论文部分内容阅读
随着现代生物医学的迅速发展,神经元干细胞的研究变得愈加重要。目前主要采用计算机数字成像及高速信息处理技术,对人工培养的大量神经元干细胞的分化、增值过程进行跟踪研究,以获得神经元干细胞成长为不同神经细胞的规律。针对现有分割方法导致的分割结果中的一系列问题,提出了适合于神经元干细胞灰度图像的分割算法,并解决了分割前期的预处理和分割后期细胞形状的修正,本课题以瑞典Chalmers Karin Althoff和Johan Degerman所采集的神经元干细胞灰度图像为图像源,获得了较好的分割结果。研究的主要内容和创新点如下:首先,由于成像环境等因素的影响,图像中存在大量的噪声,为了减少噪声对进一步图像分析的影响,文中分析了常用的线性滤波去噪、锐化增强、形态滤波、以及与直方图均衡化相关的增强算法,并针对所研究的神经元干细胞灰度图像的特征提出基于形态重构和改进的直方图均衡化的边界增强算法;为了减少培养皿底板对分割的影响,引入均值平移滤波进行背景平滑。上述图像去噪、增强算法应用于分割的前期预处理,极大的减少了各类噪声对分割的影响。其次,为了获得全自动的分割方法,本文分析了一种非参数聚类算法——均值平移算法,并结合神经元干细胞灰度图像的特征,提出了基于均值平移和区域合并的细胞分割方法。此方法首先应用均值平移获得详细的初始过分割图像,然后构造了基于距离和面积的三层小区域合并方法,并据此合并初始过分割图像,最后引入非凸模型,对淹没于背景中的细胞缺失部分进行形状修正,获得最终分割结果。仿真结果表明此分割方法可以获得正确的细胞数目,并且分割的细胞轮廓接近真实的细胞轮廓。再次,针对上述分割算法步骤繁琐的问题,提出了基于几何蛇模型的改进的细胞图像分割,减少分割步骤。在改进的模型中引入曲率项来改善曲线演化中导致的形变,以获得平滑轮廓,并修正了引起曲线形变的外力参数,使得曲线更快的接近细胞轮廓,降低运算时间。此方法在细胞轮廓清晰时可获得很好的细胞形状,细胞轮廓模糊时,算法性能有所下降。最后,为了进一步分析细胞轮廓的需要,提出了基于组合分水岭算法和梯度矢量流的区域合并的细胞分割算法。初始的分水岭分割可获得较细致的边界,但存在严重过分割现象,针对这一问题,利用原始图像的梯度矢量流图构造的方向查询表,对过分割区域进行合并得到目标区域,再根据细胞的椭圆形状特征,对目标区域合并得到最后的分割结果。此方法可以获得较清晰的细胞轮廓,但算法对参数设置较敏感。综上所述,本文针对神经元干细胞灰度图像进行了深入研究,提出了相应前期图像去噪、增强算法和细胞图像分割算法。实际数据证明,本文提出的去噪、增强算法可以获得较好的前期预处理结果;提出的分割算法可以满足不同条件下的需求对细胞图像进行分割,从而为进一步工作打下了坚实的基础。