摘 要： 本文研究了一种显微细胞图像有形成分分割方法。首先，利用传统的边缘检测及阈值分割法对显微细胞图像有形成分进行分割比较，然后基于显微细胞图像特点提出了一种改进的二维最大熵阈值结合形态学分割方法。最后通过分割实验进行验证，结果表明利用本文方法能较好地实现显微细胞图像有形成分分割。所以本文提出的分割方法在医学上具有一定的实用价值。
关键词： 显微细胞；有形成分；分割；熵值
0 引言
显微细胞是构成人体的重要组成部分，广泛存在于人体的血液、体液、尿液等样本中。显微细胞主要包括红细胞、白细胞、上皮细胞、管型、结晶等，其结构、形态、数量的变化都将影响人体机能的正常运行，危害人体健康。显微细胞检测是医院的一项重要的细胞检测手段，它主要是通过在显微镜下观察显微细胞的数目、形态、大小等特征来判定人体的身体健康状况。目前，医学上大多采用传统的人工检测手段，这种方法是人工直接利用显微镜观察样本情况，其存在许多弊端：观测时间较长，容易产生视觉疲劳；仪器、采样等容易引起噪声污染及模糊图像；重复性差，难于标准化，不利于临床动态观察[1-2]。这些弊端的存在使得医学诊断的准确性受影响，因此人工镜检已经很难适应医院大批量的现代化检测要求。而随着计算机技术以及机器视觉技术的飞速发展，基于机器视觉的显微细胞图像有形成分自动识别技术不断完善，医学上逐步利用计算机的高效率、高准确性特点，将医学工作和计算机视觉手段结合起来，用于自动诊断与识别。
基于机器视觉的显微细胞图像有形成分自动识别技术主要有图像预处理、图像分割、有形成分特征提取以及有形成分识别等技术。其中图像分割在整个显微细胞有形成分自动识别中极为关键。由于显微细胞图像本身的成分特点以及在采集过程中各方面的影响，获取的图像容易混入噪声，造成细胞显微图像光照不均、对比度低，这给显微细胞有形成分的分割带来了一定的难度[3]。本文主要针对显微细胞图像特点，并通过研究和比较传统的边缘检测法和阈值分割法，提出了一种二维最大熵阈值粗分割结合形态学二次分割的有形成分分割方法，较好地分割了显微细胞图像有形成分。
1 边缘检测分割方法
图像的边缘是图像最基本的特征，它在图像分析中起着关键的作用。对于显微细胞图像有形成分而言，在细胞区域有着明显的边缘，即是像素点灰度值的变化，这种变化可以用微分算子检测出来，通常是以一阶或者二阶导数的方式，这就叫边缘检测。其中Roberts、Sobel、Prewitt是基于一阶导数检测的边缘检测算子，它们利用各自的模板作为核与图像中的每个像素点做卷积和运算，然后选取合适的阈值以提取边缘。Laplace算子是基于二阶导数检测的边缘检测算子。Canny算子不属于微分检测算子范畴，它是在一定约束条件下推导出的边缘检测最优化算子。
2 阈值分割方法
为了实现阈值分割，需要将图像划分为目标灰度集合和背景灰度集合，且两个灰度集合可以用一个灰度级阈值进行分割，这种用阈值分割灰度级的计算方法就是图像的阈值处理。设图像为f（x，y），其灰度范围为[0，L-1]，在0和L-1之间选择一个合适的阈值T，则图像分割方法可描述为：
在阈值分割中，阈值的选择合适与否直接决定了图像分割结果的准确性。基于阈值的分割方法有很多种，本节主要介绍直方图双峰法、迭代阈值法、Otsu阈值法。
2.1 直方图双峰法
在图像的灰度直方图上找出目标与背景出现的高峰，两高峰的低谷处即阈值。双峰法的优点是算法易于理解并容易实现[4]。但从效果图上看，只有当图像的背景颜色与前景颜色相差较大时，原始图像分割效果较好。
2.2 迭代阈值法
迭代法是基于逼近的原理[5]，图像的最大灰度值为Max、最小灰度值为Min，则初始阈值为：
T0=（Max+Min）/2（2）
阈值Tk可将图像划分为目标和背景，求出目标和背景的平均灰度值为Z0和Zb，此时阈值为：
Tk+1=（Z0+Zb）/2（3）
如果Tk=Tk+1，则为所求阈值；反之利用式（3）进行迭代计算。经验证，利用迭代法进行阈值分割的效果较好，可将图像的目标区域和背景区域合理地分离。但图像的微小部分仍会存有缺陷。
2.3 Otsu阈值法
Otsu法[6]是一种使类间方差最大来自动确定阈值的方法，其算法简单、速度快。设图像有L个灰度级，灰度级为i的像素为ni，则总的像素
，每个灰度级的概率为pi=ni/N，设灰度1~T级的像素B为背景区域，灰度级 T+1~L-1的像素O为目标区域。B和O的概率分别为：
T在[0，L-1]范围内依次取值，使得最大时的T值即为Otsu法的最佳阈值。
3 基于平滑后的二维最大熵阈值粗分割与形态学精细分割的结合
3.1 改进的二维最大熵阈值粗分割
（1）显微细胞图像区域灰度特征包含了图像的部分空间信息，并且对噪声敏感程度相比点灰度特征较弱。因此利用显微图像的点灰度和区域灰度特征就可较好地表征显微细胞图像的信息，改善图像的分割质量，实现二维直方图最大熵阈值分割[7]。
设显微细胞原图像f（x，y）的灰度级数为L，图像的大小为M×N，经过对原图进行邻域平均得到另一显微细胞图像g（x，y），它的灰度级仍为L，图像大小不变。两图像灰度级共同构成一个二元函数z（i，j）=[f（x，y），g（x，y）]M×N。设nij为图像中点灰度为i及其区域灰度均值为j的像素点数，pij为点灰度与区域灰度均值对（i，j）发生的概率，则：
用像素灰度等于s和邻域平均灰度等于t的两个值来划分图像二维灰度直方图，如图1为二维直方图xoy平面图，其中A和B分别代表目标与背景（或相反），远离对角线的C和D代表边界噪声。
定义二维离散熵为：
定义后每个区概率为PA、PB、PC、PD，那么：
相应的A区域的二维熵为：
式中：
由于远离对角线的C和D区域包含关于噪声和边缘的信息，概率较小，可以忽略不计，因此得到：
熵的判别函数为：
该算法能够克服因灰度分布集中，灰度直方图呈现峰、谷不明显以致难以获取最佳阈值的缺陷。
（2）在研究分析中发现，利用此方法进行分割耗时较长，主要是因为阈值的选取是在二维空间中计算，复杂度大。这就需要对其进行改进来减少算法运行时间。本文提出一种改进阈值选取方法如图2所示。
以图中的对角线为阈值把直方图划分为E、F两个区域。将像素灰度值与邻域平均灰度值小于N的所有的像素点划分为一类，则大于N值为另外一类，分别代表图像中的目标和背景。此方法就是把像素灰度值和邻域平均灰度值之和相等的像素点划分为一组，划分值以每个组为单位，即划分值增加一个单位就会相应地增加一组像素点。此类方法等效于先用均值滤波器对图像做平滑处理，再对图像进行分割。
将计算从二维简化为一维，此时只需计算图2中E的PE和HE：
熵的判定函数定义为：
在上式中其实是用沿对角线方向的分割线将直方图分为2（L-1）条组带，用在0~2（L-1）间变化的N作为划分阈值，这就将二维复杂运算降为一维，大大缩短了运算时间，在平滑处理前与处理后的分割时间对比如表1所示。
3.2 数学形态学二次精细分割
在采用二维最大熵阈值分割方法分割显微细胞图像后，虽然能够较好地提取显微细胞的边缘，但在显微细胞图像中出现了一些不是细胞区域的杂点，并且边界还会有微小断裂以及细胞孔洞的存在。因此就要利用相关的方法进行二次精细分割。本文利用数学形态学中开闭操作以及填充的方法来完成显微细胞图像的精细分割。
最终的分割流程：首先用中值滤波去除图像中噪声，再对显微细胞图像进行平滑处理，有利于减少误差和加快运算速度；接着利用二维最大熵方法完成粗分割；最后用形态学方法完成精细分割。
4 显微细胞图像分割实验及分析
在分析研究了不同的图像分割方法之后，就要利用以上边缘检测方法以及阈值分割方法对显微细胞图像进行分割实验，利用边缘检测中的Sobel算子、Roberts算子以及Canny算子对显微细胞图像的分割效果如图3所示。从图中可以看到在利用边缘检测算子对显微细胞图像进行分割的边缘提取的效果较差，Sobel算子和Roberts算子提取的边缘不够完善，很多边缘都是断裂的；而利用Canny算子提取过于细致，许多噪声点也被提取出来，干扰太大。因此，利用边缘检测的方法不能很好地分割显微细胞图像。
根据显微细胞图像的灰度直方图，利用直方图双峰法、迭代阈值法及Otsu阈值法对显微细胞图像进行分割，其分割结果如图4所示。从图中可以看到基于阈值分割方法同样未能很好地分割出显微细胞边缘，这是因为显微细胞图像的对比度低，在其直方图中呈现单峰，导致阈值选取困难，分割效果不理想。
最后利用本文的分割方法对显微细胞图像进行分割，效果如图5所示。由实验效果图可以看到，利用本文的分割方法能够较好地将显微细胞图像中的有形成分区域分割出来，细胞边缘较其他几类方法完整，并且无其他杂点的存在，得到了较为精细的细胞有形成分二值图像，这说明本文的分割方法是比较好的。
5 结论
本文研究比较了传统的边缘检测及阈值分割法在显微细胞图像分割中的应用，分析了分割结果，提出了一种改进的二维最大熵阈值粗分割结合形态学精细分割的显微细胞图像有形成分优化分割方法。实验结果表明该方法运行速度快，能较好地分割出显微细胞图像有形成分区域，因此，本文的分割方法在医学上具有一定的实用价值。
参考文献
[1] 顾可梁.尿有形成分的识别与检查方法的选择[J].中华检验医学杂志，2005，28（6）：572-575.
[2] 梁光明.体液细胞图像有形成分智能识别关键技术研究[D].长沙：国防科学技术大学，2008.
[3] HANCE G A， UMBAUGH S E， MOSS R H， et al. Unsupervised color image segmentation with application to skin tumor borders[J]. IEEE Engineering in Medicine and Biology， 1996，15（1）：104-111.
[4] SEZGIN M， SANKUR B. Survey over image thresholding techniques and quantitative performance evaluation[J]. Journal of Electronic Imaging， 2003，13（1）：146-165.
[5] 谭优，王泽勇.图像阈值分割算法实用技术研究与比较[J].微计算机信息，2007，23（24）：298-299.
[6] 李靖宇，穆伟斌，金成，等.图像分割在医学图像处理中的应用研究[J].微型机与应用，2012，31（8）：29-31.
[7] 张新明，张爱丽，郑延斌，等.二维最优进化图像分割算法[J].微型机与应用，2012，31（13）：38-45.