摘要显微图像定量分析已广泛用于病理诊断、病理管理系统、癌变分级分类等多方面的医学研究领域。细胞区分割提取是一个重要技术，直接关系诊断的可靠性。本文就从病理切片的彩色图像中提取细胞核的有关方法作了研究，提出了有效的分割方法和策略。该方法以数学形态学为主要工具，可以利用细胞的多个特征(灰度、梯度、彩色、纹理等)较好地解决了病理显微图像背景复杂、光照不均及粘连团聚现象等因素给分割带来的困难。

A Segmentation of Color Cell Image of Multi-Information

Ma Dong

(Department of Biomedical Engineering,Xi′an Jiaotong University, Xi′an 710049)

Cao Peijie

(Department of Biomedical Engineering,Xi′an Jiaotong University, Xi′an 710049)

Li Bin

(Department of Biomedical Engineering, Fourth Military Medical University, Xi′an 710032)

Cheng Jingzhi

(Department of Biomedical Engineering,Xi′an Jiaotong University, Xi′an 710049)

Abstract

An image segmentation processing for complicated color cell images is described. The mthod is based on a mathematical morphological region growing algorithm that makes use of complex features of a cell: grey level, gradients, color, and texture features. The problems and difficulty that the background of pathological microimages are complicated, illumination is not homogeneous, and there are adhesion and clustering, which make segmentation of the images difficult, can be dealt with in a better way.

Key words:Image segmentation; Color image; Mathematical morphology; Color space transform

0引言

目前，图像分析系统(IAS)已成为细胞学和组织学定量分析研究的有力工具。目前已用于血液白细胞自动分类、肺癌、胃癌等肿瘤细胞的识别、癌前病变的分级、细胞计数、纹理分析、病理图像检索与管理等许多方面，不仅减轻了人工分析的劳动，还提供了客观、定量的结果。要得到好的分类、分析效果或较高的识别率，要获得精确定量化特征参数，依赖于准确、快速并具可重复性的分割技术，换句话说，分割处理是IAS中的关键环节。

以往的IAS因客观限制，一般仅对灰度图像处理^［1］。对于细胞组织，主要通过染色技术观察不同物质。而成像系统转化为灰度图，丧失了重要的彩色信息，使一些细节上的差别很难区分。另外，从已有的报道看，大多数IAS采用自动或交互式阈值技术以提高处理速度，而单靠这一技术很难有可靠的分割结果。随着近几年低成本、高性能的CCD摄像机及计算机的出现，不仅可以建立真彩色图像处理系统，而且使用较复杂的算法处理大数据量图像已不太花费时间。

本文在真彩色IAS上开发了从显微图像中分割细胞(核)的方法，利用了细胞图像的彩色信息、亮度信息、边缘梯度信息等多种特征，通过将各信息进行加权组合实现改进的水坝分割算法，得到了满意的分割效果。

1显微图像分割方法分析

显微图像指将组织、细胞制成染色切片或涂片通过显微镜观察到的图像，可以分成许多种类。本文主要以细胞图像为研究对象。一幅染色显微图像十分复杂：细胞核染色深，但边界因染色扩散而与胞浆、背景存在色交叉区且核内物质分布不均；细胞浆染色浅，无固定形状，有泡孔；背景无染色，但可能因光照不均而使亮度分布不均，还含一些杂质、污点。另外，采用复染技术，阳性、阴性细胞呈不同颜色。

图像分割方法主要分为阈值法、边缘检测法、聚类分割法、区域生长法等。彩色图像阈值法是灰度图像阈值法的扩展，可以改善灰度图像的分割精度。交互式方法引起人为偏差，自动方法要基于图像中同类区域色差较小而不同区域间色差较大这样的假设，对实际细胞图像显然不太适合。不仅细胞与背景存在颜色交叉区，核内还存在较大颗粒(纹理)，使内部色分布不均匀。聚类法从某个角度看类似阈值法，所分的类别空间映射到图像空间中可能存在目标不连续或不连通情况。但聚类法因建立了多维持征空间，可以利用多种特征，对大多数情况分割效果较好。可惜好的聚类算法参数设置多且运算量太大。使用彩色边缘检测方法的难点是边界的连续性，如何合并各边缘段成为一个闭合域是较难的任务，一般采用启发式方法连接。但对于细节多的图像就更难了。基于区域的方法利用彩色相似性、空间连续性及边界对比度等决定区域的生长、合并或分裂，该方法可能因反复迭代而花费时间，种子点的位置也影响结果。

实际上，对于细胞图像的复杂情况，只能采取混合使用几种分割方法的策略，既提高分割精度，又减小难度和运算量。由上分析，我们认为对细胞图像的分割应在仔细研究处理景象的前提，按粗分—细分—修正三个阶段的分割策略。粗分包括预处理，确定目标范围或提取目标子集，细分过程将目标范围缩小或扩大目标子集直到分割出精细的目标区域，最后可通过人机交互方式剔除局部错误，修正偏差。

2彩色空间变换和数学形态学

2.1彩色空间变换

彩色图像由彩色CCD摄像机获得的由R、G、B三基色数据组成。大部分情况下，可以直接在RGB彩色空间处理图像，但对于分割目标可能在三维空间形成混叠的情况，有必要对彩色数据作变换，映射到其它彩色空间中(可以是一维的或二维的)，得到较好的分离效果。

采用K-L变换可以得到一组正交特征向量，而主向量代表了大部分彩色信息。虽然这种变换是最优的，但求特征矩阵的运算量太大。Ohta等^［2］经过大量实验得出有效特征集(I₁,I′₂,I′₃)证明接近K-L变换的结果。

其它一些彩色空间如Lab空间，HSI空间，YUV空间等反映了不同的彩色分布，对于特定的彩色细胞图像，可能某种空间很适合分割，但需累试确定。

2.2数学形态学

数学形态学提供的算法很适合对图像作形态处理，可以提取重要的形状特征^［3］。腐蚀、膨胀、开和闭运算是数学形态学的基本运算。用开运算处理图像，可以剔除结构元的细节，使边界平滑，消除尖峰、凸缘、切断狭细连接。用闭运算同样平滑边界，并填充小孔，消除凹沟等。

测地形态学是数学形态学的一个分支。水坝(Watershed)分割方法将测地理论的集合运算推广到灰度图像领域^［4］。其基本思想是：把灰度图像看作一种地理表面，灰度值对应表面的高低，因而地理表面存在许多峰、谷、盆地、高地等。如图1所示是两个相邻盆地，从盆地底部有泉水涌出，首先涌到较低的盆地，而后涌到较高盆地，称淹没过程。当两个盆地中的水即将会合时，建立一道水坝隔开，称水坝线。对整个地理表面实施淹没就会分割出许多区域。

使用水坝算法时，一般先对灰度图作梯度变换，则高梯度的边界对应水坝线。在实施水坝算法时，为克服过度分割，不是在所有盆地间建立水坝，而是从预先选好的标记盆地开始淹没，只在相邻标记的盆地间建立水坝，因而可分割出有意义的区域。

在水坝分割算法中，采用了多级队列的数据结构存贮待处理象素。一个象素按它的灰度(或梯度)值的高低送入相应排队级别的队列中。因为淹没过程从最低的盆地开始，所以灰度值越小优先级越高。需处理的象素首先从优先级高的队列中取出，当高级别队列为空时，再处理下一级队列中的象素，因而模拟了淹没过程。可以看出，水坝算法是边缘检测和类似区域生长过程的混合方法。

图1水坝分割方法的二维剖面图示

3分割算法

3.1粗分阶段

这一步骤对原始彩色图像作预处理，并依水坝分割算法需要，将代表各核区的细胞核标记及背景标记提取出来。

首先分别对R、G、B三个分量作中值滤波，滤除各分量中引入的随机噪声。按彩色模型定义，从RGB分量中求出亮度图像Ⅰ，并使Ⅰ的灰度范围在0～255间，将背景定义为低亮度，细胞核等为高亮度。对亮度图像使用开运算滤波，结构元取5×5到9×9大小的尺寸(对256×256分辨率的图像)以除去图像中的小的非核物质。

其次，提取标记区。经过滤波后的亮度图像在大部分情况下，细胞核与背景已具有较好的对比度，采用自动阈值法可提取出各核区的子区域。但对于较复杂的情况仍需由人工交互方式标记细胞核。背景区是核区关于整个图像集合的补集。由于核标记区是实际核区的子集，对标记区作若干次膨胀，次数由预实验确定，使膨胀区域大于实际核区，再求补即得到代表背景区的标记区。同样，对于较复杂的情况也需由人工交互方式方