论文部分内容阅读
目前在医学领域中,人们越来越多的采用电脑技术分析细胞图像、病变部位图像等方法辅助诊断各种疾病,比如癌症的早期检测。在癌症的早期由于只是癌细胞的大量增多,并不会明显的在病人身体上表现出来,因此往往难以察觉。但通过采集人体的细胞图像分析图像中的细胞数量、参数等便可以获得细胞的病变几率,可以提高早期癌症的发现几率,因此细胞高倍显微图像分析在疾病诊断中发挥着重要作用。我们经常可以在细胞图像中见到两个或者多个细胞距离非常近甚至是相互重叠的现象。这种现象通常会对细胞参数的统计分析产生不良影响,因此在细胞显微图像处理中将粘连细胞图像分割为一个个单独的细胞图像是非常重要的一步,对后续分析统计的结果是否有效极为重要。在细胞显微图像处理中,人们根据图像不同的特征提出了多种图像分割算法,如:灰度阈值法、区域生长法、边缘检测法等等。这些算法都要求图像具有某一类或某几类的特定特征,在实际的图像处理中均存在一定的局限性,任何一种算法都无法对任意一幅图像进行完美的分割。比如,边缘检测法分割图像就是根据目标图像中的边界处灰度值变化往往比较剧烈的特性,通过边缘检测算法将目标对象从图像中分离出来。由于边缘检测分割方法的原理是根据图像中不同区域之间具有不同特征(如区域边缘的灰度不连续)的性质,通过检测得到各个区域之间的分界线,因此经常会出现得到的目标区域分界线不连续,甚至是错误的分界线的结果。本文在参考了上述算法的基础上,针对于人体脱落细胞的显微图像提出了一种基于EmguCv的粘连细胞分割方法。该算法首先对细胞图像进行预处理减少图像噪声,之后通过简单的分水岭算法对细胞图像进行第一次分割,随后对分水岭算法分割后得到的细胞图像计算梯度值,找到细胞边界,然后通过对细胞边界膨胀、腐蚀的方法对粘连细胞进行分割。实验结果表明该算法可以成功的分割开两个细胞粘连在一起的情况,对于多个细胞组成的细胞团情形,如果不是互相重叠,在一定程度上也可以分割开。