據擴展方向上。當C等于單位矩陣I時，Mahalanobis距離約簡為歐幾里得距離。除了數據包含在橢球體內而不是包含在圓球體內之外，分割與前段描述過的相同。

圖3 RGB向量空間聚合數據的兩種方法

在上述采用的類似實心球體軌跡法和實心三維橢圓體法的模型下，系統函數COLORSEG可在Matlab 7.0仿真軟件的環境下實現對尿沉渣有形成分的有效分割，具體函數實現的程序代碼如下：

S=Colorseg；

%調用Matlab語言中的分割實現函數，模擬實心球體軌跡法和實心三維橢圓體法來實現尿沉渣有形成分的分割；% method表示方法，f表示RGB圖像，T 表示閥值，parameters表示參數。

在Matlab7.0仿真軟件的分割函數中method(方法)的選擇一般可以有兩種：第一種為“euclidean”，第二種為“mahalanobis”。f是分割的RGB尿沉渣有形成分圖像，T 是前邊描述過的閾值。若選擇“euclidean”，則輸入參數是m，若選擇“mahalanobis”，則輸入參數是m和C。parameters(參數)m是RGB向量空間中Mahalanobis距離或者歐幾里得距離運算過程中所需向量之一，其選擇形式一般也可以有兩種：第一種為：“行”，第二種為：“列”，兩者的選擇項可根據不同的距離計算對應的自由選定。而parameters(參數)C在RGB向量空間中Mahalanobis距離或者歐幾里得距離運算過程中一般為三行三列的協方差矩陣(Covariance matrix)。

與此同時，分割函數COLORSEG所對應的輸出值用S來表示，它一般表示為與尿沉渣中采集的源圖像所對應的灰度圖像。按照Matlab軟件中圖像處理算法對于灰度圖像的處理規則，當T=0時，對應部分的區域作為背景圖像被系統保存；而當T=1時，對應部分的區域作為目標圖像就被系統從源圖像(Source image)中分割出來。被分割的二值化圖像區域在Matlab軟件圖像處理的數值計算界面能非常直觀地得到顯示，整個圖像中顯示出來的不同區域分別用0和1來表示。

通過上述方法，該系統有效地將各種細胞成分從背景圖像中分割了出來，這在該系統的實驗結果與研究數據中得到了充分說明，分割效果非常理想。

4 實驗結果與結論

本文通過仿真實驗，將其與傳統分割方法的準確率數據對比可見，改進后的尿沉渣細胞彩色圖像的色度學分割方法對尿沉渣細胞及其它有形成分的分割準確率均得到了明顯提高[15]，這在實驗的數據結果中可以得到充分驗證。具體結果如表1所示。

表1 尿沉渣成分實驗結果 單位(%)

針對尿沉渣有形成分圖像的特點，考慮到其采集過程中受光照影響，本文采用改進型R、G、B向量空間的細胞彩色圖像的色度學分割法，不但解決了醫學細胞圖像因光線差異引起的誤差，達到了圖像色度學分割在醫學領域的應用要求，而且能夠在受光照影響的情況下更準確地分割各種尿沉渣中的有形成份，從而有效地對它們進行醫學分類。

[1] 劉玉成.基于色度學和形態學相結合的圖像處理與識別技術研究[D].南京:南京信息工程大學，2009.

[2] 嚴世珺.數字圖像白平衡處理算法研究與改進[D].上海:上海交通大學,2007.

[3] 李陽.自動白平衡算法的改進與實現[D].西安:西安電子科技大學,2010.

[4] RAFAEL C,GONZALEZ RICHARD E,WOODS STEVEN L EDDINS.數字圖像處理(Matlab)[M].北京：電子工業出版社，2005.

[5] MIEHAEL BRADY.Computational approaehes to image understandin[J].ACM Computing Surveys,2012,14(1):3-71.

[6] 胡小鋒,趙輝.圖像處理與識別實用案例精選[M].北京：人民郵電出版社，2004.

[7] 楊榕.基于圖像處理技術的浮生物自動分類研究[J].計算機仿真，2006(5)：167-170.

[8] 羅軍輝，馮平.MATLAB7.0在圖像處理中的應用[M].北京：機械工業出版社，2005.

[9] 傅蓉.細胞重疊與融合性圖像的分離與分割技術研究[D].廣州：第一軍醫大學，2007.

[10] 岡薩雷斯.數字圖像處理[M].北京：電子工業出版社，2005.

[11] 張波.基于數字圖像技術的巖石邊坡失穩災害監測預報的開發研究[D].鄭州：鄭州大學,2007.

[12] 陳志國,須文波.機器視覺智能機器人無損檢測系統[J].計算機工程與應用,2009(14):12-14.

[13] 田銳,郭艷玲.基于機器視覺的葡萄自動識別技術[J].東北林業大學學報,2008(11):95-97.

[14] 韓媞.森林防火系統中圖像識別算法的研究[D].哈爾濱:哈爾濱工業大學,2008.

[15] FUNT B,BERNARD K,MARTIN L.Is machine colour constancy good enough[C].Proceedings of the 5th European Conference on Computer,Vision.Freiburg,2014:445-459.

(責任編輯：孫 娟)

江蘇省“六大人才高峰”項目(2106-A-027)；江蘇省高校自然科學基金項目(12016KJD520122)

劉玉成(1980-)，男，江蘇鎮江人，碩士，南京財經大學國家級實驗教學中心實驗師，研究方向為計算機應用；張穎超(1960-)，男，江蘇徐州人，南京信息工程大學信息與控制學院教授、博士生導師，研究方向為系統控制和仿真、網絡控制技術。

10.11907/rjdk.162393

TP319

A

1672-7800(2017)003-0110-05