王爽 王彤靈

摘 要：宮頸細(xì)胞圖像分割中邊緣信息十分重要。將邊緣信息融入傳統(tǒng)CV模型，提出新的幾何模型，結(jié)合同質(zhì)區(qū)域與邊緣信息的新模型彌補(bǔ)了CV模型只采用全局灰度信息的不足，邊緣函數(shù)采用負(fù)指數(shù)形式使得細(xì)胞邊界分割結(jié)果更加準(zhǔn)確。實(shí)驗(yàn)結(jié)果表明：新模型能克服傳統(tǒng)CV模型缺點(diǎn)，并減少迭代次數(shù)。

關(guān)鍵詞：邊緣信息；CV模型；負(fù)指數(shù)

Abstract：Edge information is crucial for image segmentation. Because of the disadvantage of C-V model， a new geometric model is proposed， which incorporates edge information into C-V model， it utilizes both the information of homogeneous regions and the edge information to stop the active contours on the object boundaries. Besides， edge function adopts negative exponent compare to C-V model only adapts global gray information. Experimental results show that the fused method not only overcome the disadvantage of C-V model to ensure the accurate segmentation but also decrease iterations.

Key words：edge information；C-V model；negative exponent

當(dāng)今，醫(yī)學(xué)圖像在醫(yī)療診斷中起著重要的作用。其中CV模型利用目標(biāo)區(qū)域的檢測(cè)實(shí)現(xiàn)圖像分割，在宮頸細(xì)胞圖像分割中應(yīng)用廣泛。

如文獻(xiàn)[ 1 ]提出的一種自動(dòng)分割細(xì)胞核與細(xì)胞質(zhì)的方法研究，對(duì)重疊細(xì)胞分割效果好；

如文獻(xiàn)[ 2 ]的基于改進(jìn)CV模型的圖像分割研究，實(shí)現(xiàn)了對(duì)彩色細(xì)胞的有效分割；

如文獻(xiàn)[ 3 ]提出的基于局部相位信息的CV模型分割研究，有效分割含斑點(diǎn)噪聲和弱邊緣特征圖像。

本文對(duì)現(xiàn)有宮頸細(xì)胞圖像目標(biāo)灰度不均勻、對(duì)比度低下等情況，對(duì)CV模型算法進(jìn)行改進(jìn)，提出了適合宮頸細(xì)胞圖像分割算法，并對(duì)改進(jìn)算法進(jìn)行實(shí)驗(yàn)測(cè)試。

1 傳統(tǒng)CV模型

傳統(tǒng)CV模型將圖像分為物體和背景兩部分，如圖1所示。圖像I（x，y）的能量泛函表示為：

當(dāng)將能量泛函最小化時(shí)，能驅(qū)動(dòng)閉合輪廓曲線向目標(biāo)邊界演化，當(dāng)最小化過程達(dá)到穩(wěn)定時(shí)，演化曲線停止在目標(biāo)邊界[ 4 ]。

2 結(jié)合邊緣信息的CV模型

2.1 CV模型的特殊情況

通過分析傳統(tǒng)CV模型存在的一些不足之處，將邊緣信息融入CV模型。

CV模型能量泛函的特殊情況下控制演化曲線的偏微分方程：

添加邊緣函數(shù)g替換δ（?），而式中的div

計(jì)算量大，并且有對(duì)水平集函數(shù)重新初始化的要求，忽略細(xì)胞輪廓平滑對(duì)分割計(jì)算要求，在分割效率和性能上進(jìn)行折中。得到本文模型的水平集演化方程：

2.2 構(gòu)造邊緣g函數(shù)

邊緣函數(shù)g的作用是使演化曲線在目標(biāo)邊緣處停止演化。通常情況下定義為：

4 結(jié)論

本文通過對(duì)CV模型進(jìn)行，添加負(fù)指數(shù)形式的邊緣函數(shù)，加強(qiáng)了對(duì)邊界對(duì)比度低、目標(biāo)灰度或背景灰度不均勻的細(xì)胞圖像的分割。比傳統(tǒng)CV模型演化效率及演化質(zhì)量更好。但是，本文方法仍有不足之處，即細(xì)胞重疊的問題，在以后的工作中，需要進(jìn)一步研究。

參考文獻(xiàn)：

[1] Z.Lu et al.，“Automated nucleus and cytoplasm segmentation of overlapping cervical cells，” in MICCAI，2013.

[2] X.Yang，X. Gao， D. Tao， and X. Li，“Improving level set method for fast auroral oval segmentation，” IEEE Trans. Image Process.， vol. 23， no. 7， pp. 2854-2865， Jul.2014.

[3] 徐宇貴.基于改進(jìn)型C-V 模型的醫(yī)學(xué)超聲圖像分割及應(yīng)用[D].汕頭大學(xué)，2013.

[4] 張芹.基于改進(jìn)CV模型的圖像分割技術(shù)研究[D].山東師范大學(xué)，2013.

[5] 張弘.數(shù)字圖像處理與分析[M].北京：機(jī)械工業(yè)出版社，2007：113-121.

[6] 范金坪.宮頸細(xì)胞圖像分割和識(shí)別方法研究[D].暨南大學(xué)，2010.

作者簡(jiǎn)介：

王爽（1990-），女，漢族，山東人，碩士，研究方向：圖像處理與分析。