1.一种相衬显微细胞图像分割方法,其特征在于,包括如下步骤:接收输入的相衬显微细胞图像作为原始图像;
对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像;
对低通系数图像作改进形态学变换以获得增强低通系数图像;
对高通系数图像作自适应阈值处理以获得消噪高通系数图像;
将增强低通系数图像和消噪高通系数图像结合并作双树复小波逆变换以获得重构图像;
对重构图像作经验梯度阈值分割得到预分割图像;
根据双树复小波分解的低通系数图像对预分割图像进行改进标记分水岭变换以获得细胞分割结果;
将细胞分割结果叠加在原始图像上,作为可视化的分割结果输出;
所述对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像,具体为:所述双树复小波变换的第一滤波器采用双正交滤波器,第二滤波器采用长度为N的正交希尔伯特Q‑shift分析滤波器处理;原始图像经所述双树复小波变换输出四个级别的双树复小波变换图像,每个级别的小波系数图像均包含多个低通系数图像和多个高通系数图像;
所述对低通系数图像作改进形态学变换以获得增强低通系数图像,具体为:对低通系数图像作顶帽变换以提取图像中的明亮区域,获得明亮图像Lw;
对低通系数图像作底帽变换以提取图像中的暗淡区域,获得暗淡图像Lb;
低通系数图像加上明亮图像并减去暗淡图像,获得增强低通系数图像,表示如下:Len=L+Lw‑Lb;
其中,Len表示增强低通系数图像,L表示低通系数图像;
所述明亮图像Lw和所述暗淡图像Lb表示为
其中, 为形态学开运算,为形态学闭运算;B为盘形结构元素,每个级别采用不同大小的盘形结构元素B;
所述对高通系数图像作自适应阈值处理以获得消噪高通系数图像,表示为其中, 为消噪高通系数图像,H为高通系数图像,sign为符号函数,max为取最大值函数,C为根据高通系数图像灰度值分布设定的去噪阈值, 其中,噪声标准差|Hi,j|表示高通系数图像灰度值的绝对值,Median为高通系数图像灰度值的中位数,含噪高通系数图像方差 根据高通系数图像本身求出;
所述对重构图像作经验梯度阈值分割得到预分割图像,具体为:首先,选择Dice系数最大的Sobel算子计算重构图像的梯度,获得梯度图像;
其次,计算梯度图像的直方图,将其分为1000个分区,并对梯度图像的直方图的累计总和归一化,获得归一化直方图;计算归一化直方图中最大的前3个值的平均值;
再次,根据归一化直方图中最大的前3个值的平均值,计算归一化直方图的下限和上限,求取归一化直方图的下限和上限之间的归一化直方图面积,作为面积X;
最后,根据面积X求得梯度百分位值Y,具体由已知经验公式Y=aX+b求取,a为1.1538,b为91.6836;根据梯度百分位值Y求取梯度阈值,利用梯度阈值进行梯度分割并进行形态学后处理,得到预分割图像;
所述根据梯度百分位值Y求取梯度阈值,具体为对去除0值后的梯度图像进行升序排列后得到图像G2,将梯度百分位值Y与图像G2的长度相乘后取整得到位置索引index,取G2(index+1)的值作为梯度阈值;
所述根据双树复小波分解的低通系数图像对预分割图像进行改进标记分水岭变换以获得细胞分割结果,包括以下步骤:对预分割图像进行标记,得到区域标记个数N1;
根据第三级别的低通系数图像统计种子点个数,记为N2;
当N2>>N1时,记种子点个数为0,不进行分水岭变换,将预分割图像作为分割图像;否则以种子点个数N2对预分割图像进行分水岭变换,获得分割图像;
采用圆形均值滤波器对分割结果进行光滑处理,得到细胞分割结果。
2.根据权利要求1所述的相衬显微细胞图像分割方法,其特征在于,所述消噪高通系数图像在输出前还进行高斯滤波,高斯核为0.5,滤波器为大小3×3的方形滤波器,滤波方式为空间域滤波。
3.根据权利要求1所述的相衬显微细胞图像分割方法,其特征在于,所述重构图像在输出前还进行对比度调整,进一步增强重构图像。
4.一种相衬显微细胞图像分割系统,其特征在于,包括:输入模块,接收输入的相衬显微细胞图像作为原始图像;
双树复小波变换模块,对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像;
改进形态学变换模块,对低通系数图像作改进形态学变换以获得增强低通系数图像;
自适应阈值处理模块,对高通系数图像作自适应阈值处理以获得消噪高通系数图像;
双树复小波逆变换模块,将增强低通系数图像和消噪高通系数图像结合并作双树复小波逆变换以获得重构图像;
分割模块,对重构图像作经验梯度阈值分割得到预分割图像;
改进标记分水岭变换模块,根据双树复小波分解的低通系数对预分割图像进行改进标记分水岭变换以获得细胞分割结果;
可视化输出模块,将细胞分割结果叠加在原始图像上,作为可视化的分割结果输出;
所述对原始图像作双树复小波变换以获得不同级别的高通系数图像和不同级别的低通系数图像,具体为:所述双树复小波变换的第一滤波器采用双正交滤波器,第二滤波器采用长度为N的正交希尔伯特Q‑shift分析滤波器处理;原始图像经所述双树复小波变换输出四个级别的双树复小波变换图像,每个级别的小波系数图像均包含多个低通系数图像和多个高通系数图像;所述对低通系数图像作改进形态学变换以获得增强低通系数图像,具体为:对低通系数图像作顶帽变换以提取图像中的明亮区域,获得明亮图像Lw;
对低通系数图像作底帽变换以提取图像中的暗淡区域,获得暗淡图像Lb;
低通系数图像加上明亮图像并减去暗淡图像,获得增强低通系数图像,表示如下:Len=L+Lw‑Lb;
其中,Len表示增强低通系数图像,L表示低通系数图像;
所述明亮图像Lw和所述暗淡图像Lb表示为
其中, 为形态学开运算, 为形态学闭运算;B为盘形结构元素,每个级别采用不同大小的盘形结构元素B;
所述对高通系数图像作自适应阈值处理以获得消噪高通系数图像,表示为其中, 为消噪高通系数图像,H为高通系数图像,sign为符号函数,max为取最大值函数,C为根据高通系数图像灰度值分布设定的去噪阈值, 其中,噪声标准差|Hi,j|表示高通系数图像灰度值的绝对值,Median为高通系数图像灰度值的中位数,含噪高通系数图像方差 根据高通系数图像本身求出;
所述对重构图像作经验梯度阈值分割得到预分割图像,具体为:首先,选择Dice系数最大的Sobel算子计算重构图像的梯度,获得梯度图像;
其次,计算梯度图像的直方图,将其分为1000个分区,并对梯度图像的直方图的累计总和归一化,获得归一化直方图;计算归一化直方图中最大的前3个值的平均值;
再次,根据归一化直方图中最大的前3个值的平均值,计算归一化直方图的下限和上限,求取归一化直方图的下限和上限之间的归一化直方图面积,作为面积X;
最后,根据面积X求得梯度百分位值Y,具体由已知经验公式Y=aX+b求取,a为1.1538,b为91.6836;根据梯度百分位值Y求取梯度阈值,利用梯度阈值进行梯度分割并进行形态学后处理,得到预分割图像;
所述根据梯度百分位值Y求取梯度阈值,具体为对去除0值后的梯度图像进行升序排列后得到图像G2,将梯度百分位值Y与图像G2的长度相乘后取整得到位置索引index,取G2(index+1)的值作为梯度阈值;
所述根据双树复小波分解的低通系数图像对预分割图像进行改进标记分水岭变换以获得细胞分割结果,包括以下步骤:对预分割图像进行标记,得到区域标记个数N1;
根据第三级别的低通系数图像统计种子点个数,记为N2;
当N2>>N1时,记种子点个数为0,不进行分水岭变换,将预分割图像作为分割图像;否则以种子点个数N2对预分割图像进行分水岭变换,获得分割图像;
采用圆形均值滤波器对分割结果进行光滑处理,得到细胞分割结果。