0 引言

    眼睛的角膜內(nèi)皮層由一層六角形內(nèi)皮細(xì)胞所形成，所以可以通過對(duì)角膜內(nèi)皮細(xì)胞形態(tài)的研究來預(yù)防和檢測(cè)細(xì)胞病變^[1]。在實(shí)際的采集過程中由于曝光不均勻使采集到的圖像明暗不均，細(xì)胞輪廓模糊不清。本文在圖像的預(yù)處理階段采用對(duì)比度自適應(yīng)直方圖均衡化方法以及同態(tài)濾波方法進(jìn)行圖像增強(qiáng)^[2]。在圖像分割方法上，傳統(tǒng)的OTSU算法^[3]對(duì)光照不均的圖像分割時(shí)效果非常不好，不能夠消除光照影響，使圖像暗部細(xì)節(jié)丟失，不利于觀察；而基于動(dòng)態(tài)分割的NiBlack算法雖然對(duì)光照不均的圖像有不錯(cuò)的分割效果，能夠優(yōu)化光照影響，但是該類型的算法時(shí)間成本普遍較高，也很難進(jìn)行實(shí)際應(yīng)用，所以本文提出了一種基于雙向多項(xiàng)式擬合的的動(dòng)態(tài)閾值分割算法，其在處理效果和時(shí)間成本上都得到了優(yōu)化，并同OTSU算法、NiBlack算法進(jìn)行了對(duì)比。最后應(yīng)用圖像形態(tài)學(xué)對(duì)分割后的圖像進(jìn)行填充、膨脹、腐蝕、取反細(xì)化得到細(xì)胞的形態(tài)學(xué)圖像。

1 角膜內(nèi)皮細(xì)胞圖像增強(qiáng)

    由于圖像采集過程中的非均勻照射以及噪聲影響，采集到的圖片會(huì)出現(xiàn)明暗的過度，所以在進(jìn)行圖像分割和二值化之前先對(duì)圖像進(jìn)行增強(qiáng)，圖像增強(qiáng)的過程如圖1所示。

    限制對(duì)比度自適應(yīng)直方圖均衡化方法^[4-5]（Contrast Limited Adaptive Histogram Equalization，CLAHE)是對(duì)自適應(yīng)直方圖均衡化方法的改進(jìn)。為了避免放大圖像中噪聲的對(duì)比度，該算法是在計(jì)算轉(zhuǎn)化函數(shù)之前通過剪裁直方圖來限制對(duì)比度的放大，同時(shí)繼承了對(duì)比度自適應(yīng)直方圖均衡化算法的優(yōu)點(diǎn)，使圖像的細(xì)節(jié)和輪廓更加清晰，因此本文采用了該算法來對(duì)圖像進(jìn)行增強(qiáng)。

    同態(tài)濾波^[6]方法是一種圖像頻域處理方法，該方法的原理是對(duì)圖像的灰度范圍進(jìn)行調(diào)整，消除圖像上照明不均的問題，在不損失亮區(qū)的圖像細(xì)節(jié)的情況下，增強(qiáng)暗區(qū)的圖像細(xì)節(jié)，對(duì)于明暗不均的圖像非常適用。

    通過上述方法，得到增強(qiáng)后的角膜內(nèi)皮細(xì)胞圖像，如圖2所示。

2 圖像二值化分割和形態(tài)學(xué)圖像處理

    本文主要提出一種新的二值化分割算法，即基于雙向多項(xiàng)式擬合的的動(dòng)態(tài)閾值分割算法，將本文算法得到的二值化分割結(jié)果同常用的OTSU法、NiBlack法^[7]二值化分割結(jié)果進(jìn)行了對(duì)比，再分別進(jìn)行填充、膨脹腐蝕、取反細(xì)化得到最后的細(xì)胞形態(tài)圖。

    曲線擬合是對(duì)平面上的n個(gè)點(diǎn)(x_i，y_i)，i=1，2，3，…，n，求取函數(shù)f(x)，使其在某種準(zhǔn)則下與原數(shù)據(jù)最為接近。線性最小二乘法是解決曲線擬合最常用的方法，其基本思想是^[8]，令：

其中r₁(x)是事先選定的一組函數(shù)，a_k是待定系數(shù)(k=1，2，…，m，m<n)，尋求a₁，a₂，…，a_m使式(2)最小，稱為最小二乘準(zhǔn)則，這種擬合方法稱為最小二乘擬合，其結(jié)果為：

則線性最小二乘擬合稱為多項(xiàng)式擬合^[9]。

    多項(xiàng)式擬合的一般方法可歸納為圖3。

    通過獲取增強(qiáng)圖像的任意一列向量來進(jìn)行多項(xiàng)式擬合，設(shè)置擬合多項(xiàng)式的次數(shù)n=8，得到如圖4(a)，對(duì)列向量曲圖與擬合后的曲圖比較可以發(fā)現(xiàn)擬合曲線將列向量曲線分割成了上下兩段，波峰波谷基本被均勻分割開，因此可以將擬合曲線看成是閾值分割線，將擬合曲線上方的列向量灰度值設(shè)為255，即上方的點(diǎn)全變換成白點(diǎn)，擬合曲線下方的行向量灰度值設(shè)為0，即下方的點(diǎn)全變換成黑點(diǎn)。同樣圖4(b)是取自增強(qiáng)圖像的任意一行向量進(jìn)行多項(xiàng)式擬合得到的。

    本文算法是根據(jù)上述原理，采用數(shù)據(jù)擬合的方法來動(dòng)態(tài)地確定局部閾值進(jìn)行二值化分割。與傳統(tǒng)的曲面擬合分割方法不同，本算法是先逐行地進(jìn)行數(shù)據(jù)擬合得到行擬合曲面，再逐列進(jìn)行數(shù)據(jù)擬合得到列擬合曲面，再將圖像曲面上(x，y)坐標(biāo)的灰度值與擬合后的的行擬合曲面和列擬合曲面該點(diǎn)的灰度值進(jìn)行比較后得出二值分割圖像^[10]，算法的具體步驟如圖5所示。

    得到行擬合曲面Z_x(x，y)和列擬合曲面Z_y(x，y)后，如果分別取Z_x(x，y)和Z_y(x，y)某一點(diǎn)的灰度值同原增強(qiáng)圖像曲面f(x，y)在該點(diǎn)的灰度值進(jìn)行比較運(yùn)算，即當(dāng)f(x，y)<Z_x(x，y)時(shí)，該點(diǎn)變?yōu)楹邳c(diǎn)，相反該點(diǎn)變?yōu)榘c(diǎn)。通過這種方法分別以行擬合曲面和列擬合曲面作為動(dòng)態(tài)閾值得到的二值分割結(jié)果如圖6(a)、(b)所示。從圖6(a)可以看出，行擬合曲面作為動(dòng)態(tài)閾值時(shí)對(duì)圖像縱向邊緣細(xì)節(jié)提取比較清晰，但是損失了大部分圖像的橫向邊緣細(xì)節(jié)。而圖6(b)可以看出，以列擬合曲面作為動(dòng)態(tài)閾值時(shí)對(duì)圖像橫向邊緣細(xì)節(jié)提取比較清晰，但是損失了大部分圖像的縱向邊緣細(xì)節(jié)。因此本文算法使兩幅圖像疊加得到了雙向都清晰的邊緣細(xì)節(jié)圖像，如圖6(c)，可以明顯看出疊加后的圖像邊緣輪廓細(xì)節(jié)清晰。

3 實(shí)驗(yàn)結(jié)果及分析

    通過OTSU算法、NiBlack算法及本文算法對(duì)角膜內(nèi)皮細(xì)胞增強(qiáng)處理后的圖像進(jìn)行二值分割處理，處理結(jié)果如圖7所示。

    通過圖7中各算法實(shí)驗(yàn)結(jié)果的比較可以發(fā)現(xiàn)只有NiBlack算法和本文算法能夠分割出細(xì)胞的形態(tài)特征，但是NiBlack算法分割后的圖像細(xì)胞內(nèi)部噪點(diǎn)太多對(duì)后期的填充腐蝕膨脹細(xì)化都會(huì)產(chǎn)生一定的影響，并且本文算法在處理該圖像時(shí)所用時(shí)間為1.076 4 s，NiBlack算法處理時(shí)間為10.296 1 s，NiBlack算法不利于實(shí)時(shí)圖像處理，本文算法能得到比較清晰的二值分割圖像，也能實(shí)現(xiàn)很好的實(shí)時(shí)性。

    對(duì)二值分割圖像運(yùn)用數(shù)學(xué)形態(tài)學(xué)運(yùn)算，依次進(jìn)行孔洞填充、腐蝕運(yùn)算、膨脹運(yùn)算、取反細(xì)化操作得到最終的細(xì)胞形態(tài)特征圖像^[11]，如圖8所示。

4 結(jié)束語

    本文在對(duì)角膜內(nèi)皮細(xì)胞進(jìn)行前期增強(qiáng)處理的過程中，針對(duì)非均勻光照情況下采集到的角膜內(nèi)皮細(xì)胞圖像采用限制對(duì)比度自適應(yīng)直方圖均衡化算法和同態(tài)濾波算法，得到經(jīng)過增強(qiáng)處理的細(xì)胞圖像后，在進(jìn)行二值化分割時(shí)，本文提出的算法同NiBlack算法、OTUS算法對(duì)比，無論是對(duì)圖像細(xì)胞輪廓的分割處理方面還是在處理速度的實(shí)時(shí)性上都得到了一定提升。該算法可以在醫(yī)學(xué)細(xì)胞圖像分割方面進(jìn)行應(yīng)用，同時(shí)可以使求得的擬合曲面的值乘以動(dòng)態(tài)K值，通過K值調(diào)節(jié)擬合曲面的高度使分割效果達(dá)到最佳。

參考文獻(xiàn)

[1] 溫暖.不同年齡和伴全身疾患老年人的角膜內(nèi)皮細(xì)胞觀察[D]. 溫州：溫州醫(yī)學(xué)院，2010.

[2] 胡竇明，趙海生，李云川，等. 一種基于同態(tài)濾波的紅外圖像增強(qiáng)新方法[J].紅外技術(shù)，2012，34(4)：224-228.

[3] GONZALEZ R C，WOODS R E，EDDINS S L.Digital image processing using MATLAB[M].Beijing：Publishing House of Electronics Industry，2005：120-123.

[4] BENGIO S，WESTON J，GRANGIER D.Label embedding trees for large muliti-class tasks[C].NIPS，2010：163-171.

[5] 須民健，習(xí)燕，廖強(qiáng)，等.多數(shù)據(jù)源融合的高速公路氣象識(shí)別方法[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2015(3)：78-82.

[6] 劉剛，王立香，董延.MATLAB數(shù)字圖像處理[M].北京：機(jī)械工業(yè)出版社，2010.

[7] 童立靖，張艷.幾種文本圖像二值化方法的對(duì)比分析[J].北方工業(yè)大學(xué)學(xué)報(bào)，2011，23(1)：25-33.

[8] 安朗，閆文濤.多分辨率圖像分類技術(shù)在鋼橋涂裝檢查中的應(yīng)用[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2014(12)：99-103.

[9] CUI Y，VOYLES R M，LANE J T，et al.Real-time software module design framework for building self-adaptive robotic systems[C].IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS)，2015：1-7.

[10] 趙靜，但琦.數(shù)學(xué)建模與數(shù)學(xué)實(shí)驗(yàn)[M].北京：高等教育出版社，2014.

[11] 章毓晉.圖像工程(中冊(cè))，圖像分析[M].北京：清華大學(xué)出版社，2012.