1.一种基于PSO的多细胞位置与轮廓同步精确跟踪系统，其特征在于，包括基于PSO的跟踪模块，基于PSO的发现模块和基于PSO的轮廓模块；所述基于PSO的跟踪模块在利用已存在细胞的先验状态的基础上，得到细胞在当前帧中的初始状态；所述基于PSO的发现模块通过适当的粒子群初始化和搜索机制在整个图像中发现新细胞的初始状态；所述基于PSO的轮廓模块在得到细胞初始状态的基础上计算出细胞的轮廓，同时利用一个迭代的质心更新过程达到精确的跟踪。

2.根据权利要求1所述的多细胞位置与轮廓同步精确跟踪系统，其特征在于，所述系统是对于每一帧图象中的细胞分为两类：已存在细胞和新出现细胞，如果在上一帧中存在细胞，那么在当前帧中首先跟踪这些已存在细胞，然后再在图象中搜索新出现细胞；所述系统对于已存在细胞的跟踪，对于显著性指标最大的细胞，先通过基于PSO的跟踪模块得到细胞的初始状态，然后利用基于PSO的轮廓模块得到精确的细胞轮廓与位置，若成功跟踪到该细胞，细胞继续存在与当前帧中，否则该细胞消失；所述系统对于新细胞的跟踪，先通过基于PSO的发现模块得到细胞的初始状态，然后利用基于PSO的轮廓模块得到精确的细胞轮廓与位置，对于跟踪结果，若不能关联到已存在细胞，则认为发现一个新细胞，如果连续若干次的跟踪结果为杂波，认为当前帧中的所有细胞已被跟踪。

3.根据权利要求2所述的多细胞位置与轮廓同步精确跟踪系统，其特征在于，所述基于PSO的跟踪模块中的细胞显著性指标是通过细胞面积与轮廓信息联合产生。

4.根据权利要求1所述的多细胞位置与轮廓同步精确跟踪系统，其特征在于，所述基于PSO的跟踪模块的具体步骤为：

1)粒子群的初始化：已知在第t-1帧存在M个细胞 其中 表示细胞Kt-1(k)在第t-1帧中的状态(质心和轮廓)，对于其中显著性指标(在轮廓模块中讨论)最大的细胞Kt-1(k)，初始化一个种群规模为NT的粒子群 粒子状态为其中 和 分别为

第i个粒子代表的潜在细胞的质心横坐标，质心纵坐标，宽度和高度，粒子的初始状态为其中Σ为预定义一个对角矩阵， 表示细胞Kt-1(k)在第t帧中的预测状态， 和 分别为

细胞Kt-1(k)在第t-1和t-2帧中的全局最优粒子对应的状态，粒子的初始速度随机且分布在

2)基于PSO跟踪模块的适应度函数(为简化公式，上标t和下标Kt-1(k)被省略)：其 中，ε 是 一 个 极 小

值， 表示粒子 代表的矩形区域与当前帧中已被识别的细胞的重叠面积，fP(·)是RGB图像的相似度函数，kf(·)是高斯核函数 σ

由细胞Kt-1(k)的半径得到；

则粒子的个体最优 与全局最优 为：

3)修正的PSO算法：粒子的速度与状态更新公式为(为简化公式，上标t和下标Kt-1(k)被省略)其中， η1,η2∈(0,1)是在每一次迭代时产生的随机数；

4)收敛 条件：粒 子群 中大 部分 粒子 的 平均 适应 度大 于阈 值 (其中，L和W分别为图像Yt的长度和宽度，λ为调节系数)，或者达到最大迭代次数MI，粒子群的输出记为 如果 则表示跟踪到细胞 否则，该细胞消失，并被标记为丢失细胞

5.根据权利要求1所述的多细胞位置与轮廓同步精确跟踪系统，其特征在于，所述基于PSO的发现模块的具体步骤为：

1)粒子群的初始化：在第t帧图像中初始化一个种群规模为ND的粒子群 粒子状态为 粒子随机分布于图像Yt中，粒子的初始速度随机且分布在 j＝1,...,4；

2)基于PSO的发现模块的适应度函数：

其 中，ε 是 一 个 极 小 值，

表示粒子 代表的矩形区域与当前帧中已被识别的细胞 的重叠面积，fP(·)是RGB图像的相似度函数；

3)修正的PSO算法：参照基于PSO的跟踪模块第(3)步；

收敛条件： 或者 或者达到最大迭代次数MI，n1是一个正整数，粒子群的输出记为 如果 则认为 是一个杂波(虚警)，否则 是一个真实的细胞，如果 不能与丢失细胞 相关联(最近邻关联法)，则发现到一个新细胞，并标记为Kt(M)+1。

6.根据权利要求1所述的多细胞位置与轮廓同步精确跟踪系统，其特征在于，所述基于PSO的轮廓模块的具体步骤为：

1)粒子群的初始化：细胞的初始状态为 初始化m个方向其中 在每方向id上，初始化一个种群规模为NC的粒子群粒子状态为di,id＝di,id，表示粒子i与细胞质心[x0,y0]的距离，根据细胞尺寸[w0,h0]初始化粒子的搜索空间为S＝[max(Rmin,αRc),min(Rmax,βRc)]，其中Rc＝(w0+h0)/4，Rmin和Rmax为在图像序列中观测到的细胞最小半径和最大半径，α和β是调节系数，那么粒子的初始状态 粒子速度初始化为0；

2)基于PSO轮廓模块的适应度函数：

其中， N(x,y)表示像素

(x,y)的8邻域像素集合,|N(x,y)|表示集合N(x,y)中元素个数，I(·)为灰度值， 表示集合N(x,y)的平均灰度值，个体最优与全局最优更新公式：

3)改进的PSO算法：粒子的速度与状态更新公式为其中， 是群 的相邻群的输出，

对于群 在未发生质心更新时 发生质心更新之后为上一次各方向上PSO搜索结果的平均值，对于其他群， 其中 表示群的输出，η1,η2,η3∈(0,1)是在每次迭代时产生的随机数，群 迭代MIC次后的输出作为id方向上的轮廓采样点，则可以得到m个采样点

4)质心更新过程：计算不在细胞轮廓上的采样点个数 其中TH是在fd上利用Otsu方法计算得到的阈值，把 转化为2维状态(xg,id,yg,id)，如果[x0,y0]在细胞外，即Nout大于一个预定义的阈值，按照下式更新质心位置其中， 如果[x0,y0]在细胞内部，质心位置更新公式为 在每一次更新[x0,y0]之后，需要重新利用改进的PSO算法搜索出轮廓采样点，直到质心的偏移量很微小时停止更新；

最终的轮廓采样点为 顺序连接这些点后得到完整的细胞轮廓 是轮廓上的第i个像素点，细胞的显著性指标为其中A(PC)表示轮廓PC围城的细胞面积，fC(·)为适应度函数。