一种基于粒子群优化ITTI模型的白细胞区域提取方法技术

本发明专利技术公开了一种基于粒子群优化ITTI模型的白细胞区域提取方法，属于图像处理技术领域。本发明专利技术首先利用高斯滤波和多尺度归一化的方法，分别提取原始灰度图的方向、亮度、颜色显著性特征，再根据人眼对视觉特性贡献不一致的原理对三种显著性特征采用自适应系数相融合的方式得到显著图，最后利用基于改进的粒子群优化算法的Otsu法对显著图进行感兴趣区域的提取，即可得到完整的白细胞区域。实验表明，利用本发明专利技术方法与其它提取骨髓细胞图像感兴趣区域的方法相比较，本发明专利技术可以更好的提取完整的白细胞区域。

【技术实现步骤摘要】

本专利技术涉及图像处理
，更具体地说，涉及一种基于粒子群优化ITTI模型的白细胞区域提取方法。
技术介绍
白细胞作为“人体卫士”，在与疾病斗争中起着重要的作用，不同类别的白细胞数量、形态发生异常对疾病的诊断都具有较高的价值。在实际应用中，病理检验人员发现病变的过程主要是通过在显微细胞图中寻找异常部分，而人工操作方式不可避免地产生工作量大、容易疲劳从而导致漏判、错判等问题。如果利用计算机自动提取细胞图像中人眼感兴趣的白细胞部分，那么可以显著提高人眼甄别异常的白细胞工作效率，对提取显微细胞图像感兴趣区域具有实际的应用价值。因此，在骨髓细胞图像中让计算机自动提取感兴趣的白细胞区域成为医学图像处理的迫切需求。目前，科研人员对图像感兴趣区域提取的方法存在着诸多研究，如基于注视点的方法、基于视觉注意模型的方法、基于特定对象分割的方法。在面对一个复杂场景，人类视觉系统会不由自主地、快速地将注意力集中在少数几个显著视觉对象上，并优先处理，该原理表明模仿人类视觉系统的计算模型更有利于快速提取图像感兴趣区域。感兴趣区域(RegionsofInterest，ROI)，就是在图像中引起人们兴趣和帮助进行图像理解的区域，通常彼此是连通的具有某种相似属性的“有意义”的像素集合。在检测医学骨髓细胞图像过程中，人眼会不自觉地将视线集中在白细胞区域，表明了白细胞区域是图像的感兴趣区域，利用计算机视觉模型提取骨髓细胞图像中的白细胞区域，为检测白细胞形态、数量及病理分析工作的关键前提，同时在专业应用中对细胞病理检测分析也奠定了技术基础。视觉显著性的研究主要集中于四种模型，即光谱剩余模型、Hu-Rajan-Chia模型、stentiford模型、ITTI视觉注意模型，由于分析医学显微细胞需经过瑞氏染色法处理，使得染色后图像颜色较为分明，研究发现细胞图像颜色特征贡献比较突出，而ITTI视觉模型主要利用颜色特征、方向特征、亮度特征进行图像感兴趣区域提取，充分利用染色处理后的特征优势使得ITTI视觉模型是较为合适的选择。但传统ITTI视觉模型存在提取图像显著性区域的准确度不高，无法提取完整的感兴趣区域的问题，一直无法达到较好的提取效果。ITTI模型是显著性区域的检测算法，其驱动模式符合人眼观察事物的处理过程，其核心是研究多个低层视觉特征的显著性特征算法，本专利技术充分利用这个优势特点，并进行改进可以较为完整的提取骨髓细胞图像中的白细胞区域。
技术实现思路
1.专利技术要解决的技术问题本专利技术根据人眼对不同显著性特征贡献不一致的原理，改变传统ITTI视觉模型中显著性特征结合的方式；并针对Otsu提取显著图的感兴趣区域产生的阈值不精确，运行时间长等问题，引入了基于粒子群优化算法的Otsu算法，提供了一种基于粒子群优化ITTI模型的白细胞区域提取方法，本专利技术首先利用高斯金字塔分解出方向、亮度、颜色特征分量，再经过中央周边算子和多尺度归一化运算得到三个分量的显著性特征图，然后采用改进的自适应系数相融合的方式得到显著图，最后利用基于改进的粒子群优化算法的Otsu法对显著图进行感兴趣区域的提取，本专利技术可以有效地提取骨髓细胞图像中的白细胞区域。2.技术方案传统的ITTI视觉模型应用在骨髓细胞图像中，提取的白细胞区域会有较多的噪声，使图像不清晰、不完整，效果难以满足病理检测人员的实际需求。本专利技术在传统ITTI视觉模型的基础上进行自适应系数结合显著性图的改进，并引用基于改进粒子群优化算法的Otsu法提取显著图中的感兴趣区域，可以得到较为完整、清晰的白细胞区域。为达到上述目的，本专利技术提供的技术方案为：本专利技术的一种基于粒子群优化ITTI模型的白细胞区域提取方法，其步骤为：步骤一、在医院血液内科采集经瑞氏染色法处理的骨髓细胞图像；步骤二、将步骤一所得骨髓细胞显微图像通过高斯滤波与隔行向下采样，分解出颜色特征金字塔、亮度特征金字塔、方向特征金字塔；步骤三、经过步骤二所述三种特征金字塔，再利用中央-周边差算子计算出12个颜色、24个方向、6个亮度共计42个多尺度显著性特征图；步骤四、对于步骤三所得不同尺度的显著性特征图，分别对三种显著性特征图采用归一化处理后再进行多尺度间求和，分别得到颜色显著图、亮度显著图、方向显著图；步骤五、利用自适应系数融合的方法将步骤四所得三类显著图合并成最终的显著图；步骤六、利用基于粒子群优化算法的Otsu法提取骨髓细胞图像中感兴趣区域。更进一步地，在原始的ITTI视觉模型中采用的是平均值求和的方法融合三类显著图，即假设经过多尺度归一化得到的颜色、亮度、方向的显著图分别用RGB00、I00、O00表示，则运算公式如下所示：S=13(RGB00+I00+O00)]]>上式S表示融合后的显著图，采用平均值计算方式求得显著图，只是简单的将三类显著性特征等量平均加权，没有充分考虑到人眼对显著性特征的贡献不一致的原理，实践发现，通过这种方法提取白细胞区域会产生较多噪声，影响对白细胞区域的判别。步骤五改进利用自适应系数融合的方法求得最终显著图的计算公式如下：S1＝RGB00(1-P)+P*I00S＝S1(1-P2)+P2*O00其中RGB00、I00、O00分别表示颜色显著图、亮度显著图、方向显著图；P表示骨髓细胞图像中亮度所占的比例，S1表示颜色显著图和亮度显著图通过自适应系数融合后的显著图；P2表示图像S1在原始细胞图像中像素面积所占的比例，S表示图像S1和方向显著图融合后的最终显著图。更进一步地，粒子群优化(ParticleSwarmOptimization，PSO)算法是基于群体智能理论的优化算法，它通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。该方法由美国的Kennedy和Eberhart受鸟群觅食行为的启发于1995年提出，该算法的基本原理是设种群共有N个粒子，搜索空间为D维空间，则粒子i(1≤i≤N)的位置可表示为xi，其飞行速度表示为Vi，经过的最佳适应值的位置记为pbesti，记全局最佳适应值的位置为gbesti，在每一次迭代中，粒子通过跟踪pbesti和gbesti来更新其速度和位置，骤六对粒子群优化算法进行改进，原速度和位置更新公式为：：Vik+1=wVik+C1r1(pbsekik-xik)+C2r2(gbsetik-xik)]]>xik+1=xik+Vik+1]]>改进后速度更新公式为：Vik+1=wVik+C1r1(pbsetik-xik)+C2r2(gbsetik-xik)+C3r3(x1-xik)]]>xik+1=xik+Vi本文档来自技高网...

【技术保护点】
一种基于粒子群优化ITTI模型的白细胞区域提取方法，其步骤为：步骤一、在医院检验科采集经瑞氏染色法处理的骨髓细胞图像；步骤二、将步骤一所得骨髓细胞显微图像通过高斯滤波与隔行向下采样，分解出颜色特征金字塔、亮度特征金字塔、方向特征金字塔；步骤三、经过步骤二所述三种特征金字塔，再利用中央‑周边差算子计算出12个颜色、24个方向、6个亮度共计42个多尺度显著性特征图；步骤四、对于步骤三所得不同尺度的显著性特征图，分别对三种显著性特征图采用归一化处理后再进行多尺度间求和，分别得到颜色显著图、亮度显著图、方向显著图；步骤五、利用自适应系数融合的方法将步骤四所得三类显著图合并成最终的显著图；步骤六、利用基于改进粒子群优化算法的Otsu法提取骨髓细胞图像中感兴趣区域。

【技术特征摘要】
1.一种基于粒子群优化ITTI模型的白细胞区域提取方法，其步骤为：
步骤一、在医院检验科采集经瑞氏染色法处理的骨髓细胞图像；
步骤二、将步骤一所得骨髓细胞显微图像通过高斯滤波与隔行向下采样，分解出颜色特
征金字塔、亮度特征金字塔、方向特征金字塔；
步骤三、经过步骤二所述三种特征金字塔，再利用中央-周边差算子计算出12个颜色、
24个方向、6个亮度共计42个多尺度显著性特征图；
步骤四、对于步骤三所得不同尺...

【专利技术属性】
技术研发人员：纪滨，杨盼盼，马丽，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：安徽;34