智能图像处理与分析识别课件：工程应用-血细胞图像检测.pptx

工程应用-血细胞图像检测

《工程应用-血细胞图像检测》血细胞图像检测13.1应用背景13.2血细胞图像形态学处理13.3血细胞图像阈值分割处理13.4血细胞图像霍夫圆检测13.5血细胞计数与面积计算

一切病源来自细胞的改变，小小的感冒，被称为众病之王的癌症，亦或者精神疾病，都是身体细胞出了故障所引起的。修复细胞的首要前提是检测异常细胞，即细胞识别检测。随着机器视觉行业的发展，机器已经可以代替人眼去对细胞进行检测计数。利用机器视觉除了能够检测细胞个数，还可以进一步对细胞状态进行检测识别，例如检测细胞的大小和形状是否异常，并对细胞异常的类型进行识别，方便医疗人员对患者病情的分析诊断。在血细胞图像检测的过程中，图像分割尤为重要，它直接决定了计数和所计算参数的准确程度。本章将着重介绍用于血细胞检测的数字图像处理技术的实现过程，对多种图像分割算法展开对比，实现血细胞的计数及面积特征的提取。本工程应用中的血细胞图像检测内容主要包括计数和面积统计，具体分为以下步骤：（1）利用形态学方法对细胞图像进行分割处理；（2）利用全局阈值和动态阈值对细胞图像进行分割处理；（3）利用霍夫圆检测方法对细胞图像进行分割处理；（4）分别基于上述三种方法的分割结果进行细胞计数和细胞面积计算。原始细胞图像13.1应用背景

预处理13.2血细胞图像形态学处理原始细胞图像如左图所示，细胞之间相互重叠，且图像中存在大量的噪声。细胞检测的首要任务就是对细胞图像进行预处理，增强细胞的像素信息，去除图像中的噪声信息。在本工程应用中，我们的最终目的是通过图像处理来实现细胞计数和细胞面积大小的计算。原始细胞图像二值化开运算形态学分割误腐蚀细胞复原边缘处理删除边界干扰区域

13.2血细胞图像形态学处理(1)二值化在对细胞进行分割之前，首先将图像转换为二值图。二值化的方法有很多，本案例中采用最大类间方差法，也称OTSU法或大津法，它是按图像前景和背景的灰度方差最大的特性，将图像分成背景和前景两部分。形态学操作腐蚀主要用来去除二值化图像中的小噪点。开运算是形态学中常用的一种处理方法，指先腐蚀后膨胀的复合操作，这种方法不仅可以去除小噪点，还能够分离出那些没有紧密连接的细胞。由于细胞多为圆形，因此结构函数可以选取盘形（‘disk’）的结构元素。13.2.1图像预处理（a）二值化图像（b）填充去噪图像(2)开运算

13.2血细胞图像形态学处理上一步中的开运算明显减少了细胞间的粘连，但仍有许多细胞粘接在一起无法分割。增大disk的半径，可以进一步减少粘连，但是disk越大，细胞变形就会越严重，甚至会消失。如右图所示，此时的开运算由于过度腐蚀，已经摧毁了一些细胞，因此应该采取一定的措施恢复误腐蚀的细胞。13.2.2形态学分割粘连细胞误腐蚀细胞复原①

13.2血细胞图像形态学处理对开运算后的图像和细胞填充后的图像之间进行减法运算可以得到差值图像，（a）所示。可以看到，差值图像中存在很多细胞边缘，对于误腐蚀的细胞来说，这些细胞边缘的存在即为噪声。为了消除这些细胞的边缘，可以设置一个相对较小的disk对差值图像做开运算，运算结果如图（b）所示。13.2.2形态学分割误腐蚀细胞复原②a）差值图像b）误腐蚀的细胞图像

13.2血细胞图像形态学处理接下来设置一个比较大的disk，这么做的目的有两个：一是彻底分离细胞，二是不要使任何细胞消失。如图（c）所示。最后，（b）和（c）进行加法运算，则由于开运算而丢失的细胞将返回到图像中，且所有的细胞都是独立的，方便细胞计数，如图（d）所示。13.2.2形态学分割误腐蚀细胞复原③c）填充去噪细胞腐蚀图像d）误腐蚀细胞复原图像

13.2血细胞图像形态学处理图像中各白色的连通域即为一个个独立的细胞，而四周白色区域会对后续的计数和面积计算造成影响，且边缘处存在部分不完整的细胞，在细胞计数和参数计算时可不予以考虑，因此需要将其删除。采用imclearborder()函数，可以将边界处的白色区域删除。13.2.3细胞图像边缘处理误腐蚀细胞复原图像删除边界白色干扰区域删除边界干扰区域

13.3血细胞图像阈值分割处理阈值分割是一种简单有效的图像分割方法，适用于分割前景与背景有较强对比度的图像。利用阈值分割，所有灰度大于或等于阈值的像素被判定为目标物体，反之像素点将被排除在物体区域以外判定为背景，即用灰度值255表示前景，灰度值0表示背景。阈值分割全局阈值分割迭代法OTSU动态阈值分割迭代法OTSU目标提取

13.3血细胞图像阈值分割处理13.3.1全局阈值分割-迭代法迭代法阈值分割步骤如