细胞图像（共8篇）
细胞图像 篇1
目前,国内有很多临床医学的诊断需要借助于分析系统对医学图像进行分析,特别是图像中的细胞分析[1],这就涉及到一个重要的问题,即如何在彩色的具有复杂背景的图像中正确地识别出细胞。细胞提取的准确率直接影响到相应的分析结果[2]。从临床医学的角度来说,医学图像中的细胞提取具有相当的实际意义[3]。本文正是在这样的背景之下,展开了相应的研究,目的是为了更好地达到细胞提取效果。
1 图像中细胞提取的思路
一般的,从显微镜设备采集到的图片为彩色图片,通常这种图片的格式为bmp格式。本文拟采取的思路为,首先将24位彩色位图转换为灰度图,然后将灰度图进行二值化,再利用八方向连通域提取细胞,再进行去噪声处理,最终得到细胞。因为实际拍摄得到的图片是具有复杂背景的,为了能够准确分割,因此需要进行二值化的工作,这样就能将细胞区域和背景区域分开。二值化以后,一个细胞内的区域是一个连通的区域,于是对细胞区域内的某个像素点,可以考虑它的上、右上、右、右下、下、左下、左、左上这八个方向上的像素点情况,如果在它的这八个方向上也有黑像素点,说明这个点也是该细胞区域内的像素点。初步提取以后,由于图片中可能含有噪声,因此还需要进行去噪声处理。
本文首先给出系统的框架,接着给出关键模块的设计,最后是系统的实验及结论。
2 细胞提取的整体框架
细胞提取的整体框架分为初始化,灰度图转换,二值化,细胞提取,去噪声五部分。框架如图1所示。
其中,初始化完成bmp图片的打开以及设置相应像素点矩阵的工作;灰度图转换步骤用于将24位位图转换为灰度图,方便后续的操作;二值化的目的是为了将背景和细胞区别开来;细胞提取阶段采用连通域的思想;最后阶段通过去噪声进一步优化结果。
3 系统设计
系统采用delphi设计,以客户端形式提供给用户使用。根据上述内容设计关键模块,具体如下。
3.1 二值化
二值化是个关键步骤,用以将背景区域和前景区域分别开来,二值化的效果直接影响到细胞的提取效果。下面给出二值化的算法流程:
1)设置相应数据结构;
2)for Current Gray Val:=1 to 254 do
3)遍历每个像素点的灰度值;
If该像素点灰度值<=Great then该像素点灰度值赋值为0Else该像素点灰度值赋值为255;
其中,Current Gray Val为当前灰度值,Great为阈值。
3.2 细胞提取
3.3 去噪处理
去噪处理的算法流程如下:
4 系统展示
4.1 实验介绍
本系统采用delphi设计,并结合数据库,经过测试,运行良好。以下是系统运行结果展示。
4.2 实验结果
图2为待二值化图。
图3为二值化以后的效果图。
图4为细胞初步提取效果图。
从运行结果来看,有一些面积过小的细胞显然是噪声,需要去除。图5为去噪以后的效果图。
5 总结
本文以医学图像为对象,经过灰度处理,二值化处理,细胞提取,噪声处理阶段,完成细胞提取的研究。经过实验证明,具有较好的分割效果。但对粘连细胞的处理还需进一步提高,这是下阶段的研究重点。
摘要：针对医学图像中的细胞提取问题,提出一种基于连通域的提取方法,该方法首先将图像进行二值化,然后依据八方向连通域提取细胞,再进行腐蚀和膨胀。经过实验证明,在具有复杂背景的医学图像中,该方法也能有效地提取细胞。
关键词：医学图像,连通域,细胞
参考文献
[1]吴建斌,李太全,田茂.改进的遗传算法在白细胞识别中的应用研究[J].计算机工程与应用,2007,43(27):243-245.
[2]胡炯炯,于慧敏,房波.基于形态学约束的B-Snake模型的细胞图像自动分割方法[J].中国图象图形学报,2005,10(1):31-37.
[3]贾丹丹,李宏.基于神经网络和小波分析的血细胞识别算法[J].计算机应用与软件,2009,26(8):29-31.
细胞图像 篇2
摘 要：针对深度卷积神经网络能够提取图像的高层特征并对图像进行有效表达。采用基于深度卷积神经网络的改进算法，设计了ZCNN网络结构对乳腺病理细胞图像进行分类研究。首先，对病理图像进行预处理，利用ZCA白化降低数据特征间的相关性，从而降低数据间的冗余。其次，在网络卷积层采用线性校正单元（ReLUs）作为网络的激活函数，加速计算网络输出。最后，在网络精调时，利用dropout方法随机断开池化层的网络节点，可以有效抑制算法的过拟合，提高算法的泛化能力。采用本文方法对benign和actionable两类病理细胞图像的分类，精度达到94.65%。性能上超过了Softmax，PCA以及传统的卷积神经网络。
关键词：深度卷积神经网络；ZCA白化；线性校正单元；dropout方法
中图分类号： F721.1 文献标识码： A 文章编号： 1673-1069（2016）18-144-3
1 概述
2006年，加拿大科学家Hinton和他的团队在science上发表一篇关于深度信念网络（DBN）[1]的文章，便引起了学术界的广泛关注，随后更多更一般的深度神经网络方法随之兴起，例如：Denoising Autoencoder（DAE）、Sparse Autoencoder（SAE）、Convolutional Neural Network（CNN）[2]等算法。深度卷积神经网络可以灵活的调节特征提取的空间尺度大小，因此，对图像中目标区域的特征提取会更加灵活。利用深度卷积神经网络对手写字体MNIST数据集进行识别，性能已经接近人类的识别率，在交通标记识别上已经超过了人类的识别能力[3]。文献[4]采用CNN结合图像的空间信息对图像中像素点进行分类研究，结果优于已有的SVM和k-NN分类方法。文献[5]将多示例学习（Multiple Instance Learning）方法与深度卷积神经网络结合应用于高分辨率图像的分类，并且首次对神经胶质瘤（LGG）进行分类精度达到97%，效果接近病理学家的分类结果。
随着计算机辅助诊断技术（Computer-assisted diagnosis， CAD）的不断进步，未来会大大降低病理学家繁重的工作强度。
本文主要是基于深度卷积神经网络的改进算法，设计了ZCNN网络结构对乳腺病理细胞图像进行分类研究。面对复杂的图片信息（光照、染色不均等），在特征提取前，采用ZCA白化对数据进行预处理，降低数据维度间的相关性，然后，利用深度卷积神经网络，逐层提取数据的高维特征。网络构建中，利用线性修正单元（ReLUs）作为各卷积层的网络输出函数，可以加快网络的计算速度。在池化层采用dropout方法随机断开网络节点，防止算法的过拟合，文献[2]采取的方法是在网络输出前的全连接层采用dropout方法，本文是二分类问题，在网络的全连接层并没有采用dropout方法，而是在池化层上使用dropout方法，随机阻止部分网络权值的更新。在网络精调时，采用随机梯度降法逐层计算深度卷积神经网络的参数。
為了提高算法的精度，采用BP（back propagation）算法对网络参数进行优化。
2 ZCA数据预处理
自然图像中相邻像素间存在很强的相关性。在学习统计模型时，通常采用预处理算法降低数据的这种冗余性。将数据的协方差矩阵转变成单位矩阵的过程称为白化（whitening）或球化（sphering）。白化的目的就是降低输入数据的冗余，使白化后的数据更接近原始数据。在数值上，主要是使数据具有统一的协方差，且每个特征都有相同的方差。通过ZCA（Zero Components Analysis）白化使得数据从x空间映射到XZCAwhite空间，降低了数据间的相关性，特征向量各维度方差相等，数据的重要程度得到统一。
3 深度卷积神经网络（CNN）
传统的图像特征提取方法没有固定的提取原则，依赖于手工设计特征提取方法。基于深度卷积神经网络是建立在人工神经网络基础上的自动特征提取方法，通过对输入数据进行多层线性或非线性变换，将数据映射到新的空间里表达，可以稳定有效地提取图像的固有特征。在视觉领域，通过学习整张数字图像能够提取图像局部的高层特征。通常深度卷积网络的底层可以学习边缘、形状等物理特征，随着网络隐含层层数增多可以学习到更多复杂、抽象的视觉特征。但是如果采用全连接方式，隐含层节点数量就会十分庞大，严重降低了算法的计算效率。因此，在学习图像特征时，通常将网络设计成局部连接的神经网络。特征平面上的所有神经元共享一个连接权值，也就是每个特征平面上每个神经元的权重都一样。因此，网络参数大大减少，复杂度也变低。
一个深度卷积神经网络主要由三部分组成：卷积层、池化层、全连接层。卷积层是对上层输入进行卷积滤波，池化层是对上层输入进行下采样。卷积层的每个神经元连接上层输入的小片相邻区域（即感受野区域），表达图像的局部特征。池化层用来提取图像的统计特征，使得网络结构对微小的平移和形变不敏感。卷积层与池化层交替连接且都是由多个2-D的特征平面构成，每个特征平面均代表一种特征映射，全连接层是1-D向量构成的网络层，是对输入数据的特征表达。如图1是本文中设计的ZCNN网络结构，共有11个隐含层，其中卷积层与池化层交替连接共有10层，最后一个隐含层为全连接层。网络的具体参数设置如表1所示。
4 训练阶段
当训练集比较小时，深度神经网络训练时会出现过拟合问题，为了消除过拟合对网络模型的不利影响，Hitton 等人设计了dropout方法，该方法是指在模型训练时，以某一概率随机阻断某些隐含层特征检测器的共同作用，即随机让网络的某些隐含层权重不更新，因此，在样本输入时会有部分隐含层网络节点的权重不更新。在测试阶段，所有的隐含层节点都有输出值，只是输出值降低为原来输出的1/2。
训练采用dropout方法的深度卷积神经网络与传统的神经网络训练类似，利用随机梯度下降法求解网络参数。卷积网络通过前向传播计算网络的实际输出值，然后用实际输出值与理想输出值作差，构造误差损失函数：
En=（t-y） （1）
其中，M表示样本类别数，n表示样本序号，t表示第n个样本的第s维对应的目标值（分类标签），y表示第n个样本对应的第s维输出。最后利用反向传播策略，通过梯度下降法更新网络的权值。
5 实验和结果
5.1实验数据和网络结构
实验数据集由北卡罗来纳大学夏洛特分校的张少霆教授提供，共计190张乳腺病理学图像，其中有100张为benign类，90张为actionable类。分别从benign和actionable类中的每张图像上采集5张互不相交的感兴趣区域作为子图，大小均为256*256*3。随机从benign类和actionable类中分别选取360张和340张子图訓练集，将剩下的子图作为测试集。
训练集数据是3维的RGB图像，我们提取R通道的灰度强度图像，对其进行归一化操作，然后再对图像进行ZCA白化处理去除图像的相关性。将预处理后的数据送入我们设计的深度卷积神经网络中，在所有池化层中采用dropout方法计算特征平面，全连接层将最后一个池化层的24个4*4的特征平面构成一个特征向量，作为图像的特征表达，大小为384*1，用于Softmax分类模型的训练。本文设计的网络结构（ZCNN）如表1所示：
算法通过MATLAB R2013a仿真研究，实验平台是基于Windows 7操作系统的工作站（Intel（R） Xeon（R） E5-2650 v2 CPU and 32 GB 内存），为了更好的说明本算法在benign和actionable两类病理细胞图像的分类效果，我们做了多组对照实验，计算各种分类方法的评价指标Precision，Recall和Accuracy，公式分别如下：
其中，TP表示benign类被正确分为benign类的样本个数，TN表示actionable类被正确分为actionable类的样本个数，FP表示benign类被分为actionable类的样本个数，FN表示actionable类被分为benign类的样本个数。
5.2 结果分析
分别对各种算法计算10组数据求取其平均值，结果如表2所示，利用我们的算法求取的精度明显优于其他几种方法。由结果可以看出Softmax分类器是单层分类器网络，没有充分提取图像的特征信息，其准确率为79.2%。PCA主要是通过数据降维的方法将高维数据映射到低维空间，在本文中，我们保留了95%的特征信息作为分类依据，准确率达到84.00%。利用文献[2]中的CNN方法，对图像数据进行特征提取后分类的精度已经比上述4中算法有了较大的提高，这主要得益于网络特征提取网络层数的增加。然而，在分类精度和特征提取的时间上不及本文算法效果好。深度网络的特征提取所需的时间远远大于传统方法。由此可见，对benign和actionable两类图像分类时，采用卷积神经网络提取图像的高层特征可以实现更好的分类效果，归根结底在于图像特征的有效提取。
6 结论
基于深度学习的特征提取方法在目标识别、图像分类等领域都远远超过了传统的手工特征提取方法，在本文中，我们基于深度卷积神经网络结构进行了改进。首先，利用ZCA白化对数据进行预处理降低特征间的相关性，然后，在训练深度卷积神经网络时，采用ReLUs作为非线性输出函数，可以提高网络计算速度。在网络优化阶段，采用BP算法更新网络权值，利用Dropout方法随机断开网络节点，实现网络结构进行优化。将提取病理细胞图像的高层特征作为Softmax分类器的输入，可以更精确有效的实现benign和actionable病理图像的分类。实验中，采用我们设计深度卷积神经网络结构的性能超过了传统方法，并且也优于不采用预处理和Dropout方法的卷积神经网络。
参 考 文 献
[1] G.Hinton and R.Salakhutdinov，Reducing the dimensio-
nality of data with neural networks， Science，vol.313， 504（2006）.
[2] A.Krizhevsky， I. Sutskever and G. Hinton， ImageNet classification with deep convolutional neural networks， Advances in neural information processing systems， 1097（2008）.
[3] C. Dan， M. Ueli and S. Jurgen， Multi-column deep neural networks for image classification， 2012 IEEE Conference on Computer Vision and Pattern Recognition（CVPR） 6， 3642（2012）.
[4] H.Nuh and B.Gokhan， Classification of histopathological images using convolutional neural network， International Conference on Image Processing Theory， Tools and Applications 4， （2014）， pp. 1-6.
细胞图像 篇3
“细胞分裂”这部分知识是高中生物学科中的重点和难点, 同时也是历年高考必考的高频考点, 尤其是对有丝分裂与减数分裂图像识别的考查最为突出。当然, 其中也会穿插考查有丝分裂与减数分裂过程的比较、细胞分裂过程中染色体与DNA的数量变化等, 如2011年山东理综卷第8题、2011年天津理综卷第4题、2011年江苏卷第11题、2012江苏卷第8题等。为了让学生更好地掌握这部分知识, 现将常见题型及解题思路梳理如下。
题型一、正确识别有丝分裂各时期的分裂图像及染色体的行为
正确理解动、植物细胞有丝分裂的过程才能准确识别并绘出各个时期的细胞分裂图。
1.动物细胞和低等植物细胞特有的细胞器是中心体, 故绘图时一定要画出中心体, 而高等植物细胞不具有中心体这种细胞器。
2.动物细胞分裂后期、末期, 细胞中央向内凹陷, 最终一个细胞缢裂成两个子细胞;植物细胞不向内凹陷, 在分裂末期是在细胞中央赤道板的位置形成细胞板, 细胞板向四周扩展形成新的细胞壁, 最终一个细胞分裂成两个子细胞。
3.绘动、植物细胞有丝分裂后期图像应注意三点: (1) 移向两极的染色体位置不能画反, 正确的位置应为染色体臂朝向中央, 着丝点靠近两极, 这是由于纺锤丝牵引着丝点运动时染色体臂受到阻力所导致的; (2) 上下对应的两条子染色体的大小、形状、颜色 (不同的颜色代表来自父方和母方两种不同的来源) 以及上面所附着的基因 (不发生基因突变的情况下) 应完全相同, 其原因在于分开的这两条子染色体是由共用一个着丝点的两条姐妹染色单体随着丝点的分裂而分开形成的, 而这两条姐妹染色单体是间期经染色体复制得到的; (3) 整个生物界中绝大多数生物均为二倍体, 故通常在细胞的每一极均有成对存在的同源染色体。
例1某学生观察某二倍体植物根尖细胞有丝分裂后绘制了如下一些染色体行为简图, 其中正确的是 ()
解析B项的错误在于作为二倍体生物, 移向两极的每一套染色体中应存在成对的同源染色体, 即其中的两条染色体的大小、形状等特征完全相同, 但需一个空心, 一个实心 (代表一条来自父方, 一条来自母方) 。C项中的染色体臂的方向画反了。由于纺锤丝牵引染色体的着丝点向两极移动, 染色体臂由于受到阻力而与运动方向相反。D项中的错误在于由着丝点分裂而形成的两条子染色体不相同。在细胞分裂间期, 每条染色体通过复制, 形成两条完全相同的染色单体, 由一个着丝点相连。到分裂期的后期, 由于着丝点一分为二, 两条染色单体分开, 形成两条子染色体移向细胞两极, 所以由着丝点一分为二而成的两条染色体的大小、形状、颜色应完全相同。
答案A
题型二、正确区分精子与卵细胞的形成过程
在减数分裂形成精子和卵细胞的过程中, 二者既有相同点又有一定的区别。现列表比较如下:
据上表可知:从图像上区分精子与卵细胞形成过程的重要依据之一就是看细胞质是否均等分裂。无论是减数第一次分裂还是减数第二次分裂后期, 若细胞质不均等分裂, 一定是卵细胞形成过程;若减数第一次分裂后期细胞质均等分裂, 一定是精子形成过程。需要特别注意的是, 若减数第二次分裂后期均等分裂则既可能是精子形成过程中次级精母细胞进行的减数第二次分裂后期, 也可能是卵细胞形成过程中第一极体进行的减数第二次分裂后期。现将几种典型分裂图像整理如下:
例2如图为某种二倍体动物细胞分裂不同时期的示意图, 可能属于卵细胞形成过程的是 ()
A. (1) (2) (4) B. (2) (3) (4)
C. (3) (4) D. (4)
解析图 (1) 的典型特征为共用一个着丝点的两条姐妹染色单体分开, 随纺锤丝收缩变短向两极移动, 且每一极均有成对的同源染色体, 故应为有丝分裂后期。图 (2) 中同源染色体分离, 分开的每条染色体中仍含有姐妹染色单体, 故表示减数第一次分裂后期;又因为图 (2) 中细胞质均等分裂, 因此一定为精子形成过程中的减数第一次分裂的后期。图 (3) 只有两条染色体 (染色体数目减半) , 没有同源染色体, 且着丝点排列在细胞中央的赤道板上, 故对应的时期为减数第二次分裂中期。这样, 图 (3) 既可以代表次级精母细胞, 也可以代表次级卵母细胞或第一极体。图 (4) 中共用一个着丝点的两条姐妹染色单体分开, 细胞中无同源染色体, 而且细胞质不均等分裂, 因此, 图 (4) 一定为卵细胞形成过程中的减数第二次分裂后期。由于题干中要求“可能”属于卵细胞形成过程的是, 故应为 (3) (4) ;若题干中要求“一定”属于卵细胞形成过程的是, 则应该选 (4) 。
答案C
题型三、关于有丝分裂与减数分裂图像的比较
有关有丝分裂与减数分裂图像的判断让许多学生感到挠头, 不过这却是解答一些综合性题目的基础。现将判断方法总结如下:
1.判断是否是减数第一次分裂。
比较有丝分裂和减数分裂的图像, 实际上是三类图的比较, 即减数第一次分裂、减数第二次分裂和有丝分裂。在这三类图中减数第一次分裂的图比较特殊, 因为它有联会 (同源染色体两两配对) 、四分体 (联会的一对同源染色体包含4条姐妹染色单体) 、四分体位于细胞的中央、四分体一分为二 (同源染色体分开) 等特殊的现象, 而有丝分裂和减数第二次分裂则没有。若有上述现象, 则可以根据染色体的行为来判断具体是减数第一次分裂的哪一时期。如:
2.比较有丝分裂和减数第二次分裂。
由于减数第一次分裂后期同源染色体分开, 然后分别进入两个不同的子细胞。所以在进行减数第二次分裂的细胞中以及减数第二次分裂产生的子细胞中不可能存在同源染色体;而进行有丝分裂的体细胞中则有成对的同源染色体存在。因此, 有丝分裂和减数第二次分裂的根本区别就在于有无同源染色体。判断出是哪种分裂方式后再根据染色体的行为来判断该细胞分裂图是哪种分裂的什么时期 (着丝点排列在细胞中央的赤道板上为中期, 着丝点移向细胞两极为后期) 。如:
此外, 还存在一些特殊情况可以直接判断所给图像是处于哪种分裂的什么时期。
3.特殊情况。
(1) 细胞中染色体数为奇数 (注意:分裂后期只数细胞一极) 。
因为进行有丝分裂和减数第一次分裂的细胞中染色体的数目或为2N或为4N, 所以细胞中染色体数为奇数这种情况一定是减数第二次分裂。再根据染色体的行为来判断是哪一个时期。如:
(2) 细胞质分裂不均匀。
出现这种情况一定是减数分裂的后期 (且为卵细胞的形成过程) 。然后再根据有无同源染色体来判断是减数第一次分裂后期还是减数第二次分裂后期。
例3下图甲、乙、丙分别表示三个正在进行分裂的细胞。请据图回答下列问题:
(1) 甲图表示_____分裂_____期。分裂后产生的子细胞名称是______。
(2) 乙图表示______分裂_____期。该细胞中有染色体_____条。
(3) 丙图表示_____分裂_____期。细胞的名称是______, 其分裂后产生的子细胞名称是______。
解析甲图中同源染色体分离, 且分离的染色体均包含姐妹染色单体, 故表示减数第一次分裂后期。由于细胞质分裂均匀, 该细胞应为初级精母细胞, 分裂后产生的子细胞为次级精母细胞。乙图和丙图中染色体的行为相同, 均为共用一个着丝点的两条姐妹染色单体随着丝点的分裂而分开成为两条独立的染色体, 然后随纺锤丝收缩变短移向细胞两极, 故为分裂后期, 但由于乙图中具有同源染色体而丙图中没有, 因此乙图为有丝分裂后期图, 丙图为减数第二次分裂后期图。数染色体的条数就数着丝点个数即可, 乙图细胞中有8条染色体。此外, 丙图细胞质分裂不均匀, 为卵细胞形成过程。因此丙图细胞名称为次级卵母细胞, 其分裂后得到的子细胞名称为 (第二) 极体和卵细胞
答案 (1) 减数第一次后次级精母细胞 (2) 有丝后8 (3) 减数第二次后次级卵母细胞 (第二) 极体和卵细胞
题型四、考查有丝分裂和减数分裂过程中染色体、DNA的数量变化的有关曲线
通过坐标曲线反映细胞增殖过程中染色体或核DNA的数量变化非常形象、直观, 同时也是常见的考查题型。通过分析有丝分裂和减数分裂的过程我们可以进一步归纳总结两种细胞分裂方式中染色体和DNA的数量变化, 给同学提供一个简便的判断染色体和DNA数量的方法:数染色体就数着丝点, 着丝点的个数就是染色体的条数;数DNA时有姐妹染色单体数染色单体, 没有姐妹染色单体时就数染色体的个数。
1.总结有丝分裂过程中染色体、DNA的数量变化并绘成曲线:
2.总结减数分裂过程中染色体、DNA的数量变化并绘成曲线:
由上图两种分裂方式的四种不同曲线我们不难发现:有丝分裂所形成的子细胞与亲代细胞中染色体和DNA的数量相同;而减数分裂所形成的配子中染色体与DNA的数量均是亲代细胞中的一半。这也是我们解读曲线时最常用的突破口。
此外, 我们还有一些特殊的方法对曲线进行识别:
(1) 区分核DNA的变化曲线和染色体的变化曲线时可以看是否有“斜线”, 曲线中存在“斜线”的为DNA变化曲线, 不存在“斜线”的为染色体变化曲线。
(2) 在 (1) 的基础上进一步区分细胞分裂的方式的方法有两种: (1) 看“染色体数的最大值”, 染色体数目最大为4N的是有丝分裂;染色体数目最大为2N的是减数分裂; (2) 看“DNA复制和分裂次数”, 斜线代表DNA复制, 竖直下降代表细胞分裂完成。因此斜线出现1次, 而竖直下降2次的为减数分裂;斜线出现1次, 而竖直下降1次的为有丝分裂。如下图所示:
例4如图表示产生精原细胞及精原细胞形成精子过程中核DNA含量的变化, 其中着丝点分裂、同源染色体分离分别发生在 ()
A.3, 6 B.7, 6
C.3和7, 6D.6和3, 7
解析由题干信息进一步挖掘可推知:产生精原细胞的分裂方式为有丝分裂, 精原细胞形成精子的分裂过程为减数分裂。因此, 本题考查学生对有丝分裂和减数分裂过程中DNA的数量变化曲线的解读。由于OM段DNA的数量变化为2a→2a, 故代表有丝分裂过程;MN段DNA的数量变化为2a→a, 故代表减数分裂过程。在上述两种分裂方式中, 着丝点的分裂发生在有丝分裂后期和减数第二次分裂后期, 同源染色体的分离发生在减数第一次分裂后期, 分别对应曲线中3和7, 6。
答案C
题型五、综合考查细胞分裂图像与相应的染色体、染色单体和DNA数量变化的坐标曲线及代表三者的直方图的对应关系
1.细胞分裂图像的识别。
关于有丝分裂的图像是植物细胞的有丝分裂, 还是动物细胞的有丝分裂这一问题, 区分二者最直观的方法是:植物细胞的形状往往画成矩形 (代表细胞壁) , 而动物细胞画成圆形 (代表细胞膜) , 然后通过分析图像中染色体的行为变化进一步判断具体属于哪一个时期。前期———染色体散乱分布;中期———染色体的着丝点排在细胞中央的赤道板上;后期———着丝点一分为二, 共用一个着丝点的两条姐妹染色单体形成两条独立的染色体, 随纺锤丝收缩变短, 两条染色体移向细胞两极;末期———染色体恢复到染色质的状态 (细长而弯曲的丝状) 。
2.解读染色体、DNA有关曲线及直方图时的注意事项有以下几点:
(1) 加倍的时期:DNA分子加倍在间期 (包括有丝分裂的间期和减数第一次分裂前的间期) , 依赖于染色体的复制;染色体加倍在后期 (包括有丝分裂的后期和减数第二次分裂的后期) , 依赖于着丝点的一分为二。
(2) 减数第一次分裂全过程与有丝分裂、减数第二次分裂的前、中期的染色体均包含两条姐妹染色单体, 故DNA分子数是染色体数目的两倍;有丝分裂、减数第二次分裂的后期和末期着丝点一分为二, 两条姐妹染色单体成为两条独立的染色体, 故DNA数与染色体数相等。
(3) 在直方图中, 时有时无的那条代表染色单体, 染色体与DNA分子之比或1∶1 (复制之前) 或1∶2 (染色体复制之后) 。据此可断定短的那条代表染色体, 长的那条代表DNA分子。
例5下图为某生物细胞分裂模式图, 据图回答:
(1) 图甲中含有同源染色体的区段是_____。
(2) 图乙为_____细胞____分裂____期的图像。该时期的主要特征是_____。
(3) 若2号染色体的遗传信息来自父方, 那么与其遗传信息完全相同的染色体为_____号, 其遗传信息完全相同的原因是____。
(4) 图乙对应于图甲中的_______段, 图丙对应于图甲中的_________段。
(5) 请在图甲中画出细胞中每条染色体上DNA数目的变化曲线, 并绘出图乙上一个时期的动物细胞分裂的图像。
解析本题综合性很强, 重点考查了有丝分裂过程中核DNA的数量变化、有丝分裂图形的判断及染色体、染色单体与DNA的数量关系。解题的基本思路是:据图甲中核DNA的数量变化判断出细胞分裂方式并得出坐标图中各区段所对应的时期。据图乙和图丙进一步确定与图甲区段相对应的时期。
(1) 首先明确图甲的纵坐标是核DNA的数目, 根据细胞分裂前后核DNA的数量不变, 可确定该分裂为有丝分裂。这样, 图甲中的a～c为间期, c～d为前期, d～e为中期, e～f为后期。由于在有丝分裂的过程中不涉及同源染色体的分离, 因此在有丝分裂整个过程a～h中都有同源染色体。
(2) 据图乙细胞分裂图像可知, 细胞形状为矩形, 故应为植物细胞。细胞中着丝点分裂, 染色体移向细胞两极, 细胞的每一极都含有同源染色体, 所以图乙所示时期是植物细胞有丝分裂后期。
(3) 因为2号和6号是间期染色体复制之后形成的共用一个着丝点的两条姐妹染色单体, 在分裂后期二者随着丝点分裂而分开, 形成两条独立的染色体, 所以2号和6号完全一样。
(4) 图乙为有丝分裂后期, 对应图甲中的e～f段, 由于图丙中染色体数∶染色单体数∶DNA数=1∶2∶2, 故此时一条染色体应包含两条姐妹染色单体, 即对应图甲中的c～e段。
(5) 绘曲线图时要注意纵坐标含义及数值 (1或2) , 上升 (加倍) 的原因是由于染色体的复制, 下降 (减半) 的原因是由于着丝点的分裂, 因此下降的时期是后期而不是末期;绘中期图像时要注意细胞中应包含同源染色体, 着丝点的位置应位于细胞中央的赤道板上。
答案 (1) a～h (2) 植物有丝后染色体的着丝点分裂, 姐妹染色单体分开成为染色体, 并在纺锤丝的牵引下移向细胞两极 (3) 6它们是由同一条染色体在间期复制并在分裂后期分离形成的 (4) e～f c～e (5) 见下图:
题型六、将DNA复制和细胞分裂过程相结合进行考查
尽管这类试题在题干中往往并不出现细胞分裂图, 但解题的钥匙却是先正确画出细胞分裂图像, 在细胞内将染色体的数量变化描绘清楚 (绝大多数情况下有丝分裂以一条染色体的行为及数量变化为例, 减数分裂以一对同源染色体的行为及数量变化为例) , 然后再在染色体上标出相应的DNA分子。需要同学注意的是复制之前的一条染色体中包含一个DNA分子 (两条脱氧核苷酸长链) , 复制之后的一条染色体包含两个DNA分子 (复制特点为半保留复制, 每条染色体中共有四条脱氧核苷酸长链) 。图画好了, 答案就出来了。
例6取1个含有1对同源染色体的精原细胞, 用15 N标记细胞核中的DNA, 然后放在含14 N的培养基中培养, 让其连续进行两次有丝分裂, 形成4个细胞, 这4个细胞中含15 N的细胞个数可能是 ()
A.2 B.3
C.4D.前三项都对
解析根据题意先画细胞分裂图如下:
据图可知, 第一次有丝分裂产生的两个子细胞在进行第二次有丝分裂时, 若这两个子细胞均完成第一种情况的染色体分配, 则形成的四个细胞中有两个含有15 N;若这两个子细胞均完成第二种情况的染色体分配, 则形成的四个细胞中有四个含有15 N;若这两个子细胞中的其中一个完成第一种情况的染色体分配, 另一个完成第二种情况的染色体分配, 则形成的四个细胞中有3个含有15 N。
答案D
巩固训练:
1.下图是某学生绘出的某高等植物的细胞分裂图像。其中错误的是 ()
A.a和bB.c和d
C.b和dD.e和f
2.下图是某二倍体动物体内的几个细胞分裂示意图, 据图所作的判断正确的是 ()
(1) 以上各细胞可能取自同一器官, 在发生时间上存在乙→甲→丙的顺序
(2) 甲、乙、丙三个细胞中都含有同源染色体
(3) 乙细胞中含有4个染色体组
(4) 丙细胞是次级精母细胞或极体, 正常情况下其分裂产生的子细胞基因型相同
A. (2) (4) B. (2) (3)
C. (1) (3) D. (1) (2)
3.下图是某同学绘制的动物体细胞分裂模式图, 其中有两幅是错误的。请将其余正确的图片按细胞周期顺序排列, 其中排在第1位与第3位的图片分别是 ()
A. (1) (2) B. (1) (6)
C. (3) (2) D. (4) (5)
4.下图 (1) 表示某高等雄性动物肝脏里的一个正在分裂的细胞, 结合图 (2) 分析下列叙述中不正确的是 ()
A.图 (1) 所示分裂时期处于图 (2) 中的BC段
B.此细胞产生AB精子的概率是0
C.图 (1) 细胞中含有两个四分体
D.图 (2) 中C→D的原因与着丝点的分裂有关
5.右图是基因型为AaBb (两对基因独立遗传) 的某动物组织切片显微图像, 下列说法正确的是 ()
A.细胞分裂先后经过 (1) → (2) → (3) 过程
B.细胞 (2) 分裂结束后形成极体和次级卵母细胞
C.细胞 (1) 中有4个四分体, 8条染色单体
D.细胞 (3) 分裂结束后可能产生基因型为AB的两个子细胞
6.右图是果蝇细胞减数分裂图, 下列说法正确的是 ()
A.图Ⅱ表示的细胞中没有同源染色体
B.a、b、c、d染色体的组成各不相同
C.图Ⅰ所示的细胞中全部DNA是8个
D.图Ⅲ可能是4个精细胞, 也可能是1个卵细胞和三个极体
7.右图所示是某生物正在进行减数分裂的细胞, 等位基因A和a位于染色体的位置 (不考虑互换) 可能是 ()
A.A位于 (1) 上, a位于 (5) 上
B.A位于 (5) 上, a位于 (7) 上
C.该细胞只有a, 分别位于 (1) 和 (3) 上
D.该细胞只有A, 分别位于 (2) 和 (6) 上
8.右图表示某二倍体生物的一个正在分裂的细胞, 请判断下列说法正确的是 ()
A.该细胞是次级精母细胞或次级卵母细胞
B.该细胞中1与2、3与4是同源染色体
C.若1是Y染色体, 则2也是Y染色体, 3与4可能为X染色体
D.该细胞中有两个染色体组, 1与3可为一组, 2与4可为一组
9.下图中甲～丁为小鼠睾丸中细胞分裂不同时期的染色体数、染色单体数和DNA分子数的比例图, 下列关于此图叙述错误的是 ()
A.甲图可表示减数第一次分裂前期
B.乙图可表示减数第二次分裂前期
C.丙图可表示有丝分裂间期的某一阶段
D.丁图可表示有丝分裂后期
10.如图表示人体某一细胞的分裂过程, 细胞核中染色体数 (阴影) 和DNA分子数 (无阴影) 在A、B、C、D 4个不同时期的统计数据。则同源染色体分离发生的时期是 ()
11.洋葱根尖细胞在含3 H标记的胸腺嘧啶脱氧核苷酸的培养基上完成一个细胞周期, 然后在不含放射性标记的培养基中继续分裂至中期, 其染色体的放射性标记分布情况是 ()
A.每条染色体中都只有一条染色单体被标记
B.每条染色体的两条染色单体被标记
C.有半数的染色体中只有一条染色单体被标记
D.每条染色体的两条染色单体都不被标记
12.将某一DNA经3 H充分标记的雄性动物细胞 (染色体数为2N) 置于不含3 H的培养基中培养, 该细胞分裂两次后形成4个大小相等的子细胞。下列有关说法正确的是 ()
A.若子细胞中染色体数为2N, 则其中含3 H的染色体数一定为N
B.若子细胞中染色体数为N, 则其中含3 H的DNA分子数为N/2
C.若子细胞中染色体都含3 H, 细胞分裂过程中会发生基因重组
D.若子细胞中有的染色体不含3 H, 则细胞分裂过程中发生了同源染色体分离
13.蚕豆体细胞染色体数目2N=12, 科学家用3 H标记蚕豆根尖细胞的DNA, 可以在染色体水平上研究真核生物的DNA复制方式。
实验的基本过程如下:
Ⅰ.将蚕豆幼苗培养在含有3 H标记的胸腺嘧啶脱氧核苷酸的培养基上, 培养一段时间后, 观察细胞分裂中期染色体的放射性情况。
Ⅱ.当DNA分子双链都被3 H标记后, 再将根移到含有秋水仙素的非放射性培养基中, 培养一段时间后, 观察细胞分裂中期染色体的放射性情况。
请回答相关问题:
(1) 蚕豆根尖细胞进行分裂的方式是______;秋水仙素能使部分细胞的染色体数目加倍, 其作用的机理是________。
(2) Ⅰ中, 在根尖细胞进行第一次分裂时, 每一条染色体上带有放射性的染色单体有_______条, 每个DNA分子中有________条链带有放射性。Ⅱ中, 若观察到一个细胞具有24条染色体, 且二分之一的染色单体具有放射性, 则表明该细胞的染色体在无放射性的培养基上复制_________次, 该细胞含有________个染色体组。
(3) 上述实验表明, DNA分子的复制方式是_______。
14.下图中甲是某雌性动物体内细胞的分裂模式图, 乙是不同分裂时期一条染色体上DNA含量变化的示意图。分析回答:
(1) 甲图中A、B、C表示的细胞分裂时期分别是:A.____;B.______;C.________。
(2) B细胞是________细胞, 产生的子细胞是______;甲图中含有两个染色体组的细胞包括________;正常情况下, 分裂形成的子细胞染色体组成不同的是甲图中的__________。
(3) 在乙图中, a～b段DNA含量的变化通常发生在细胞分裂的________期, 表示_________过程;与b～c段相对应的细胞是甲图中的_________。
15.下图A、B是某种雌性动物细胞分裂示意图, C表示该动物细胞分裂时期核DNA数量变化曲线, 请据图回答:
(1) A细胞中含有_________个染色体组。
(2) B细胞中染色体 (1) 上基因B与突变基因b的分离发生在C图的_________阶段。
(3) 若图B细胞分裂完成后形成了基因型为ABb的子细胞, 其可能的原因是________、_________。 (必须说明时期和具体染色体的行为才给分)
(4) D图坐标中染色体数与核DNA数之比y1和y2依次为_______、_______, 并在D图坐标中画出该动物细胞正常减数分裂过程中“染色体数与核DNA数之比”变化曲线图。
(5) 画出该生物体形成AB配子的减数第二次分裂后期示意图 (只要求画出与AB形成有关的细胞图) 。
参考答案
13. (1) 有丝分裂抑制纺锤体的形成
(2) 2 1 2 4
(3) 半保留复制
14. (1) A.有丝分裂中期B.减数第一次分裂中期C.减数第二次分裂后期
(2) 初级卵母细胞次级卵母细胞和第一极体A、B、C B
(3) 间期DNA复制A、B
15. (1) 4
(2) f→g
(3) 减数第一次分裂后期同源染色体 (1) 和 (2) 没有分离减数第二次分裂后期染色体 (1) 上姐妹染色单体分开后没有移向细胞两极
(4) 1 1/2曲线图如下:
(5) 如下图:
细胞图像 篇4
参考文献[4]提出的无需重初始化水平集模型属于基于梯度的边缘模型, 解决了C-V水平集模型的忽略图像局部特征的问题。另外由于无需重初始化, 极大提升了水平集的进化速度, 具有较高的实用价值。但该模型存在基于梯度的边缘模型固有的问题:对带噪、弱边缘、边缘不连续的图像难以精确分割[5]。目前, 一些文献针对该模型的边缘终止函数进行了优化。参考文献[6]将边缘终止函数中的高斯滤波用Kalman滤波代替, 促使水平集曲线进一步收敛, 同时加快了模型的进化速度;参考文献[7]提出一个无需高斯平滑的边缘终止函数, 不但使模型的边缘定位更精确, 同时减少了约45%的分割时间和迭代次数。然而, 上述改进还是基于梯度的边缘终止函数, 难以从根本上克服基于梯度的边缘模型的缺点。鉴于此, 本文结合局部熵和灰度变换函数构造新的边缘终止函数。实验证明了新的终止函数能够有效克服基于梯度的终止函数固有的缺点, 缩短了进化时间。
本文首次将优化水平集和改进的OTSU阈值法相结合对神经元干细胞NSC (Neural Stem Cells) 图像进行分割, 分别解决了细胞分割中选取细胞团轮廓和分割粘连细胞的难题, 具有很好的分割效果。
1 水平集算法
本文采用无需重初始化的变分水平集模型, 并结合局部熵和灰度变换作为该模型的边缘终止函数, 以实现对细胞团轮廓的提取。
1.1 无需重初始化的水平集模型
无需重初始化的水平集模型属于基于梯度的边缘模型, 如图1所示。它存在基于梯度的边缘模型固有的一些缺点: (1) 对于噪声图像, 梯度值在远离边缘的噪声点处也较大, 导致进化曲线停滞在噪声区域且进化速度慢, 如图1 (d) ; (2) 边缘泄漏。由于梯度值在弱边缘处较小, 导致弱边缘处停止力较弱, 进化曲线易忽略边界继续进化, 如图1 (e) ; (3) 模型对不连续边缘的识别困难, 造成不连续边缘的漏分割, 如图1 (f) 。
1.2 图像局部熵与灰度变换
设M×N为图像的局部窗口大小, I (x, y) 是窗口中坐标为 (x, y) 的像素点灰度值, 则图像局部熵定义为:
其中, 时, 定义E (I) =log (MN) , 当pij=0时, 规定-pijlog pij=0。
采用所属窗口的局部熵值来代表每个像素点, 以获得图像的局部熵描述。通过测试大量体视显微镜下未经染色的NSC图发现, 细胞图局部熵值的变化区间一般较小。如图2 (a) 所示细胞图的局部熵区间为[0.902 5, 0.9997] (M×N=3×3) , 由于动态区间太小, 局部熵图像很难清楚显示。
(1) 线性变换
熵图像E (I) 的灰度范围为[a, b], T1定义了一种作用于E (I) 的操作, 图2 (a) 的熵图像E (I) 经T1变换后的图像如图2 (b) 所示。灰度范围从[0.902 5, 0.999 7]扩展为[0, 1], 但仍存在边缘较弱的问题, 需对其再进行指数变换以突出边缘, 如图2 (c) 所示。
(2) 指数拉伸变换
其中, T2定义了一种作用于原始图像亮度r的操作, s为变换后的亮度, m为阈值, k为拉伸参数。通过函数T2来增强图像对比度, 以突出边缘。
1.3 新的边缘停止函数
本文提出的基于局部熵和灰度变换的新边缘终止函数定义如下:
其中, T1、T2分别定义了作用于E (I) 的线性变换和指数拉伸变换, E (I) 为输入图像I的局部熵图像。K∈[50, 100], m=min{E (I) }+d (max{E (I) }-min{E (I) }) , d∈[0, 1]。实验中对于弱边缘, d值可适当取大, 而K值越大, 边缘和背景的对比度越强。
2 改进的OTSU阈值法
经典OTSU算法和局部递归OTSU算法都是基于灰度统计的分割算法, 它们是基于目标和背景的灰度均值相差较大这一理想情况, 而并未考虑目标与背景的类内平均距离。但实际上, 加大的类内平均距离会造成直方图的叠加, 不利于图像分割。这也是上述两种算法对对比度较低和含噪图像的分割效果往往较差的原因。鉴于此, 本文提出一种改进的OTSU阈值法, 如图3所示。它将类内平均距离引入到阈值选择函数, 新的阈值选择函数为:
对水平集分割后的细胞轮廓, 用阈值T继续分割, 见图3 (b) , 得到的结果如图3 (c) 所示。最后通过膨胀、腐蚀, 得到最终分割结果如图3 (d) 所示。
3 仿真结果与分析
为验证本文算法, 采用大量图像进行实验, 取其中1个NSC图像序列 (160帧, 每帧细胞数为33个, 大小为250×250像素) 作为例证, 此序列具有细胞数目众多, 出现复杂粘连和带噪、弱边缘等特点。由于篇幅限制, 图片不宜过大, 故采用25X的物镜观察细胞。实验中, 局部熵窗口尺寸M×M=3×3。灰度变换参数d=0.9, K=80。水平集参数主要参考参考文献[5]:λ=5.0, u=0.04, v=3.0, τ=5.0。实验是在Intel P4 3.0 GHz, Windows XP 2 048 MB内存的PC上实现, 程序由Matlab 7编写。
分别采用阈值法、先验模型法和本文算法对序列中随机抽取的第102帧图像进行分割, 结果如图4所示。
图4 (b) 显示了阈值法的分割结果, 可见, 不仅将相邻细胞误判为一个整体 (这是由于出现了3个以上的细胞粘连) , 而且还漏标了多个细胞 (这是由于该细胞形状为非规则圆形) 。参考文献[3]先验模型算法在求出细胞的等效半径r、圆形度c和质心o后, 以质心o为圆心, 以r为半径, 划定一个圆形区域来检测细胞的粘连部分。算法对呈规则圆型细胞的复杂粘连有较好效果, 但对特殊形状的复杂粘连分割不够, 见如图4 (c) 。图4 (d) 是本文算法的分割结果, 除了极少数细胞的丢失外, 在细胞的形态信息和位置信息上都有更好的保留, 体现了算法的优越性, 利用人眼观察可以看出分割正确率要比另两种算法高得多。
本文给出了结合优化水平集和改进OTSU阈值的NSC图像分割算法, 分别解决了细胞分割中选取细胞团轮廓和分割粘连细胞的难题。实验结果表明, 相较于其他分割算法, 本文算法对复杂粘连和带噪、弱边缘的细胞图像分割速度更快速、更准确。
参考文献
[1]钱翔, 叶大田.分割神经干细胞图像的两种聚类多阈值分割方法[J].清华大学学报:自然科学版, 2010, 50 (3) :462-465.
[2]鲁劲松, 段侪杰, 俞燕明, 等.细胞DNA指数全自动分析仪及其关键技术[J].仪器仪表学报, 2009, 30 (2) :293-297.
[3]顾广华, 崔冬.白细胞图像的自动分割算法[J].仪器仪表学报, 2009, 30 (9) :1874-1879.
[4]张霞, 王超.医学图像处理技术及发展趋势[J].中外医学研究, 2010, 8 (7) :22-25.
[5]JIANG T Z, YANG F G, FAN Y.An adaptive particle level set method[J].Electronic Notes in Theoretical Computer Science (S1571-0661) , 2001, 46 (12) :214-224.
[6]Ru Zhongliang, Zhu Chuanrui, Zhao Hongbo.Study on the extend finite element method based on level set algorithm[J].Engineering Mechanics, 2011, 28 (7) :20-25.
层次聚类在细胞图像分析中的应用 篇5
随着计算机科学技术的快速发展,人们对细胞图像的研究越发的深入。目前大多数的细胞图像研究都是在细胞图像边缘检测和分割的基础上进行的,细胞的边缘包含着有价值的目标边界信息,其检测或分割的结果为细胞形态分析及病情诊断提供了依据[1]。细胞图像的分析与研究在医学研究中发挥着越来越重要的作用。
考虑到细胞图像的特殊性及较强的噪音信息,利用边缘检测或分割在细胞图像中带来的较大误差,本文尝试着从聚类分析的角度分析细胞图像,结合半边图模型的原理,从细胞图像的单个像素值入手,将单个像素看作一个对象,利用层次聚类的方法,逐步对这些对象进行聚类,最终提取出单个细胞图像。
层次聚类方法是数据挖掘中聚类分析方法的一种,它是将数据对象组成一棵聚类树。根据层次分解是以自底向上合并还是自顶向下分裂方式将层次聚类分为凝聚层次聚类和分裂层次聚类[2]。本文所采取的就是凝聚层次聚类的方法对细胞图像进行聚类的。凝聚层次聚类方法的思想是首先将每个对象作为簇,然后合并原子簇,直到所有的簇都在一个簇或者每个终止条件被满足为止[3]。
1 图像边缘检测及分割
传统的图像处理,都是从边缘检测和图像分割的角度进行的,本节主要简述从图像边缘检测方面和图像分割方面对图像处理的发展及现阶段的情况。先从常规方法入手,再和本文的图像处理方法形成对比。
1.1 经典的灰度图像检测方法
考虑到边缘检测所处理的图像类型,边缘检测可以分为灰度图像边缘检测和彩色图像边缘检测。本文中所处理的图像均为灰度图像,故在本文中讨论的图像边缘检测方法也是基于灰度图像进行的。
灰度图像的边缘是像素的灰度值发生变化的地方,是提取目标和背景的分界线。这种分界线在图像中表明一个特征区域的终结和另一个特征区域的开始,它是图像重要属性的分界线。图像边缘具有方向和幅度两个属性,像素沿边缘方向变化平缓,垂直边缘方向则变化剧烈[4]。边缘上的这种变化可以用微分算子检测出来,一阶微分认为最大值对应边缘,二阶微分则以零点对应边缘位置。故灰度图像的边缘检测方法主要分为一阶微分图像边缘检测算子和二阶微分图像边缘检测算子两大类。一阶微分图像边缘检测算子通常对图像梯度的幅值进行阈值化来提取边缘。灰度图像的梯度反映了图像的灰度变化的大小[5]。
对梯度幅值进行阈值化,就能得到图像的边缘。一阶微分边缘检测算子主要有Roberts算子、Prewitt算子、Kirsch算子和Sobel算子。二阶微分图像边缘检测利用的是图像的二阶方向导数的零交叉点或极值位置是图像的边缘位置。经典的二阶微分边缘检测算子主要有Laplace算子和LOG算子,Laplace算子对噪声很敏感;LOG算子是对Laplace算子的改进,先进行高斯滤波,抑制图像中的噪音,再计算二阶方向导数,寻找二阶方向导数的零交叉点或极值位置,就能得到图像的边缘[6]。
1.2 生物细胞图像分割技术
细胞图像分割技术一般利用生物细胞图像特有的统计特征、图像中细胞及细胞器的轮廓、边缘和纹理等视觉特性进行分割[7],传统的分割方法除了基于边缘检测的分割技术外,还有以下几种方法:
基于灰度特征的阈值分割法,该方法是根据细胞图像灰度分布直方图,通过设置阈值把像素点按灰度级分为内部点集和外部点集,实现细胞图像分割。一般基于灰度的阈值分割方法都比较简单、计算量小、算法上容易实现,对目标和背景对比度反差较大图像这种分割很有效,但是当背景复杂,特别是在同一背景上重叠出现若干个研究目标时,容易丧失部分边界信息,造成分割的不完整。
基于边界提取的分割技术,其基本思想是边界一般有细胞中像素灰度的反差或不连续产生,于是利用边界的梯度变化性质直接提取[8]。此方法的缺点是对噪声比较敏感,而且易受伪轮廓或边界空白的干扰,不能保证得到闭合联通的边界。此外,还有基于区域的分割方法及其他分割方法等。
2 细胞图像中的层次聚类
对细胞图像进行处理前,先了解细胞的结构。本文采用的是细胞的模型图来介绍细胞的层次结构。然后再结合半边图模型对细胞图像进行聚类分析。本文将细胞结构简单地分为两成,只为简单的探讨。本文是从一级聚类和二级聚类两个方面来讲述细胞图像的具体聚类方法。
2.1 细胞的层次结构
仔细观察细胞图像不难发现,在细胞图像中,细胞结构明显是由最里层的细胞核和除细胞核的其它细胞结构构成,细胞核为最里层结构,其他部分为外层结构。本文为层次聚类在细胞图像中的应用的简单探索,所以选取的细胞结构图最小结构为细胞核,这样典型的细胞具有双层结构。图1为细胞图像的层次结构模型。
在细胞图像中,细胞核的部分,是由一些紧挨着的具有类似属性的单个像素构成,基本上可以看做是一个圆型,而且所有细胞的细胞核半径大致相同,不但如此,在这些细胞核以外的像素就具有和细胞核像素明显不同的属性,这样,通过这些像素属性的分类,就可以将细胞核的像素聚类成不同的簇。在图1中通过对细胞核的聚类,分理出细胞核,图2是分离出细胞核的图像。分离后细胞核图像中的的细胞的像素和其它像素又具有不同的属性,可以聚类成不同的簇[9]。
2.2 细胞层次聚类的实现算法
细胞图像具有层次结构,如何实现对这些层次的聚类是本文算法的核心内容。本文对细胞图像聚类的思想是半边图构造模型的运用。半边图模型是一个多层次自组织认知系统模型,多层次自组织认知系统是为模拟认知过程的层次性和自组织性而设计的系统,不同层次包含知识表示和知识处理两个主要部分,不同层次的知识表示的内容不同,但是表示的抽象形式是一致的[10]。为了实现知识表示的层次性,每层的知识处理主要由四个算法组成:这四个算法分别为了实现不同类型模型的层次聚类。在本文中,我们主要是利用其中的一个模型—自组聚合模型。自组聚合模型是将复杂组合模式分解为聚合模式,自组聚合模型是半边图模型的一种。
半边图模型的三要素是:半边、顶点和边。半边图的半边是可结合的半边,它也是顶点的一部分,半边的一端连着顶点,另一端是可以按照某种规则可以和另外半边相结合,组成一条完整的边。此外,每个半边还有一个数值度量权值,称作为半边权值。在本文实验中,模型的顶点就是细胞图像的像素,在不同层次中,顶点所包含的像素个数并不相同,随着聚类的进行,顶点的像素逐渐增加。模型中的半边表示该像素点与周围像素点的关系及距离,而由半边结合的边则表示边两边的顶点是否聚合为同一类[9]。
在细胞图像的聚类中,像素点就是一个顶点,而该像素点的属性就是与顶点连接的半边。如果其余的像素点的属性和该像素点相符,它们的半边就可以结合成一个边。通过边相连的像素属于同一类,不相连的像素属于不同类。这就是半边图模型运用到图像聚类分析中的思想。
细胞图像聚类的算法实现的步骤是:
步骤1 利用阈值分割法及去孤立点法对初始细胞图像矩阵M1进行预处理,得到矩阵M2(M1,2为m×n的矩阵)。
步骤2 构造类别矩阵B,使得:
B(i,j)=(i-1)×m+j (1)
步骤3 利用半边相结合的原理对细胞像素聚类,使得相近属性的像素点归为一类,从而得到具有相似属性细胞像素构成的细胞核。
步骤4 分理处细胞核后,再次利用半边相结合的原理得到具有相似属性细胞像素组成的细胞。
步骤5 将步骤3和步骤4得到的细胞像素组合一起就得到利用像素聚类原理分离出来的细胞图像。
2.3 细胞图像一级聚类的实现
本实验是在细胞图像为灰度图像的基础上进行的,灰度图像像素的取值范围为[0,255]。如图3是实验的原始细胞图像。首先,在对细胞图像像素进行聚类之前,对细胞原始灰度图做一些预处理,利用阈值法去除背景、孤立点等,降低细胞图像聚类的难度,得到如图4的细胞图像。然后再对细胞图像进行聚类。
利用本文算法对细胞图像(图3)进行聚类的步骤如下:
步骤1 阈值法去背景 判断细胞图像(图3)中像素值M(i,j)的大小。如果M(i,j)>K1,令M(i,j)=255,否则,M(i,j)的值不变。本示例图像中K1=120。
步骤2 去除孤立点 判断M(i,j)距离为1的邻域内的点M(x,y)的值,即同时满足条件:
L=|x-i|+|y-j|<2 L=|x-i|+|y-j|≠0 (2)
的M(x,y)为M(i,j)的1领域点;如果M(i,j)的领域内的点M(x,y)<120的个数小于2,即判断M(i,j)为孤立点或单连通点,则令M(i,j)=255,得到如图4所示的图像。
步骤3 构造类别矩阵 构造细胞图像的类别矩阵B1,令:
B1(i,j)=(i-1)×m+j
步骤4 判别属于细胞核的像素点 判断M(i,j)距离小于等于6的邻域内的点M(x,y)的值,即满足条件:
L=|x-i|+|y-|<=6
的领域内M(x,y)<=120的像素点,令其个数为m1,判断M(i,j)距离大于6且小于的邻域内的点M(x,y)的值,即满足条件:
6<L=|x-i|+|y-j|<14
的领域内M(x,y)<=120的像素点,令其个数为n1,当m1>25 且n1<15,即判断该像素点M(i,j)细胞核内像素点。
同理在L<=7内,m1>60;7<L<12内,n1<15同时成立,即为细胞核内部点。令这些像素点的类别矩阵B1(i,j)=0。
步骤5 提取细胞核部分 令类别矩阵B1(i,j)=0的像素M(i,j)的L<=7的邻域内M(x,y)<=120的像素值的类别矩阵B1(x,y)=0。当B(i,j)=0时,M(i,j)值不变,否则M(i,j)=255(1<=i<=m,1<=j<=n)。此时,即可得到细胞核图像,所得图像如图5所示。
在本节中的对细胞图像进行一级聚类是通过MATLAB平台实现的。本文所用的是MATLAB 7.11.0(R2010b)版本进行算法实现的,提取细胞核的部分代码如下:
2.4 细胞图像二级聚类的实现
经过细胞图像一级聚类提取出如图5所示的细胞核图像。我们将图4细胞图像提取细胞核后即可得到如图6所示的无核细胞图像,本节就是对如图6所示的细胞图像进行二级聚类。
对如图6的细胞图像进行二级聚类的步骤如下:
步骤1 构造类别矩阵 构造细胞图像的类别矩阵B2,令:
B2(i,j)=(i-1)×m+j
步骤2 判断属于细胞的像素点 判断M(i,j)距离小于等于12的邻域内的点M(x,y)的值,即满足条件:
的领域内M(x,y)<=120的像素点,令其个数为m2。当m2<5时,即可判断该像素点为细胞内像素点。令其类别矩阵B2(i,j)=0。
步骤3 分离细胞与背景部分 当B2(i,j)=0时,令M(i,j)=255。然后,令与M(i,j)连通(能找到一条曼哈顿路让两像素相连通,且其路上的结点值都为255)的像素M(x,y)的类别矩阵B2(x,y)=0。当B2(i,j)=0时, M(i,j)=0;否则令M(i,j)=255。即可得到如图7的图像。
步骤4 重新组合细胞与细胞核图像 将图7背景颜色与细胞颜色交换,再将图5的细胞核像素加到交换背景颜色的图像中,即可得到如图8所示的细胞图像。
细胞图像的二级聚类算法也是通过MATLAB 7.11.0(R2010b)版本实现的,分离细胞与背景的部分代码如下:
(第一部分找出B(i,j)=0的部分和2.3节只是参数不同,在此省略)
2.5 层次聚类方法特性分析
本文采用了层次聚类方法来分析细胞图像,是将细胞图像的各个像素看作是独立的对象,这些像素之间存在着一定的关系,之中像素之间的关系我们通过半边图的思想来表达把像素之间的距离、像素值之差的属性考虑在内,将符合相似特性的像素聚合在一起组成新的对象。通过一次次的聚类,从而达到实验效果。
在实验中,细胞核和细胞的图像都具有特定的属性,即像素属性类似,而且都在一个特定的属性范围内。
实验中采用的是240×240像素的细胞图像,实验图像来源于网络。整个细胞图像聚类分析的过程是在Windows XP环境下,采用MATLAB7.11.0(R2010b)版本编程实现的,机器配置为Pentium Dual-Core处理器,NVIDIA GeForce 210显卡。
本实验的效果分析如表1所示。
3 结 语
科学技术的发展迫使人们对细胞结构作更深层次的研究。本文从对细胞像素层次聚类的思想入手,通过对细胞图像像素的聚类处理,从而得到细胞的结构图。目前,在生物医学领域中,通过层次聚类方法得到细胞图像可以为临床诊断提供依据,结合医学形态学知识,分析细胞形态特征,对临床诊断和治疗起到了积极的作用[10]。本文只是对细胞图像层次聚类方法的一个简单探索。实验验证本方法还是有一定的效果,本文提出了细胞图像处理的新方法,但是还存在很多不足,有待研究人员进一步的探索。
摘要：传统的细胞图像分析是从细胞图像分割或者边缘检测的角度进行的,这些方法是通过对细胞图像像素变化的分析达到对细胞图像进行分析的目的;而层次聚类方法是从对细胞图像像素进行聚类分层的角度达到提取细胞的目的。细胞图像像素的聚类是结合了半边图的原理,将每个像素或者聚类后的一类像素看作是半边图中的顶点,细胞图像像素之间的距离、像素值差等看作是半边图的半边,将符合条件的半边结合成边,能连接成边的顶点归为一类。通过对细胞图像像素的层层聚类最终得到完整的细胞图像。
关键词：细胞图像,层次聚类,像素值,半边图
参考文献
[1]Pal U,Rodenacker K,Chaudhuri BB.Automatic cell segmentation incyto-and histometry using dominant contour feature points[J].Analyti-cal Cellular Pathology,1998:4(17):243.
[2]Jiawei Han.数据挖掘概念与技术[M].范明,孟小峰,译.北京:机械工业出版社,2007.
[3]张红梅,丁伟,范艳峰.一种改进层次聚类算法在面包品质检验中的应用[J].微电子学与计算机,2009,26(7):187-190.
[4]曾俊.图像边缘检测技术及其应用研究[D].武汉:华中科技大学控制科学与工程,2011.
[5]Bellon O,Silva L.New improvements to range image segmentation by edge detection[J].IEEE Signal Process Letters,2002,9(2):43-45.
[6]杜琳,陈云亮,朱静.图像数据挖掘研究综述[J],计算机应用与软件,2011,28(2):125-128.
[7]马义德,戴若兰,李廉,等.生物细胞图像分割技术的进展[J].生物医学工程杂志,2002,19(3):487-492.
[8]Anderberg M R.Cluster Analysis for Applications[M].Academic Press,1973.
[9]孟朝晖.半边图模型之多层次认知系统[J].计算机工程与应用,2006(30):28-34.
细胞图像 篇6
边缘检测是图像处理、计算机视觉中最基础的内容,图像识别和处理的性能均取决于边缘特征的检测和提取的效果。研究表明,图像中的边界非常重要,往往仅凭一条粗略的轮廓线就能够识别出一个物体。这为机器视觉的研究提供了一个重要的指示,即:物体可用其边界来表示,由图像灰度不连续点组成的基元图携带了原始图像的绝大部分有用信息。边缘反映了景物局部区域内特征的差别,它表示为图像信息的某种不连续性(如灰度突变,纹理以及色彩的变化等)。著名的“马赫带效应”指出:人的视觉对物体光度变化的部分有特殊的增强效应,即在不同光强度区的边缘周围引起“过量调整”,物体边缘特征是与图像中灰度发生跳变的部分相对应的。因此,基于灰度不连续性特征检测的方法也就成为图像边缘提取的主要方法之一。
2. 细胞自动机理论
细胞自动机(CA)是定义在一个由具有离散、有限状态的细胞组成的细胞空间上,并按照一定局部规则,在离散的时间维上演化的动力学系统,是上世纪50年代冯·诺依曼为模拟生物学中的自我复制而提出的[1]。细胞自动机最基本的组成是细胞、细胞空间、邻居及规则四部分。简单讲,细胞自动机可以视为由一个细胞空间和定义于该空间的变换函数所组成。可用一四元数组表示:A=(Ld,S,N,)
其中A代表一个细胞自动机系统;Ld为细胞空间,d是一正整数,表示细胞自动机内细胞空间的维数;S为细胞的有限状态集,N表示一个所有邻域内细胞的组合(包括中心细胞),即包含n个不同细胞状态的一个空间矢量,记为:N=(s1,s2,…,sn)
其中n是细胞的邻居个数。si∈Z(整数集),i∈{1,2,…,n};表示将Sn映射到S上的一个状态转换函数。
在图像处理中,常用的是二维细胞自动机,其常见的邻域类型有三种(图1):
其中表示邻居细胞的行、列坐标值,,表示中心细胞的行、列坐标值。
Moore型:(8-邻域)
扩展的Moore型:将Moore型邻居的半径扩展到或更大。
细胞自动机自产生以来,被广泛地应用到社会、经济、军事和科学研究的各个领域,但是在图像处理方面的应用研究很少。在国内仅见到汪海明及于志伟等人的工作,他们利用二维细胞自动机及由其构造的细胞神经网络,研究了图像的去噪、平滑和恢复等,处理效果非常好;在国外利用细胞自动机研究图像处理的主要有:Gonzalo Hern等人在1994年建立了一些基本的细胞自动机模型用于图像的增强[2],Kolin Paul在1999年提出了细胞自动机在图像压缩方面的应用[5],另外,J.A.Moreno、Mauricio Paletta、J.Hildemar等人建立了进化的细胞自动机模型,并用于图像去噪、恢复和压缩等,但这些工作都是一些初步的工作,没有充分发挥细胞自动机在图像处理方面的优势。
3. 奇偶规则细胞自动机模型及Matlab实现
奇偶规则细胞自动机是一种较典型的二维细胞自动机。奇偶规则定义在二维网形方格上,网格的每一个格子是一个细胞,用它的位置(i,j)来表示,其中i,j为行和列的标号,函数t(i,j)来描述细胞(i,j)在时刻t的状态,其值为0或1,演化规则为:计算t时刻每个格位的四个Von.Neumann邻居状态值之和,若该和为偶数,则中心细胞下一时刻的状态为0(白色),否则为1(黑色),用数学表达式可表示为:
在MATLAB中,可用矩阵A(i,j)来建立该二维自动机,通过对时间t的循环,反复调用上述规则,此时可获得非常精美的几何图形(图2),事实上,从简单规则开始生成复杂图形的这种性质是细胞自动机的实际属性。
4、基于细胞自动机的边缘检测
(1)二进制图像
采用Von.Neumann邻域,此时二进制图像在计算机中以矩阵形式存储,每个元素为0(白色)或1(黑色),边缘提取方法为:如果一个中心细胞的邻居中至少有一个与其值不同,即可认为该细胞为一边缘点。所以利用这一规则,边缘检测实验结果如图2,通过与传统的Canny算子比较可知,CA方法和Canny法得到的边缘效果都非常好,说明CA方法在处理二进制图像方面有很好的优势。
(2)灰度图像灰度值变化很大,即认为其为一边界点,所以定义转换函数为:
其中表示t时刻中心细胞的状态,vmax,vmin分别表示中心细胞与所有邻居的状态的最大、最小值。
利用上述规则,分别对两幅256色灰度图像进行了边缘检测,同时与传统的算子如Sobel、Canny、Roberts和Prewitt等进行了比较(图4,5),可以发现,在这几种边缘检测的方法中,Canny算子得到的效果最好,其次就是CA,其它几个算子效果不太理想,说明CA方法在灰度图像的边缘检测中是一种较好的方法。
采用Von.Neumann邻域,同样以矩阵形式存储灰度图像,在每个细胞的邻域中,如果中心细胞的灰度值与邻域中细胞
摘要：细胞自动机是一种时空离散的动力学模型,被广泛应用于自然科学和社会科学各领域的复杂性研究中。本文针对奇偶规则这一典型细胞自动机的演化规则,提出相应的算法,以MATLAB为工具开发了可视化的模型,并将该模型应用到图像的边缘检测中。通过对二进制图像和灰度图像的边缘检测实验,证明该方法是一种很好的边缘检测方法。
关键词：奇偶规则,细胞自动机,边缘检测,仿真
参考文献
[1]Wolfram S.Theory and Applications of Cellular Automata[M].Singaprot:Worl Scientific Publishing Company,1986
[2]GonzaloHern,Hansj.Herrmann,Cellular Automatafor Elementary Image Enhancement,Graphical Models and Image Processing(58),82–89,1996
[3]S.Wongthanavasu,R.Sadananda,A CA-based edge operator and its performance evaluation,Visual Image.14(2003)83-96.
[4]Hiroshi Umeo,Linear-time recognition of connectivity of binary images on1-bit inter-cell communication cellular automaton,Parallel Computing27(2001)587-599
[5]Kolin Paul,D.Roy Choudhury,P.Pal Chaudhuri,Cellular Automata Based Transform Coding for Image Compression,HiPC’99,LNCS1745,pp.269-273,1999
[6]P.Tzionas,A Cellular Automaton Processor for Line and Corner Detection in Gray-Scale Images,Real-Time Imaging6,461-470(2000)
[7]Hiroshi Umeo,Linear-time recognition of connectivity of binary images on1-bit inter-cell communication cellular automaton,Parallel Computing27(2001)587-599
[8]Rekeczky C.CNN architectures for constrained diffusion based locally adaptive image processing[J].International Journal of Circuit Theory and Applications,2002,30(2/3:)287-312
细胞图像 篇7
边缘检测对于图像理解、分析和图像识别来说, 是一个基础性的课题, 它为图像分割提供了基础和方法。在医学显微图像理解与模式识别领域中有着重要的研究性意义。从Marr和Hildreth的利用Log算子零点来确定图像边缘, 到Haralick的通过二阶方向导数的零交叉点确定图像边缘。Clark提出了可以去除Log算子中得到的虚假边缘, 并得到更理想的边缘。Berghlom提出一种跟踪边缘的方法, 能由粗边缘到细边缘逐渐匹配, 从而跟踪得到理想边缘。Goshtasby和Shyu通过拟合的思想达到边缘的检测。近几年, 也出现了一些新的方法, 例如Elder和Zucker的多尺度边缘提取、Li的自适应去除模糊图像噪声。
在众多算法中, Canny算法得到了广泛运用, 不仅是由于其算法耗时短, 而且过程也相对简单。算法提出了边缘检测的三个标准, 并采用一阶高斯函数作为过滤器。利用Gauss函数过滤, 会造成原图像的过度光滑, 造成边缘失真, 在图像识别的过程中, 例如在病变细胞的识别中, 有时会产生严重的后果。针对这一问题, 本文提出一种改进的算法, 可以提高检测准确度, 并用实验证明其效果。
1 Canny算子检测的标准
Canny算子边缘检测以三个标准为基准:
①信噪比准则
判断信噪比好坏的准则即是有较低的真边缘丢失率和较低的假边缘率, 信噪比越大, 检测效果越好。其数学表达式为:
f (x) 是在[-ω, +ω]上的滤波器脉冲响应, E (x) 为边缘, n0是高斯边缘的均方根。
②定位精度准则
定位是指检测出的边缘与实际边缘之间的关系, 检测边缘点在实际边缘点的中心为最理想的效果。其数学表达式为:
E' (x) 与f' (x) 分别为E (x) 和f (x) 的一阶导数。n0是高斯边缘的均方根。满足此式要求, 定位精度高。
③单边响应准则
在检测过程中, 一条真实边缘会有多个假边缘响应。单边响应准则就是要求产生这种多条假边缘的概率要低, 假边缘响应应得到最大抑制。要求f对噪声响应的两个最大相邻值间距是零交叉点平均距离的两倍。即xmax (f) =2xzerocross (f) 。而:
满足此准则, 可以保证只有一个边缘响应。
2 传统Canny算法
步骤1
高斯滤波器平滑图像。I'=I*G
G=h (x, y, δ) 为二维高斯函数, I'=g (x, y) 为平滑后的图像, I=f (x, y) 为原图, *代表卷积。
步骤2
用高斯一阶偏导有限差分计算梯度幅值和方向。
用两个差分卷积模板分别对图像进行卷积, 然后对卷积结果的平方和进行开方运算, 得到梯度幅值;用反三角运算得到梯度方向。设用一个2×2一阶差分模版近似计算x和y的导数f'x (x, y) 和f'y (x, y) :
在这个2×2差分模版内求有限差分的均值, 以便在图像中的同一点计算x和y的偏导数梯度。梯度幅值和方位角分别为:
步骤3
对梯度幅值用非极大值抑制。
用一个3×3窗口在每一个中心像素点上, 领域的中心像素与沿梯度方向的两个像素比较, 若此点不比相邻的两个点大, 则置为0。
步骤4
用双阈值法检测连接边缘。
Canny算法分析:
我们先给出两个定义:
def1:函数的光滑度:一个函数n阶可导, 并且其n阶导函数连续, 即为光滑函数。
def2:函数的逼近度:定义在[a, b]上的全体平方可积函数内任何两个函数f (x) , g (x) 的接近程度可用如下公式来规定:
光滑与逼近:设高斯函数G (x) ∈L (R) , g (x) =f (x) *G (x) , g (x) , f (x) , *分别代表处理后的图像, 原图像, 卷积。根据卷积的微分性质:根据上式, 我们再提出一个命题[9]:设a (x) =b (x) *c (x) , 其中c (x) 是n阶光滑的函数, 则:
随n的增大而增大。
3 复合数学形态学滤波法
由上述两式可得:光滑性越好, 逼近性越差。为了解决光滑性与逼近性之间的不均衡问题, 本文提出一种采用改进的数学形态学的滤波方式, 来解决光滑与逼近之间的矛盾。利用复合数学形态学滤波可以有效抑制噪声, 同时又可以得到精确的图像的轮廓。
设图像为I, S是一个合适的结构元素, 利用复合数学形态学检测和抗噪型形态学边缘检测, 本文再加以改进, 设F为所要获得的边缘图像, 对图像进行开运算, 然后腐蚀处理, 得到图像F1, 再对原图像进行闭运算, 然后进行膨胀处理, 得到图像F2, 则F表示为F1与F2线性运算的和 (如图1所示) , 用公式表示为:
数学形态学滤波器是近年来出现的重要的非线性滤波器, 从开始的二值滤波发展到后来的灰度形态滤波, 利用其所具有的几何特征和代数性质, 在形状识别、边缘检测、纹理分析、图像恢复和增强等领域中得到了广泛的应用。主要采用开、闭运算进行滤波操作。开运算能够除去孤立的小点, 毛刺和小桥, 而总的位置和形状不便, 是一个基于几何运算的滤波器。闭运算能够填平小孔, 弥合小裂缝, 而总的位置和形状不变, 通过填充图像的凹角来滤波图像。利用数学形态学开运算和腐蚀组合形成的滤波器与原图像进行线性运算在抑制毛刺噪声点和小桥噪声点的同时, 可以得到图像边缘的平滑内边界点, 而数学形态学闭运算和膨胀组合形成的滤波器与原图像进行线性运算可以在抑制小孔噪声点和小缝噪声点, 同时可以得到图像边缘的平滑外边界点, 此复合滤波器应用到Canny算子中可以去除图像目标区域内部的极大值噪声点, 更精确地得到图像的边缘附近的屋脊带极值点集, 非极大值抑制是对幅值图像阵列求局部最大值, 为确定边缘, 需要细化幅值图像中的屋脊带, 即保留幅值局部变化最大点, 从而产生细化边缘, 为后续精确得到边界连接过程提供了条件。此外, 采用这种复合的方式还可以在一次滤波后将所有特定于结构元素的噪声滤除干净, 再次重复不会产生新的结果, 以此保持图像结构不被钝化。
由以上分析可知改进后的算法为:
步骤1用本文提出的改进后的复合形态学滤波器平滑图像。
步骤2用高斯一阶偏导有限差分计算梯度幅值和方向。
步骤3对梯度幅值用非极大值抑制。
步骤4用双阈值法检测连接边缘。
4 实验
为了验证算法的有效行和可行性, 实验中会分别以加入高斯噪声、瑞利噪声、指数噪声及无噪声的情况下, 与传统的算法进行比较, 如图2所示。实验数据经过30次实验取样求得平均值。图像为8位灰度甲状腺细胞图像, 阈值分别选30和60, 结构元素为5×5结构。本文利用C#程序进行, 实验工具为VS2008。核心实验代码和结果如下:
分析描述上例选择的甲状腺细胞分别在不同噪声情况下和无噪声情况下采用传统Canny算子和本文算子的效果。在一定范围内当σ取值从小到大, 随着σ不同的取值所得的图像由平滑不足 (噪声残留大) 到平滑过度 (边缘提取不足) , 由于σ的值人为决定, 很难取到理想的值, 本文的算法不必选取σ的值, 跳过了人为因素干扰, 不但有良好的过滤效果, 还提取了边缘轮廓。通过表1和表2可以看到两种算法所用时间和过滤效果。
注:上表是对平滑后的图像进行分析, 统计其中剩余的孤立点, 小刺点等作为残余噪声指标, 故数值越小说明滤波效果越好
结果分析
由上述数据可得, 滤波方面本文算法比传统Canny算子检测中使用高斯滤波效果好, 在时间上本文算法多花费20%左右, 从综合效果图上看, 本文算法在抑制噪声、连接边缘方面优于传统的边缘算法, 能更有效地保持细节。在细胞识别这种需要高精度检测结果的技术领域中, 从综合角度考虑, 本文算法更适合。
5 结语
图像会受到场景中不希望的细节的干扰, 抑制噪声和边缘确定无法同时满足, 用高斯函数滤波在抑制噪声效果虽然好, 但存在着平滑过度的问题, 增加了边缘的不确定性。在医学细胞图像识别与理解中, 需要获得图像的形态参数, 假如边缘确定不准会改变图像细胞的形状, 从而对识别的结果产生错误的影响, 从实验中可以看出本文提出的改进算法比传统Canny算子检测有着更好的检测效果, 也解决了高斯平滑过程中平滑与逼近的矛盾。
参考文献
[1]Marr D, Hildreth E.Theory of edge detection[C]//Proc Roy Soc London B-207, 1980:187-217.
[2]Haralick R.Digital step edges from zero crossing of second directional derivatives[J].IEEE Trans Pattern Anal Mach Intelligence, 1984, 6:58-68.
[3]Clark J J.Authenticating edges produced by zero crossing algorithms[J].IEEE Trans Pattern Anal Intelligence Process, 1990, 51, 275:275-298.
[4]Bergholm F.Edge Focusing[J].IEEE trans Pattern Anal March Intelligence, 1987 (9) :726-741.
[5]Goshtasby A, Shyu H L.Edge detection by curve fitting[J].Image Vision Compute, 1995, 13 (3) :169-177.
[6]Elder J H, Zucker S W.Local scale control for edge detection and blur estimation[J].IEEE Trans Pattern Anal Mach Intelligence, 1998, 20 (7) :699-716.
[7]Li S Z.Closed-form solution and parameter selection for convex minimization-based edge preserving smooth[J].IEEE Trans Pattern Anal Mach Intell, 1998, 20 (9) :916-932.
[8]Canny J.A Computational Approach to Edge Detecting[J].IEEE Trans PAMI-8, 1996 (6) :679-698.
[9]张小洪, 杨丹, 刘亚威.基于Canny算子的改进边缘检测[J].计算机工程与应用, 2003 (29) :113-115.
细胞图像 篇8
关键词：β-半乳糖苷酶,数字图像处理,彩色图像分割
β-半乳糖苷酶又称乳糖酶,在生物技术领域如基因工程、酶工程、蛋白质工程方面都发挥着重要作用,并广泛应用于食品、医药、免疫、环境检测等各个领域。利用β-半乳糖苷酶筛选好的基因在各种表达系统中的可能表达效果是基因工程中常用的筛选基因表达的方法。免疫学方面,将β-半乳糖苷酶与人体胞外淀粉状蛋白前体融合形成融合蛋白,可作为Alzheimer病的免疫源,并进一步制备其单克隆抗体。在环境检测方面,大肠杆菌β-半乳糖苷酶活性检测可快速分析浴场和渔场地区海水水体受排泄污染的程度[1,2,3,4]。
由于β-半乳糖苷酶使用普通光学显微镜可以观察其表达,容易拍照、保存时间长,并且在β-半乳糖苷酶的应用中通常根据光学显微镜拍照的照片分析基因转移的效率转染率因而分析检测被植入β-半乳糖苷酶细胞的显微照片是β-半乳糖苷酶应用中不可缺少的环节。目前,在被植入β-半乳糖苷酶细胞的检测中大部分采用定性观察的方法,本文利用数字图像处理技术,探讨定量分析检测被植入β-半乳糖苷酶细胞的方法。由于被植入β-半乳糖苷酶细胞在光学显微镜下呈现绿色,因而,本文根据被植入β-半乳糖苷酶细胞的颜色特征,采用彩色图像分割中常用的HSV模型方法和绿色特征提取方法(2G-R-B方法),以及本文提出的G-R方法,对比探讨了被植入β-半乳糖苷酶细胞的定量分析检测的方法
1 用HSV颜色模型提取被植入的特征细胞
HSI颜色模型与人眼感觉颜色的原理相似,所以颜色特征参数提取中通常采用HSI颜色模型[5]。由于HSV模型比HSI模型更与人类对颜色的感知接近[6],并且可以消除光照和所用处理方法对采样图像的影响,颜色信息丢失少,所以本文采用HSV模型。由色度学理论可知,HSV颜色模型是根据物体的色度(Hue)、饱和度(Saturation)、亮度值(Value)来进行物体颜色区分的,符合人的视觉规律。HSV颜色模型的较大优点是可以缩小光照强度的变化给颜色判别所带来的影响。通常从摄像机获取的图像是R(红色)、G(绿色)、B(蓝色)分量,所以要将R、G、B的图像模式转换成HSV模型。其转换公式由下式给出[6]
式中,R,G,B分别表示红色、绿色、蓝色三原色的亮度值(0～255)。
本研究从多幅被植入β-半乳糖苷酶细胞的光学显微照片中的不同位置,截取多个被植入β-半乳糖苷酶细胞(绿色细胞)和未被植入β-半乳糖苷酶细胞(白色细胞),以及无细胞的灰色背景部分。图1显示了一幅特定的被植入β-半乳糖苷酶细胞的光学显微照片。正如图1所示,光学显微照片中有三个特征区域:白色区域是未被植入β-半乳糖苷酶细胞(白色细胞),灰色区域是背景区域,绿色区域是被植入β-半乳糖苷酶细胞(包括由于被植入β-半乳糖苷酶较多而呈现深绿色的细胞和被植入β-半乳糖苷酶较少呈现浅绿色的细胞)。为方便观察,图1中浅绿色细胞用白色提示线标出。公式(1)-(3)分别将被植入β-半乳糖苷酶细胞的光学显微照片中的绿色细胞、白色细胞和灰色背景的R、G、B转换为HSV颜色模型,并分别求出绿色细胞、白色细胞和灰色背景所对应的H、S、V的平均值和均方值。图2显示了绿色细胞、白色细胞和灰色背景的H、S、V的平均值。如图2所示,绿色细胞的H值接近绿色值,如图2(a),其饱和度S最高如图2(b),但是其亮度V最低,如图2(c)所示,根据绿色细胞H、S、V值的特点,结合H、S、V的均方值,确定绿色细胞的H、S、V值的区间,以该区间为基准,提取绿色细胞,即提取出被植入β-半乳糖苷酶细胞。图3显示了用HSV颜色模型提取出的图1所示的被植入β-半乳糖苷酶的细胞的特征图像。对比图1和图3可以看出,用HSV颜色模型可以提取出被植入较多β-半乳糖苷酶的深绿色细胞,但是,被植入较少β-半乳糖苷酶的浅绿色细胞(图1白线所围区域内)没有被提取出来。因此,可以说彩色图像分割中常用的HSV颜色模型方法,能够较好地检测出植入量较多的β-半乳糖苷酶的细胞,但是较难检测出植入少量β-半乳糖苷酶的细胞。此外,由于在使用HSV颜色模型提取特征图像时,需要把R、G、B的数值转换成HSV颜色模型中的H、S、V的值,根据公式(1)-(3),在转换成HSV颜色模型过程中需要进行较为烦琐的角度θ的计算,从而影响了图像处理的速度。
2 用2G-R-B方法提取被植入的特征细胞
在提取绿色特征图像中,为了加强绿色成分,去除灰色背景色(灰色背景的R、G、B三个分量值近似相等),通常采用2G-R-B的方法。2G-R-B方法是把绿色的亮度值2倍,然后再减去红色和蓝色的亮度值(表示为2G-R-B)。由于灰色背景的红色R、绿色G、蓝色B的亮度值接近,因此2G-R-B的值为零,处理后的图像其背景为黑色。而对于绿色的特征图像,2G-R-B的值接近255,因此绿色特征图像处理后为白色亮区。2G-R-B方法能把绿色特征图像从整个图像中分离出来,并且具有良好的对比度和稳定的处理结果[7]。本研究尝试用2G-R-B方法提取绿色细胞(被植入β-半乳糖苷酶细胞)时发现,并没有达到较好的预期效果。图4显示了用2G-R-B方法提取出的图1所示的被植入β-半乳糖苷酶的细胞的特征图像。在本研究中在提取绿色细胞的时候,不仅需要去除灰色背景,还要去除未被植入β-半乳糖苷酶的细胞(白色细胞)。从图4中可以看到,在提取绿色细胞的同时,背景信息基本被去除,但是白色细胞的一些信息仍被遗留下来,成为提取出的图像的噪音。如果进行减少白色细胞处理的同时,绿色细胞的面积也随之减少,这将影响绿色细胞定量分析检测的结果。
图5显示了灰色背景的R、G、B的亮度值。正如图5所示,R、G、B的亮度值非常接近,在105～115之间。因此,使用2G-R-B方法,可以很好地去除灰色背景,即处理后的图像灰色背景为黑色。图6显示了白色细胞的R、G、B的亮度值。正如图6所示,R、G、B的亮度值相差较大,在115～135之间。因此,在使用2G-R-B方法时,白色细胞区域的2G-R-B值不为零,即具有一定的亮度值,处理后的图像中有些白色细胞被留下来,被误判为绿色细胞基于以上的结果和分析表明方法不适合用于定量检测被植入β-半乳糖苷酶的细胞。
3 用G-R提取被植入的特征细胞
调查被植入β-半乳糖苷酶细胞的光学显微照片的R、G、B亮度值的分布特性。从光学显微照片中随机选取多个位置的绿色细胞、白色细胞和灰色背景,根据组成这些所选位置的像素点的R、G、B的亮度值,计算橱这些所选位置(绿色细胞、白色细胞和灰色背景)的R、G、B的平均亮度值。图7显示了4个位置的绿色细胞、白色细胞和灰色背景的R、G、B的平均亮度值。图7中横轴为样品号,纵轴为R、G、B的平均亮度值。从图7可以看出:(1)未植入β-半乳糖苷酶细胞(白色细胞)的R、G的亮度值较高,并且两值相近,B的亮度值略低于R、G的亮度值;(2)灰色背景部分的R、G、B的亮度值相近,整体低于白色细胞的R、G、B的亮度值;(3)被植入β-半乳糖苷酶细胞(绿色细胞)的R、G、B的亮度值远远低于白色细胞和灰色背景的亮度值,并且G的亮度值最高,R的亮度值最低,
根据上述图像R、G、B亮度值的特点,本论文提出用G-R方法(即:用绿色(G)的亮度值减去红色(R)的亮度值)提取被植入β-半乳糖苷酶细胞(绿色细胞)的特征图像。如果采取G-R的方法,可以得到:(1)对于灰色背景而言,G的亮度值减去R的亮度值接近于零;(2)对于白色细胞而言,G的亮度值减去R的亮度值也接近于零;(3)对于绿色细胞而言,G的亮度值减去R的亮度值大于零(约为20),可以令其等于255(最亮)。最终,用G-R方法既可以去除灰色背景部分,又可以去除白色细胞,从而达到提取被植入β-半乳糖苷酶细胞(绿色细胞)特征图像的目的。图8显示了提取出的图1所示的被植入β-半乳糖苷酶的细胞的特征图像。正如图8所示,用G-R方法很好地获得了被植入β-半乳糖苷酶细胞(绿色细胞)特征图像。值得一提的是:对比图8和图3,G-R方法不仅提取出了植入量较多的β-半乳糖苷酶的细胞,而且还提取出了植入量少的β-半乳糖苷酶的细胞(白色线所围的区域)。从而表明:对于提取被植入β-半乳糖苷酶细胞(绿色细胞)特征图像而言,G-R方法优于彩色图像分割中常用的HSV颜色模型方法。
为了验证G-R方法的通用性,选取了其它一些被植入β-半乳糖苷酶细胞的光学显微照片,对它们用G-R方法进行了处理,也得到了良好的结果。图9显示了根据图7所示的各组R、G、B的亮度值计算得到的G-R的值和2G-R-B的值。图9中的横轴为样品号,纵轴为G-R和2G-R-B的值。纵轴的值越小表明去除的不需要信息的效果越好即提取绿色细胞的效果越好。从图9中也可以看出,对于灰色背景,不论是G-R方法还是2G-R-B方法,其结果都接近零。说明G-R方法和2G-R-B方法都可以有效地去除灰色背景部分。而对于白色细胞部分,G-R方法处理后的值接近零,2G-R-B方法处理后的值接近10,这一差距是非常大的。从这一结果可以看出:G-R方法在去除白色细胞方面优于2G-R-B方法。对于绿色细胞而言,虽然2G-R-B的值高于G-R的值,但是由于灰色背景和白色细胞的G-R的值都接近于零,因此绿色细胞的G-R的值远大于灰色背景和白色细胞的G-R的值。综上所述,对于提取被植入β-半乳糖苷酶细胞(绿色细胞)特征图像而言,采用G-R方法优于2G-R-B方法。
4 结束语
本文应用数字图像处理技术探讨了定量检测被植入β-半乳糖苷酶细胞的方法。比较了彩色图像分割中常用的HSV颜色模型方法、常用的绿色特征提取方法(2G-R-B方法)以及G-R方法对被植入β-半乳糖苷酶细胞特征图像提取的效果。得出以下结论:G-R方法能够最有效地提取被植入β-半乳糖苷酶细胞的特征图像并且处理过程简单处理速度快
参考文献
[1]高秀容,马力,叶华.β-半乳糖苷酶的研究进展[J].生物技术通报,2005,3:18-21.
[2]魏萍,宋文刚,郝岗平.泰山土壤宏基因组DNA中耐热β-半乳糖苷酶基因的克隆、表达及性质[J].微生物学通报,2008,35(11):1686-1690.
[3]汪川,刘衡川,裴晓方,等.非融合表达β-半乳糖苷酶的重组乳酸乳球菌的构建和性能研究[J].四川大学学报:医学版,2009,40(1):29-32.
[4]秦燕,宁正祥.β-半乳糖苷酶的应用研究进展[J].沈阳农业大学学报,2000-12,31(6):595-599.
[5]崔艳丽,程鹏飞,董晓志,等.温室植物病害的图像处理及特征值提取方法的研究-基于色度的特征值提取研究[J].农业工程学报,2005,12(21):32-35.
[6]章毓晋.图像工程[M].北京:清华大学出版社,2007.