林玉獅等

摘要摘要：將非線性擴散濾波和背景差分法相結(jié)合，提出了一種新的運動細胞檢測方法。通過在時間域內(nèi)使用非線性擴散濾波，消除了背景差分法對閾值的強依賴性，并消除了圖像噪聲，增強了圖像邊界。實驗結(jié)果表明，新方法能夠較好地檢測出運動細胞。

關(guān)鍵詞關(guān)鍵詞：運動細胞；背景差分法；非線性擴散濾波

DOIDOI：10.11907/rjdk.1431080

中圖分類號：TP301

文獻標識碼：A文章編號文章編號：16727800（2015）004002703

0引言

在生物醫(yī)藥學(xué)和疾病防治研究領(lǐng)域，為了進行針對性的研究，需要獲取細胞的各種參數(shù)，如運動軌跡、移動速度、分裂周期等。而這些參數(shù)的獲取，需要對細胞進行檢測和追蹤。細胞形態(tài)不確定性、交叉和重疊等因素，導(dǎo)致采取傳統(tǒng)手工分析方法效率和精準度都非常低下。因此，面對大量的細胞圖像數(shù)據(jù)，迫切需要一種高效、精準，且能夠自動對細胞行為進行分析的方法來對其加以處理。

在過去的幾十年中，細胞追蹤作為一個熱點課題，已經(jīng)被廣大學(xué)者所持續(xù)關(guān)注和研究。細胞檢測作為細胞追蹤中重要的第一步，同樣被科研工作者潛心研究。Meanshift算法和背景差分法是基于模型擴展的方法，Meanshift方法可以快速追蹤到視頻序列移動的物體，但通常并不能很好地描繪出物體的輪廓。在該領(lǐng)域內(nèi)Xiuzhuang和Yao[12]提出了一種較好方法，他們在粒子濾波框架中引入方向自適應(yīng)均值飄移算法，以此來提高細胞追蹤中的粒子濾波。Snake模型則要求相鄰的視頻幀之間要有重疊。Xufei等[3]提出使用背景差分法來追蹤非惰性細胞，他們在進行細胞追蹤前，通過使用分水嶺算法并結(jié)合細胞的特征來實現(xiàn)細胞的識別和分割。Fu shujun等[4]采用雙向擴散的非線性擴散濾波方程，實現(xiàn)圖像的邊緣檢測并增強圖像質(zhì)量。

本文提出了一種新的運動細胞檢測算法，在時間域內(nèi)采用非線性擴散濾波，可以在一個寬泛的范圍內(nèi)選擇出一個合適的閾值，消除了背景差分法對閾值的強依賴性。

1研究方法

1.1背景差分法

細胞追蹤的第一步就是要檢測出目標細胞。背景差分法[5]是對運動目標進行檢測的常用方法，它是基于模型擴展的一種方法。該方法的理論架構(gòu)如下：首先，需要建立背景模型，然后用當(dāng)前幀的圖像減去背景模型，把相減所得到的差分圖像與設(shè)定的閾值進行比較，若差分圖像閾值大于設(shè)定閾值，則表明該像素偏離背景模型較大，為檢測的運動目標像素，反之為背景像素。其理論公式如下：

其中，Gk（x，y）為當(dāng)前圖像幀，Bk（x，y）為背景模型，Rk（x，y）為相差圖像，即包含運動目標的二值化圖像，T為設(shè)置的閾值。1表示檢測到的目標像素，0表示背景像素。

背景差分法是一種很快速的方法，所需內(nèi)存較小。但是，該方法存在一個嚴重缺陷，即高度依賴于閾值的選擇。為了克服這種缺陷，本文提出了一種將非線性擴散濾波和背景差分法相結(jié)合的運動細胞檢測方法。

1.2非線性擴散濾波

近年來，對如何消除擴散過程中產(chǎn)生的噪聲相關(guān)研究較多。人們發(fā)現(xiàn)一種非線性方程可以達到消除噪聲并增強圖像邊界的目的，這就是非線性擴散濾波（Nonlinear Diffusion Filtering， NLD）[6]，它是圖像分割中對圖像多尺度描述的一種效果顯著的工具。非線性擴散濾波方法的使用由Prona和Malik[7]首先提出。他們在前人的基礎(chǔ)上面提出了PM模型，該模型以“高頻部分擴散系數(shù)小，低頻部分擴散系數(shù)大”為準則，將擴散系數(shù)表示為一個關(guān)于圖像梯度的函數(shù)，提出了在圖像處理中引入擴散系數(shù)方程，來實現(xiàn)圖像平滑。模型方程如下：

在背景差分法中引入NLD方法，用來消除噪聲強度。改進后的算法流程如圖1所示。

本實驗采用的樣本數(shù)據(jù)來源于醫(yī)院患者的精液樣本，是一個M×N維的T幀視頻序列，其分辨率為240×320像素，幀速為每秒25幀。如果采用背景差分法，則差分矩陣的維數(shù)是M×N×（T-1）。在T幀中（i，j）位置的像素強度（Ii，j）變化如圖2所示。通過選用一個適當(dāng)?shù)拈撝?，可以捕獲到從該位置移動過去的細胞，但如何選擇一個合適的閾值頗為困難。本文提出了基于NLD的背景差分法，通過對Ii，j使用一維的NLD方法來消除噪聲像素強度。如圖3所示，噪聲像素去除后，可以在一個寬泛的范圍中快速選擇出一個合適的閾值。

關(guān)于高維圖像的處理，本文對三維差分矩陣中的一行使用二維的NLD方法，來取代對每一個像素使用一維的NLD算法，以此來提高運算速率。隨后將其擴展到所有行中，這使得每一個差分幀之間閾值的選擇變得簡單。圖4給出了一組圖像在使用NLD算法前（左）后（右）的效果對比圖。因此，使用NLD算法可以降低選擇不同閾值時結(jié)果對閾值的依賴度。在NLD算法應(yīng)用完成后，再使用形態(tài)學(xué)方法，來消除圖像中的噪聲數(shù)據(jù)。2實驗結(jié)果及分析

為了對細胞檢測的精確度進行評估，本文定義的精確度是每一視頻序列中檢測到的運動細胞總數(shù)與全部運動細胞的比值。表1給出了對每一個序列中運動細胞檢測的精確度。表2給出了單獨使用背景差分法時的精確度。

從表1和表2中的實驗數(shù)據(jù)可以看出，使用本文方法對運動細胞進行檢測的平均精確度達到了91.24%，明顯高于單獨使用背景差分法時的平均精確度84.36%。實

驗結(jié)果表明，新方法可較好地檢測出運動細胞。

3結(jié)語

本文提出了一種新的方法來自動檢測運動細胞，通過在時間域內(nèi)使用非線性擴散濾波方法，能夠較容易地得到一個合適的閾值，建立起一個較少受噪聲影響并且更加精確的運動模型。實驗結(jié)果表明，新方法能夠較好地檢測出運動細胞。后續(xù)將深入研究一種新的匹配模式算法來對細胞進行追蹤。

參考文獻參考文獻：

[1]XIUZHUANG Z，YAO L.Efficient mean shift particle filter for sperm cells tracking[J].Int Conf Comput Intell Secur，2009（1）：335339.

[2]馬瑜，梁慧琳，張艷寧，等.基于圖像顏色紋理的均值漂移分割算法[J].計算機工程與設(shè)計，2013，34（5）：17211722.

[3]屈晶晶，辛云宏.連續(xù)幀間差分與背景差分相融合的運動目標檢測方法[J].光子學(xué)報，2014，43（7）：23.

[4]付樹軍，阮秋琦.基于非線性擴散濾波的邊緣檢測和圖像測量[J].光學(xué)精密工程，2007（2）：290291.

[5]盧章平，孔德飛，李小蕾，等.背景差分與三幀差分結(jié)合的運動目標檢測算法[J].計算機測量與控制，2013，21（12）：3316.

[6]FRIEDRICH BM，RIEDELKRUSE IH，HOWARD J，et al.Highprecision tracking of sperm swimming fine structure provide strong test of resistive force theory[J].Exp Biol，2010（2）：213216.

[7]PRONA P，MALIK J.Scalespace and edge detection using anisotropic diffusion[J].IEEE Trans Pattern Anal，1990（12）：629639.

[8]WEICKERT J，ROMENY BH，VIERGEVER MA.Efficient and reliable schemes for nonlinear diffusion filtering[J].IEEE Trans Image Process，1998（7）：398410.

責(zé)任編輯（責(zé)任編輯：孫娟）