基于融合算法的尿沉渣顯微圖像有形成分外邊緣檢測方法研究*

劉肖肖 孔德友 劉廣宇 劉伯強

尿沉渣是尿液經過離心或自然沉淀之后形成的沉渣，是尿液中的各有形成分的集合，包括紅細胞、白細胞、上皮細胞、管型、結晶和雜質等成分，對于部分早期腎臟病變、血液病、肝膽疾患等的診斷有重要的參考價值[1-2]。目前，醫院常規使用干化學法和流式法檢測，當兩種結果不一致或白細胞、紅細胞呈現陽性時，使用人工鏡檢進行確認[3]。

尿沉渣檢查的儀器有美國的IQ200型尿沉渣分析儀，但價格高，不適合國人生理狀況；日本的UF-1000i型尿沉渣分析儀的誤檢情況嚴重；而國內長沙愛威爾等機器也是參考國外設備而設計，各種方法都需要人工鏡檢進行核實[4]。由于人工鏡檢易受操作者疲勞程度、經驗層次等因素的影響，故尿沉渣圖像自動分析方法的研究迫在眉睫。

1 尿沉渣圖像的特點

尿沉渣成分繁雜，結構豐富多樣，成像效果受標本采集時間、儀器設備、成像環境等因素的影響，在采集過程中可能出現光照不均及散焦嚴重，有些成分邊緣較淡不易識別，且背景上有雜質和陰影[5]。同時，尿沉渣圖像中紅細胞、白細胞、管型細胞、上皮細胞、結晶等在形態學上又有較為明顯的差異，人眼可做識別，進而實現自動識別[6]。

在尿沉渣有形成分顯微圖像中，可采取周長、面積、圓形度、紋理、均勻度等信息做為特征值進行日后的模式識別，因此對顏色信息并不敏感[7-8]。為了方便后續處理，首先將圖像灰度化以去除彩色圖像中的冗余信息，其處理效果如圖1所示。

圖1 彩色圖灰度化顯微圖(×40)

圖1顯示，圖像中的背景刻度框明顯，且存在椒鹽噪聲，需要進行濾波操作。常用的濾波方法有：高通濾波、中值濾波、低通濾波、鄰域濾波等[9]。

鄰域濾波的方法是將目標像素點的灰度與其相鄰區域的像素點的灰度相加取平均，可以抑制噪聲，使圖像變模糊，用于去除刻度框的投影。中值濾波是一種非線性的去噪方法，在特定情況下既可以去除噪聲又可以保護圖像邊緣信息，用來去除椒鹽噪聲[10]。

對圖像初步處理后可以進行邊緣檢測。邊緣檢測是使用數學方法提取圖像像素灰度(亮度)值中具有空間方向變化梯度大的邊、線特征的過程。為了更好的識別尿沉渣有形成分，使其與背景分離，需要提取出有形成分的輪廓信息并將其二值化。

常用的幾種邊緣檢測算子有：Canny[19]算子、Sobel算子以及Laplace算子等。Laplace算子對噪聲敏感，檢測效果不佳，此處不表。

2 Canny算子邊緣檢測

Canny算子邊緣檢測于1986年由John F.Canny[11]開發，是個多級邊緣檢測算法，在處理上有4個步驟。

(1)使用高斯濾波器來平滑圖像，其高斯平滑函數計算為公式1：

設為平滑后的圖像，用h(x,y,σ)對圖像f(x,y)進行平滑操作，其計算為公式2：

式中*號表示卷積。

(2)使用一階有限差分計算偏導數陣列f′x(x,y)與f′y(x,y)。第一步中已經平滑的圖像函數g(x,y)的梯度可以用兩個2×2的一階有限差分公式Gx、Gy來近似的計算x與y偏導數的兩個陣列f′x(x,y)與f′y(x,y)，見表1。

在這兩個2×2的正方形內求有限差分的均值，第一個正方形內求x方向上的偏導數梯度，使用第二個正方形求y方向上的偏導數梯度。

表1 一階有限差分正方形

x方向上的偏導數梯度計算為公式3：

y方向上的偏導數梯度計算為公式4：

幅值和方位角可以使用直角坐標系到極坐標系的坐標轉換公式來計算，其幅值的計算為公式5：

方位角的計算為公式6：

式中M[x,y]反映了圖像的邊緣強度，而θ[x,y]反映了邊緣的方向，當M[x,y]取得局部最大值時，此時的方向角θ[x,y]反映了邊緣的方向。

(3)非極大值抑制。僅僅得到全局的梯度值尚不能確定邊緣的位置，若要確定邊緣點，還要取得局部梯度的最大值，并抑制非極大值。先利用梯度的方向將梯度角離散為圓周的4個扇區之一，分別為0°、45°、90°和135°，并在這4個方向上做局部梯度運算，若兩側值皆小于該處梯度值，則保留此處作為邊緣，反之，若有一處大于該處梯度值，則將該處梯度置為0，表示不為邊緣。

(4)使用雙閾值算法對邊緣進行檢測和連接。對非極大值抑制圖像作用2個閾值thL和thH，thL=δ*thH，兩者比例關系可以調節。先把梯度值小于thH的像素點的梯度值設為0，得到第一幅圖像；然后將梯度值小于thL的像素點的梯度值設為0，得到第二幅圖像。在第二幅圖像中由于閾值較高，所以在去除了大部分噪音的同時，也可能丟失了一些有用的邊緣信息；而在第一幅圖中，由于閾值較低，所以保留了較多的信息。為了調和這兩者關系，可以以第二幅圖像為基準，當該圖像中邊緣不連續時，查找第一幅圖像中對應像素點的值補充到第二幅圖中，直到找不到邊緣點為止。

對外邊緣的檢測需要連通的邊緣信息，對Canny算子處理后進行膨脹腐蝕操作以觀后效。經過實驗發現，Canny算子可以提取出纖細的邊緣信息，但是對于邊緣清晰度不同的成分會有斷線，從而出現邊緣提取不完整的現象。如圖2所示。

注：圖中A為40倍下尿沉渣正常上皮細胞原圖；B為使用Canny算子處理后的效果；C為B圖取連通域后的效果。

圖2中A為原尿沉渣圖像中的上皮細胞；B是對該圖像作Canny邊緣檢測所得圖像中該上皮細胞的處理結果，邊緣信息提取良好，微有斷續現象；為了進一步驗證處理效果，對Canny算子處理的上皮細胞作連通域填充，C所示連通域與原圖中的上皮細胞形態相差甚遠，單Canny算子的邊緣處理效果不佳。

3 Sobel算子邊緣檢測

Sobel算子邊緣檢測是離散性的差分算子，被用來求解圖像灰度近似值。對圖像中的任意像素點使用該算子進行運算，將會產生對應的2個梯度值，分別為垂直梯度和水平梯度。Sobel的卷積因子見表2。

表2 Sobel的卷積因子

表2所示該算子包含2個梯度值，分別為水平梯度和垂直梯度，每個梯度矩陣皆為3×3矩陣，水平梯度矩陣為-1、0、1、-2、0、2、-1、0、1，垂直梯度矩陣為1、2、1、0、0、0、-1、-2、-1。如果以A代表原始圖像，Gx及Gy分別表示經過橫向和縱向運算邊緣檢測所得的灰度值，則Gx和Gy的計算為公式7：

具體每個像素的灰度值的計算為公式8和公式9：

式中f(a,b)表示圖像在(a,b)點的灰度值。

通過水平和垂直灰度值來計算該點的灰度值的計算為公式10：

也可以使用簡單的計算方式獲取灰度的近似值，其計算為公式11：

如果梯度G大于某一閥值，則認為該點(x,y)為該圖像中的邊緣點。

Sobel算子是使用某像素點的上下左右8個像素點的灰度值的加權值會在邊緣處達到極致的現象來檢測邊緣，該算法對噪聲有一定的平滑作用，對邊緣的方向檢測較為精確，但是對邊緣的定位精度不高。因此，當對邊緣檢測要求不高時，可以考慮采用該算法。

對圖像進行Sobel算子邊緣檢測當x方向上差分階數取0，y方向上差分階數取1時，效果最佳，并將用灰度值30對圖像進行二值化后的結果如圖3所示。

圖3 Sobel算子對上皮細胞的處理效果圖(×40)

圖3顯示，Sobel算子提取的邊緣信息較多，但提取的是雙邊緣信息，過于冗雜，且仍有斷續現象，無法形成連通域。

4 融合算法

經過實驗發現，對于均勻度欠佳的成分，Canny算子和Sobel算子提取的邊緣信息皆有缺失，會降低日后的模式識別率。但經過比對可以發現，由于原理的不同，單算子方法的邊緣成分缺失部分并不重合。將用兩種算子單獨處理過的圖像進行加權操作，并進行膨脹腐蝕、孔洞填充等操作進行處理后，效果如圖4所示。

圖4顯示，對上皮細胞分別進行Canny與Sobel邊緣檢測后疊加并平均之后的圖像；對該圖像進行連通域填充等一系列處理后的結果如圖4中E所示，與原圖的形態信息接近，處理結果良好。最終的處理步驟為：①灰度化圖像，去除冗余信息；②直方圖增強，增大有形成分和背景的對比度；③鄰域濾波，去除刻度框陰影；④中值濾波，去除椒鹽噪聲；⑤Canny和Sobel算法疊加做邊緣檢測，得到完整的邊界信息；⑥孔洞填充和腐蝕膨脹后得到連通域。

圖4 疊加算法處理效果圖(×40)

白細胞、上皮細胞和管型的對比以及處理結果對比如圖5所示。

圖5 邊緣提取處理對比圖(×40)

5 結論

由觀察可知，刻度框陰影已完全消除，且不影響有形成分的邊緣提取。白細胞對于右上角粘連現象處理仍需后續努力，但對分立白細胞定位定型檢測基本準確。上皮細胞雖灰度較低，但邊緣定位良好。管型內雖含大量細胞顆粒，較為零散，但處理效果尚可。本研究對大量圖像進行處理觀察驗證，表明文中的預處理方法對本組圖像通用，處理效果顯著。

本研究中的不足之處：①對于不同質量的圖像，本研究中所使用的算法效果未知，使用的圖像分辨率偏低，導致細節模糊，日后應增強相機功能拍攝清晰圖像；②當需求更加細致，如需要分析上皮細胞的類型時，要重新設計算法；③對有形成分的類別判斷需要依靠大量的臨床知識和經驗，日后需要努力學習。

單一算法對成像效果均勻清晰的圖像效果佳，但融合算法可以用于均勻度不一致的有形成分外邊緣檢測，對陰影消除及紅細胞、白細胞、上皮細胞、管型等分離細胞的定位定型檢測效果明顯優于Canny和Sobel單一算法的結果。