基于小波变换的细胞图像处理综述.doc

基于小波变换的细胞图像分割方法研究 陈晨1 （大学，） ell Image Segmentation Based on Wavelet Transform Chen Chen1 (1.Nantong University, Nantong Jiangsu 226019 China) Abstract: Cell image segmentation has become a hot spot for domestic and foreign scholars to study, and adhesion of cell image analysis and identification is now the thorny problem of researchers. Although the theory of wavelet at this stage is relatively mature, but in recent years on the application of wavelet theory in cell image analysis and recognition is in constant development and updating. In this paper, by introducing the trend of cell image segmentation method, wavelet application is applied to edge detection and image segmentation, and the research status and advantages of wavelet are analyzed. Keywords: cell adhesion, image segmentation, wavelet transform 0 引言 21 世纪以来，计算机图像处理技术在生物、医学领域迅速发展，人们研制出许多可对细胞图像进行自动分析和识别的系统，其中分割粘连细胞也成为自动识别系统的一个重要环节，因而成为国内外学者研究的一个热点。在一个全自动细胞图像分析系统中，细胞图像分割是主要功能模块之一，分割结果的好坏直接关系到接下来细胞图像识别和理解的过程。一般细胞图像分割就是从一幅包含了多个细胞和背景的复杂图像中分离出目标细胞的方法，是对细胞切片图像中的细胞进行信息提取、分析与研究的重要前提。近年来，许多学者提出了许多关于细胞图像分割的方法。然而，由于细胞图像比较复杂（大多是由于显微技术、细胞类型、染色剂以及细胞密度的不同导致的），在细胞分割领域，分离重叠的或者聚类的细胞仍然是一个充满挑战的任务。目前存在的细胞图像分割方法不能完全实现对各种类型细胞图像正确的分割，总会产生粘连、重叠、边界定位不准确、过分割等现象[1][2]。 小波变换作为一种有效的图像处理工具，已经有许多图像分析方面的应用，如基于内容的图像检索、癌细胞的识别、生物特征的提取与识别和细胞图像特征的提取与识别。小波变换具有多尺度、多分辨率的优良特性，克服了在空间域中单一尺度的图像处理方法的缺点。在小波域中，我们只需要对图像的小波系数进行处理，即可实现对图像的多尺度多分辨率下的特征提取。 1 细胞图像分割方法趋势 细胞图像分割是对细胞图像进行分类识别的基本前提，是医学诊断的必要依据。对细胞图像分割的研究一直是多年来人们高度关注的重点，每年都有许多学者发表很多关于这方面的文章，提出的各种类型的分割方法也有上千种之多。一些学者将传统的图像处理算法进行结合或者改进。 基于灰度阈值的分割算法。此方法基于细胞图像的灰度直方图，设置合适的阈值，根据灰度级将像素点分为内部点集和外部点集。 基于边缘检测的分割算法。这类算法认为图像中细胞边界是由灰度的不连续性引起的，边缘像素点是一个细胞区域的结束，同时也是另一个细胞区域的开始，所以可以利用这一特征来分割细胞图像。 基于分水岭的分割算法。分水岭算法是Lue Vincent提出的一种用来分割图像中相接触目标（即粘连情况）的形态学方法，是形态学理论的一个重要应用，也是近年来细胞分割使用最广泛的方法。 基于区域的分割算法。这种算法是近年来人工智能领域研究中十分关注的图像分割算法。该算法基于图像亮度的相似性来分割图像，根据图像的特征以及要分割目标的特征定制某种准则，以此准则把图像划分为一些相似的区域。 由于传统的方法仍然存在着一些不足，许多学者将目光转向了一些新型的方法，并将其改进应用到了细胞图像的分割中。主要的算法有： 基于聚类的分割算法。聚类的主要思想是使同一簇内的对象的相似度尽可能高，而不同簇间的对象的相异度尽可能低。 基于人工神经网络的分割算法。