基于遺傳算法的直方圖熵閾值分割方法的細胞分割及信息提取研究摘要計算機技術飛速發展，人工智能和圖像處理技術逐漸成為醫療診斷中不可或缺的手段。目前醫院所用的白細胞分割提取方法十分依賴人工，耗時費力。此時數字圖像處理提取血細胞圖像中的白細胞以及信息識別的優勢便得以體現。血液白細胞的分類計數過程中，最為關鍵的步驟便是白細胞分割及信息提取部分。常用的數字圖像處理方法例如閾值分割法，邊緣檢測法，區域生長法等雖然能提高效率但是都具有明顯的缺陷。為了完善常規閾值分割方法的不足，本文主要采用基于遺傳算法的直方圖熵閾值分割方法，通過遺傳算法的優勢更高效的尋得最佳閾值，先通過直方圖熵法對圖像進行處理，再測量灰度圖的熵獲得最佳閾值，然后選擇合適的遺傳算子得到下一代群體，最終通過最佳閾值對圖像進行分割。然后對分割效果圖進行信息提取，首先對分割圖進行邊界追蹤，隨后對追蹤后的分割圖進行區域標記，最后便可以對標記好的白細胞區域進行相關特征信息提取。在3幅仿真圖像及3幅白細胞信息提取表格表明，本課題算法較常規算法來說，分割精度更高，信息提取更加完善。能夠用于醫療診斷中。關鍵詞：白細胞提取圖像預處理閾值分割遺傳算法目錄摘要 IITOC\o"1-3"\h\uAbstract III1前言 11.1課題背景 11.2國內外研究現狀和發展趨勢 11.2.1國外研究現狀 21.2.2國內研究現狀 32白細胞圖像分割及提取方法方法研究 42.1圖像分割概述 42.2常用的圖像分割方法研究 43直方圖熵結合遺傳算法細胞圖像多閾值分割 73.1遺傳算法與直方圖熵法介紹 73.2遺傳算法與直方圖熵法細胞圖像分割 83.3具體算法設計與實現 93.4細胞信息提取研究及實現 143.5本章小結 164實驗結果及分析 174.1程序編輯器 174.2仿真圖象分割結果對比 184.3分割圖像信息提取分析 205結語 24參考文獻 25一前言1.1課題背景外周血中細胞種類繁多，其中根據有無細胞核可以分為有核細胞和無核細胞兩大類。有核細胞中我們常見的細胞有白細胞，巨核細胞，有核紅細胞等；無核紅細胞和血小板等[1]是五河細胞。他們各自的發育周期，發育過程及生理功能各不相同，健康人體內的細胞各項指標及比例是趨于某個特定值的，當人體內的細胞各項指標與這個特定值相差較大，則說明他身體具有生病隱患。例如，若患有細菌感染，淋巴腫大等疾病，則單核細胞比例會增大；當嗜酸性粒細胞數量增加時，那么患者可能是寄生蟲感染或過敏，并且患者一般患有皮膚病等[2]。因此，外周血白細胞檢測憑借其高效便捷的優點在醫學檢測中被廣泛運用。目前，各大醫院對白細胞的檢測主要是利用血細胞分析儀、流式細胞儀和人工鏡檢等。對白細胞數量檢測先用這些儀器進行初步檢測，當發現異常時，則啟用更加精準的人工鏡檢。這種方法是臨床檢驗的最高標準，是由兩名檢驗科醫生耗費大量精力和時間利用顯微鏡進行細胞觀察，最終得到檢驗結果。目前各大醫院所采用的白細胞分析儀主要利用物理技術，如散射光檢測技術、激光技術等。檢測方法因為血細胞信號的獲得方法不一樣也不盡相同，但這些方法都十分繁瑣并且耗費財力物力。所以，如何從采集到的外周血細胞圖像中分割出單個的白細胞圖像，并用圖像處理技術實現白細胞的分類識別，受到了國內外研究學者的廣泛關注，研究熱度也越來越高。1.2國內外研究現狀和發展趨勢原來的白細胞分割與提取技術需要操作人員手動完成，血細胞分析儀等技術儀器誕生之后逐漸取代了原先的方法，但這種方法還不能完成對白細胞形態變化的觀察。對白細胞形態特征的觀察越來越智能化。目前，許多國內外研究人員都在進行外周血白細胞分類識別研究，主要手段有傳統機器學習和深度學習。傳統細胞識別方法大致步驟為：對細胞圖像進行分割預處理，人工選擇合適的細胞特征進分類，采取分割器進行分割。1.2.1國外研究現狀閾值分割法、邊緣檢測法、基于區域的方法等是白細胞分割的主要方法有。常用的白細胞分類計數方法儀器法，手工鏡檢法，統計方法等。其中儀器法操作較為簡單，手工鏡檢法對人工要求較高。YanLi等人[9]明確的說明了雙閾值分割方式，其中的源頭是通過HSV與RGB。第一步，將原始外周血細胞圖像向灰度圖像轉化并將圖像實施對比度拉伸，在將外周血細胞圖像進行預處理之后再對其進行閾值分割，閾值的確定通過黃金分割法完成。第二步，后處理分割后的細胞圖像，再采取形態學方法和中值濾波法消除噪聲干擾。但是這種方法有個弊端就是在對灰度差異不大的細胞圖像進行分割是效果不理想。S.Ravikumar[10]利用相關向量機（RVM）擬合直方圖得到稀疏相關向量，然后采取合適的閾值分割得到白細胞圖像。Xin等人[11]通過K均值聚類對圖像中的前景圖像進行提取，再通過凹陷分析，利用接觸細胞初步分割白細胞；隨后以前面粗分割當作自動標記，并且會培訓整個向量機分類器，進而會對圖像使用像素提取的方式將完善的向量機分類，以確保分割結果更精確。Candradewi等人[12]使用移動K均值算法對細胞核及細胞質進行分別分割，隨后用基于標記的流域變形方法將二者合成為完整的白細胞圖像，其缺陷是分割速度較慢。Andrade等人[13]在五個公共數據集上對以往文獻中的分割方法依次進行實踐，發現這些方法分割準確率在58.44%~97%不等，還對分割領域的常用方法進行了總結。但是，以上方法任然不是通用方法。Miao等人[14]采用分水嶺算法對白細胞進行分割這種方式還用到了圖像增強的方式使得白細胞區域更加突出以達到更好的分割效果。RoopaB等人[14]只將細胞和特征納入考慮范疇，例如體積，周長等作為分類依據，使用混合分類器將白細胞分為五類。AhmedT等人[15]采用直方圖均衡化和Zack閾值估計算法來分割外周血細胞，對細胞紋理，形狀，顏色等特征并采取社會蜘蛛算法（socialspideroptimizationalgorithm，SSOA）對細胞特征進行簡化，這種特征選取算法的優越性在多種分類器的實踐下得到了檢驗。為了使醫學檢驗技術方面更加高效快捷，近年來許多國外研究人員致力于如何提高外周血細胞的分割效果及信息提取效率的實驗中。又因為現代圖像處理技術愈發成熟，細胞分割及信息提取相關科技飛速發展。1.2.2國內研究現狀國內醫學檢驗方面發展較國外來說起點較慢，但是由于豐富的前人經驗，其發展更高速，主要分為對單個白細胞精準分割和對白細胞圖像分類兩大研究方向。在研究初期，由于技術限制，只能得到白細胞灰色圖像，這使得白細胞圖像分類的難度大大提高。在科技飛速發展的背景下，白細胞圖像分割與信息提取的技術愈發成熟。目前沒有任何一種方法在白細胞分割中通用，研究人員們針對不同的細胞圖像特征對白細胞分割方法展開研究。王康等人構造S分量與B分量融合圖像，對白細胞進行分割。目前，只有高校在對白細胞信息識別分類進行研究，其主要研究內容是白細胞五分類，但是很少探索白細胞更多類別的分類識別。想要完成臨床上的細胞分類識別還需要跟深入的研究。通過查閱資料和閱讀文獻發現，機器學習和圖像處理算法任是白細胞圖像的分類的主要操作方法，這些方法的步驟總結為：顯微處理外周血細胞得到圖像作為初始數據，再將細胞核與細胞質利用一些分割算法分離開，最終選用合適的分類特征利用分類器進行分類，其流程如圖1.1所示。該方法適用范圍廣，操作原理也較為簡單。但是不同的人員選擇的標準不同，沒有一個既定統一的選擇標準適用于不同的數據集，并且細胞質和細胞核的精準分割也需要很大的工作量。圖1.1傳統白細胞分類方法得益于圖像處理技術不斷進步，采用MATLAB用灰度閾值分割法對白細胞進行分割及信息提取更容易實現。除此之外，成像技術的不斷發展，得到更為清晰的細胞圖像初始數據更加簡單。這些都有助于白細胞分割及信息提取。利用MATLAB編程從邊緣，區域生長，閾值等方面對初始圖像進行處理使得白細胞分割及信息提取更加高效。二白細胞圖像分割及提取方法方法研究采取各被檢測這血液樣本制作血涂片，在采用顯微成像技術獲取血涂片中的細胞圖像，這個過程若通過人工目檢法完成將會十分費力，所以，利用圖像處理技術完成這一步驟能夠提高不少效率，。顯微成像采集的血細胞圖像包含了紅細胞，白細胞，血小板等。本課題研究的是白細胞圖像分割及信息提取，所以應該將單個白細胞圖像從外周血細胞中分割出來。2.1圖像分割概述圖像分割技術使用的主要是在圖像內的關鍵信息，進而經過相似度原則把圖像分成諸多內部能夠達成共識但是同質連通領域具備不一樣的特點，其中關鍵信息有紋理，亮度，顏色等，對于每個區域來說，像素點都會擁有顯著差異。圖像分割使用集合概念來描述時，能夠將分割圖像看成整體的集合R，所有分割區域可以被稱之為非空子集，進而需要達到的標準為：（1）（2）對于所有的i和j,當（3）對于（4）對于（5）對于是連通的區域（標點是否需要改成中文標點）其中，條件（1）說明分割后得到的所有子區域組成整幅圖像；條件（2）的意思是在圖像內所有像素僅僅為子區域；條件（3）展示的是在相同子區域，像素擁有某種程度上的類似性；條件（4）展示的是在子區域不一樣時，像素特征需要具備很大差別；條件（5）展示的是連通的區域（標點是否需要改成中文標點）2.2常用的圖像分割方法研究目前，常用的圖像分割主要從三個方面考慮：（1）閾值分割法：該方法可以分成以下兩大類，首先是自動閾值選擇法，這種方法能夠分成最小誤差閾值分割，迭代式閾值分割等；其次是人工選擇法，這種方法本文不進行闡述。（2）區域分割方法：這種方法最關鍵的內容就是將區域的分割以及生長加以融合，對于生長來說，它主要是通過一些類似的性質，將“共性"像素元構成整個面域。對于分割來說，是從整體開始，分裂出多個不同性質的子區域。（3）邊緣檢測算法：采用微分算子與待分割圖像進行卷積，從而獲取圖像的邊緣輪廓。(a)閾值分割法，OTSU算法最關鍵的分割憑據是通過圖像灰度特點為根源，對于分割閾值是否合適則需要用表征灰度分布是否均勻的度量—方差來運算，對于圖像分割的最終結論，跟其能夠有關聯的主要是在背景的類間方差，如果背景跟目標的類間方差得到提高，就代表整體分割效果完善；如果背景跟目標出現錯分的現象，類間方差會逐漸的下降，并且也會有不完善的分割效果，所以對于分割閾值最完善的時刻就是能夠讓類間方法最大時進行獲取。但是常規閾值分割法十分容易受噪聲的影響，并且對目標和背景之間的類間方差不大的圖像分割效果較差。圖2.1閾值分割流程圖(b)區域生長法這種方法最關鍵的就是通過類似性質的一些像素，進而其組成的整個區域加以集合，第一步就是要在分割的領域找到一個能夠當作生長起點的像素點，進而把子像素點周邊的能夠擁有類似性質的像素點放置于相同的地域。將所有的像素點能夠作為新種子像素點，然后將以上的流程進行反復，直到不能夠達到要求的周邊像素點能夠加以歸納，所以就成立了整個像素區域。區域生長開始的位置是像素點，并且通過設立的規則把周邊所有的像素點融入當中，并且到不能夠達到標準的像素點之后，能夠逐漸的將生長停止。區域生長開始的位置是像素點，經過了需要的因素來合整篇能夠將目標進行獲取的區域。不過區域生長法也具有明顯缺點即容易造成過度分割，使得提取不到完整的圖像信息。圖2.2區域生長分割流程圖(c)邊緣檢測法該方法主要的作用是使用圖像灰度改變當中顯著的地域是邊緣，并且對于這哥提點來說，它使用的是微分來將邊緣像素點進行運算定位，而且邊緣的特點能夠通過灰度改變的特性將其區別成三種形狀：階梯狀，脈沖狀，屋頂狀。作為圖像的目標部分與背景的分界線，邊緣檢測算子的好壞將直接決定分割的結果。邊緣檢測法的缺陷在于其不能具有較好的區域結構，不能同時兼顧分割精度和抗噪強度兩方面。圖2.3邊緣分割流程圖三直方圖熵結合遺傳算法細胞圖像多閾值分割為了解決前文提到的三種方法所具有的缺陷，所以本課題從閾值分割角度出發，通過引入遺傳算法的優勢來輔助尋得閾值分割所需的最佳閾值，而采用直方圖熵法則可以有效針對目標和背景之間的類間方差不大的圖像分割情況，在直方圖中我們可以明了的尋得分割所需要的閾值而不再過度依賴與目標和背景之間的較大類間方差。3.1遺傳算法與直方圖熵法介紹（1）遺傳算法遺傳算法是通過生物進化輪之后，模仿的經過遺傳學原理的推進的整個過程中的一類算法。它能夠使用在諸多場景，它最關鍵的作用就是將最優解找到，這種算法第一個說到的教授來源于一所美國的大學，所以遺傳算法逐漸問世，也就是在那個時候人們才開始慢慢知道遺傳算法的。美國的這個教授所提出的遺傳算法在當時只是粗略的提了有這么一個思想，相對于今天的遺傳算法來說，當時所提出的遺傳算法比較簡單，在現在看來當時的遺傳算法被叫做簡單遺傳算法。這種算法的優勢是操作步驟簡便，沒有求導以及函數連續性等限定條件，直接處理結構對象。遺傳算法屬于一種在將問題處理的過程中使用的一種算法，在諸多通用問題上都能夠將這種算法予以使用。搜索算法擁有著以下特點：首先，通過適應度函數來講所有運算的備選解的數值都進行保存，將另外那些備選解進行排除；其次，通過探究的問題中任意出現一種能夠表示種群的解集；再次，依照探究的疑問來選取完善的適應度函數，進而將備選解的適應情況進行計算；最后，把保管的備選解實心多線路共同進行運作，進而將新的備選解合成，隨后將備選解重復以上的步驟；遺傳算法擁有如下幾個優點：首先，由于遺傳算法解決的問題時整個集，也可以說成為它解決的是所有代的集體，并且能夠將所有個體一起進行解決，進而能夠將降低了局部最優解的問題，而且這個計算方法擁有著可操作性，很容易實現；其次，遺傳算法使用的不是穩定性的規則，而是使用一種概率的變化準則，進而將其探索的方向進行全方位的指示，擁有著自適應以及自組織性。這種算法使用整個進化的進程當中獲取的信息自行組織進行探索的過程當中，能夠適應更多物體的個人生存的幾率就會更大，并且能夠用歐完善的基因架構；最后，使用遺傳算法將需要處理的疑問進行探究解決的過程當中，使用的大多是自疑問的解集開始逐漸的摸索，并不是在單一解就進行解決的，對于那些傳統優化算法，它就是在單一解就開始進行問題的結局，這樣可能會導致我們只得到局部解，而離最優解有很長的一段距離。但是遺傳算法的解決方式是從整個解集入手，這樣就會在很大領域上將完善的最優解進行探索，這就是二者最關鍵的差別。直方圖熵法大致步驟為制作細胞圖像的直方圖假設灰度直方圖相對來說出現了顯著的雙峰樣式，進而選取的是兩峰間的谷底來將匹配的灰度值當作閾值。詳情見下圖3-1。1f(x,y)>tG(x,y)=（3-1）0其他3.2遺傳算法與直方圖熵法細胞圖像分割直方圖熵結合遺傳算法細胞圖像多閾值分割步驟1）采用直方圖熵法對圖像進行處理，其核心內容即將每個像素點可以勻稱的分置于任意的灰度級，這樣的意義是以前圖像的對比度進行完善化，使用直方圖熵法，進而給灰度圖加以完善的處理，進而能夠得出256個元素a[i]i=1,2。2）對染色體加以編碼，而且八位二進制能夠跟256完善的進行匹配，進而把所有的染色體編碼當成八位二進制，并且所有的染色體都可以擁有跟自己匹配的分割閾值。3）測量灰度直方圖的熵，根據適應度函數，求得最佳閾值。4）按照遺傳算法，選擇合適的遺傳算子，得到下一代群體5）直接找到最大值，否則繼續執行第三步6）根據求得的最佳閾值來分割圖像圖3.1直方圖熵結合遺傳算法細胞圖像多閾值分割步驟流程圖3.3具體算法設計與實現閾值法具有算法簡單，操作簡便等特點，是圖像分割最常用的方法。而該方法的分割效果十分依賴合適的閾值選擇，因為遺傳算法是非常高效的全局優化算法，有助于尋得最合適的圖像分割閾值，所以本課題采用了基于遺傳算法優化的直方圖熵分割方法。該方法同時具有優良的實時性和高質量的分割效果。具體算法實施流程如下：（1）編碼方式將閾值以編碼的形式表示成位串結構數據。在此我們的圖像灰度值區間是0-255級共計256級，其符合八位二進制編碼的表示形式，即我們可用00000000-11111111之間的一個八位二進制編碼表示其中的一個分割閾值。（2）設置初始化參數（3）計算適應度所有的個體都具備不同的適應度，適應度越大，表明這個個體各方面性能越好，越容易遺傳到下一代。為了得到更加精確的分割效果，我們需要使得目標和背景的熵值差異越大越好。在此我們的適應度函數選用圖像灰度的熵函數，函數如下：(3-2)（4）對群體進行選擇，交叉，變異等遺傳操作，形成下一代群體選擇算子圖3.2選擇算子部分代碼交叉算子交叉算子最關鍵的作用就是在新個體出現時，并且它擁有著自己顯著的特點，在交叉過程中，一邊要保證不破壞每個個體編碼串的優良模式，一邊要保證優良新個體的產生。交叉的概念就是將兩個前一代的個體部分的架構進行交換以后能夠進行重組，隨后合成新個體的整個運行流程，經過交叉以后的遺傳算法的探索水平能夠得到顯著的增強。交叉算子會通過所有交叉的可能性在整個群體內的個體進行某種基因任意的變換，進而可以出現更完善的基因組合，并且將這些基因組合完善，交叉算子代碼如下：圖3.3交叉算子部分代碼3）變異算子變異算子的概念就是在個體串當中發生的基因座內的基因值來進行改變，通過個體編碼不同的展示方式，能夠得到二進制和實時變異兩類。變異算子擁有下面兩個操作流程：首先在所有的個體都會通過提前設立好的變異幾率來對其變異的情況進行辨別；其次是在變異的個體可能變異的方式是隨機選擇變異位。該算子以一定概率將選定個體的某一位取反，例如1變為0，0變為1。圖3.4變異算子部分代碼（5）計算最佳直方圖熵圖3.5計算最佳直方圖熵部分代碼圖3.6計算最佳直方圖熵部分代碼補充（6）根據最佳閾值分割圖像圖3.7根據最佳直方圖熵分割圖像部分代碼圖3.8根據最佳直方圖熵分割圖像部分代碼補充1圖3.9根據最佳直方圖熵分割圖像部分代碼補充2圖3.10根據最佳直方圖熵分割圖像部分代碼補充33.4細胞信息提取研究及實現圖像信息提取具體步驟：(1)載入圖像，圖像分割前文已對細胞圖像進行了分割工作，現對得到的分割效果圖中白細胞進行信息提取。信息提取原圖轉化成二值圖，變成一個不規則的圖形了，應在繼續對這個區域做處理，但這不影響我們論文的主題，所以先忽視。(2)使用bwboundaries函數展示的圖像內目標的bwboundaries函數能夠將需要追逐的對象外邊界進行追蹤，還有目標內孔的邊界，其中有以下幾個返回特性：首先是元胞數組B；其次是返回標號矩陣L；最后返回N，N為整個目標的數目，詳情見下圖3.11.（3）標記區域使用的將測試圖像內一直擁有的目標進行標記的是bwlabel，將它們進行偽彩色化，進而將他們所有的數字標記展示相互融合。圖3.12標記區域部分代碼（4）特征表達使用regionprops函數對圖像中的每個目標提取下面的二值特征，直接使用它統計信息，在workspace可以查看。圖3.13提取各目標二值特征部分代碼隨后是將數據進行分析，將所有圖行間距較大的特點進行查找，隨后將閾值進行定義，并且制作分類器，進而能夠更加顯著的將特征矢量圖進行繪畫。圖3.14制作分類器分析數據部分代碼3.5本章小結本章主要介紹了白細胞圖像的分割及信息提取方法。首先對外周血細胞圖像進行降噪等預處理，然后從三個方向對白細胞的分割進行了實驗，首先是閾值分割法（OTSU），其操作簡便，計算量小，但是只能對單一目標進行分割，且對目標和背景之間的類方差有要求（越大效果越好）。其次是區域生長法，其操作要求只要掌握了起始種子點，相鄰像素歸納規則和終止生長規則，要得到實驗結果也較為簡便，且圖像分割結果較OTSU更佳。最后是直方圖熵結合遺傳算法細胞圖像多閾值分割法，雖然這種方法操作步驟較前兩種方法來說更加繁瑣，但是該方法結合了遺傳算法沒有求導以及函數連續性等限定條件和直方圖熵法便于尋找最佳閾值的優點最終得到的分割圖像是效果最好的。然后再對提取信息進行數據分析，查看各個圖行差距比較大的特征，然后定義閾值來制作分類器。也可以更清晰地表達畫出特征矢量圖。四實驗結果及分析4.1程序編輯器MATLAB不僅是一種廣泛地被運用在矩陣算法設計開創，還有數據的分析和諸多有關的數值進行分析并且經過一系列的運算的高級科學。MATLAB最關鍵的就是進行矩陣的運算，因此其擁有下面幾個特性：首先，圖形功能強大；其次，架構簡單，而且能夠方便進行使用，整個庫里的函數很完善，并且計算標記符很完善；再次，對整個程序沒有局限性，相對來說程序設計擁有一定的自由度；最后是缺點，它跟很多相對高級的程序進行對比之后，該程序實施的速度慢。本課題使用的是MatlabR2017a版本，它對比以前版本來說，主要的優點有：首先，在2017b當中合成一個僅僅支撐一維向量的HDL代碼模塊，其作用是當作輸出輸入接口，不能夠將輸入輸出接口當作矩陣的支撐，這樣有時候排列的方式不是你想要的那種改起來就比較麻煩了。但是2018a中提到開始支持使用矩陣作為輸入輸出接口，這樣用起來就會方便很多了；其次，之前使用生成代碼時，大多是需要手寫的硬件，其中擁有引腳配置，并且很多輪廓部位與底層的驅動加以配置，將最關鍵的運算方法先在接口處進行預存，隨后在matlab內將建模代碼加以合成，進而放置于以前的工程內，盡管matlab能夠將合成代碼的整個過程中的器件，攻擊等進行選取，但是在matlab當中將輪廓部位的構件還有底層驅動進行展示是一個很繁瑣的過程，不過在2018a內增加了iic配置模塊，這個模塊很多的輪廓部位構件對于很多使用的方法加以配置，這樣的話，對于簡單的工程全部開發都在matlab中就可能進行。最后，在visonHDLCoder中增加一些不容易吸引人眼球的性能，對于中文翻譯以后，能夠稱之為“可分離的濾波器”。并且能夠給予兩個列向量，對其進行相乘以后，該矩陣能夠跟事先預想的矩陣相同，不過矩陣也擁有一定的局限，好像是秩必須為一。這個對小尺寸的濾波器來說作用不大。比如3X3的濾波器原來使用3*3=9個參數，分離以后只要3+3=6個參數。最終的結論沒有降低太多，不過相對大卷積核來講更加完善，其中對于7X7的卷積核來將，其實用的參數就有49個，分離以后僅僅要求7+7=14個參數。這個功能在需要很多這樣的運算是顯得十分有效。圖4.1MATLAB應用標識4.2仿真圖象分割結果對比實驗結果與分析下圖是待分割細胞圖像與經過基于遺傳算法的直方圖熵法分割后的效果圖。(a)(b)(c)圖4.2直方圖熵結合遺傳算法細胞圖像多閾值分割法原圖(a)(b)(c)圖4.3直方圖熵結合遺傳算法細胞圖像多閾值分割效果圖由此可見，直方圖熵結合遺傳算法細胞圖像多閾值分割后的效果圖圖像清晰，信息完整，對比性強，較傳統OTSU分割方法來說，該方法不僅分割效果較前者更好，而且極大的縮短了最佳閾值的搜尋時間。并且分割效果圖能夠對需要提取的細胞信息一目了然，是上述幾種分割方法中效果最好的。也是本課題為后續白細胞信息提取更順利所采取的方法。詳情見下圖4.4(a)(b)(c)圖4.4細胞分割原圖(a)(b)(c)圖4.5迭代分割效果圖(a)(b)(c)圖4.6邊緣檢測效果圖(a)(b)(c)圖4.7區域生長效果圖(a)(b)(c)圖4.8基于遺傳算法的直方圖熵法分割效果圖將所有的圖像分割方法進行對比之后可知，本課題采用的基于遺傳算法的直方圖熵法得到的分割效果圖信息更全面，圖像更清晰，使后續信息提取工作更簡單方便。就各分割方法的算法來說，本課題采用的方法由于具有遺傳算法的優勢，搜尋最佳閾值的速度更快，圖像分割的效率更高。首先，較傳統閾值分割方法而言，本方法對目標及背景間的類間方差要求不大，適用范圍更廣。較區域分割方法而言，本方法可以形成良好的區域結構，能夠兼顧分割精度和抗噪兩個方面。較邊緣檢測方法而言，本方法不會造成圖像的過度分割，更有利于后續信息提取。4.3分割圖像信息提取分析我們以分割圖像中的白細胞相關信息作為參考，來驗證我們的信息提取部分程序。第一步就是對目標邊界bwboundaries函數加以跟蹤。效果如下：(a)(b)(c)圖4.9顯示目標邊界部分效果圖隨后我們使用bwlabe標記測試圖像中的連續區域（目標）效果如下：(a)(b)(c)圖4.10標記區域效果圖然后利用regionprops函數給圖像內所有的目標將二值特征進行提出，進而將統計信息進行使用，并且查找的渠道為workspace。詳情見下圖4.11。圖4.11提取目標統計信息隨后是將數據加以分析，將所有的圖形差別加大的特點進行查找，將閾值進行定義，進而能夠將分類器進行制作，也能夠完善的將特征矢量圖進行繪畫，詳情見下圖4.12。效果如下：圖4.12圖4.10(a)分析面積和細度比例得到的特征矢量圖圖4.13圖4.10(b)分析面積和細度比例得到的特征矢量圖圖4.14圖4.10(c)分析面積和細度比例得到的特征矢量圖我們對區域中的白細胞進行選擇信息提取得到如下表格表4.1圖4.10（a）白細胞的形態特征編號面積周長最大軸心軸長最小軸心軸長1360133.37400000000043.86831172639371.76383420737639225186.713000000000026.820609930010818.475033184057431195343.72900000000043.696236023289942.54884252000664876192.98600000000046.453895912442527.618601419864951055171.49100000000046.144658485256330.2593361289978表4.2圖4.10（b）白細胞的形態特征編號面積周長最大軸心軸長最小軸心軸長12906203.87600000000069.471856279033054.29010681225612625119.96800000000038.097820770717323.98482542585973743178.32200000000040.545106087772430.085947167684642688211.00600000000067.251144357274552.418542285852551911422.41000000000064.877068126600752.386503218016562496223.94800000000062.737967246052952.101718733684673038232.76500000000065.457410546639160.999157192960482877257.09500000000092.390327910398444.279253314631897122299.382000000000103.57000714859587.6824029520871101443219.49200000000063.347003759216043.1177935108574表4.3圖4.10（c）白細胞的形態特征編號面積周長最大軸心軸長最小軸心軸長12093282.91600000000077.321573790543340.1854817098481其中最大軸心軸長是指細胞截面最大寬度，最小軸心軸長是指細胞截面最小寬度。結合表格和圖像可知，本課題信息提取方法白細胞區域標記更明顯，在外邊界追蹤過程中及區域標記過程中凸顯了目標提取區域并篩除了背景區域的干擾，并通過矢量圖的形式舉例展示各個圖行差距比較大的特征，從而達到我們需要的白細胞信息提取效果。經過提取，a圖提取出了5個白細胞特征信息，b圖提取出了10個白細胞特征信息，c圖提取出了1個白細胞特征信息。與分割原圖的白細胞數量一致，且各白細胞面積，周長均符合白細胞尺寸要求。由此可知，本課題采用算法效果良好，可運用于醫療診斷方面。鑒于傳統醫療診斷細胞分割提取方法耗時費力的問題，本課題提出了基于遺傳算法的直方圖熵分割細胞的數字圖像處理方式。首先算法方面加入了遺傳算法的輔助，使得在計算過程中更快的尋得最佳閾值對圖像進行分割。其次直方圖熵法的引用使得閾值分割對目標和背景區域類間方差要求更低，最佳閾值在圖像上反應更直觀。隨后信息提取部分先對圖像邊界進行追蹤，再對白細胞圖像區域進行標記，有效的篩選了目標提取區域和篩除了背景干擾區域。根據提取信息和分割仿真圖以及對比常規細胞分割方法結果得出結論：本課題所采用的分割方法分割效果較常規方法更加精確，并且色彩方面不受限制，在彩色環境下能夠獲取的信息更完善，能夠提取的區域更全面。在信息提取方面，本課題引入了矢量圖分析環節，讓提取效果更加直觀。但是，基于遺傳算法的直方圖熵分割方法仍存在一些不足之處。例如在圖像抗噪方面，閾值分割還是會受到比較明顯的影響。還有在分割效果圖方面，經過分割后的圖像中仍存在少許雜質區域，在對分割圖像進行信息提取的過程中具有干擾的負面效果。因此，在以后的方法拓展研究當中，可以對圖像進行小波去噪和中值濾波去噪等預處理消除閾值分割的噪聲隱患問題。并且該方法不止運用于細胞分割之中。因此，該算法還有很大的提升空間。五結語外周血白細胞對人體機能來說十分重要，因此外周血白細胞檢測的重要性不言而喻。許多疾病診斷都需要從外周血白細胞檢測入手。現醫院常用檢測方法是依靠血細胞檢測儀對白細胞進行檢測，當檢測結果出現異常，則需要使用精度更高的人工鏡檢由醫務人員親自參與完成檢驗。雖然檢測結果準確，但這些方法都十分繁瑣并且耗費財力物力。所以，如何從采集到的外周血細胞圖像中分割出單個的白細胞圖像，并用圖像處理技術實現白細胞的分類識別，在醫學檢測中具有光明前景和重要意義。本文的整體工作內容如下：查閱國內外相關的文獻與資料，了解白細胞分割提取的實際應用和意義及現醫院等進行白細胞分割提取所用方法，隨后對醫院的白細胞分割提取方法進行分析，了解其優缺點，了解國內外分別對該課題的研究現狀與成果，為本課題工作做好背景知識（2）了解目前國內外常用的細胞分割方法，文中采用了閾值分割法，邊緣檢測法，區域生長法和直方圖熵和遺傳算法相結合的分割方法。對預處理的細胞圖像依次使用上述分割方法并根據分割效果圖對各方法進行篩選評價。其中，迭代分割法得到的分割圖像較為模糊，且對目標和背景區域類方差有一定要求，區域生長法得到的分割圖像對于提取目標分割較為明確，但是缺陷在于缺少除提取目標以外的背景區域信息，沒有對比性。邊緣檢測法從R,G,B三個方向對細胞圖像進行分割，分割信息較全面，但是分割效果圖不太理想，信息不易提取全面。最后使用的是遺傳算法跟直方圖熵融合以后，使用分割的方式對其加以分割，進而得出彩色分割效果圖，較前幾中分割方法來說，圖像更清晰，提取信息更全面，是效果最好的分割方法。本次基于大學所學知識的設計，能夠很好的適用于很多場景之中，并且其簡易的裝置使得操作更加方便，低廉的成本使得學生也能很好的動手制作，高效簡潔的信號處理和其高靈敏度的特性，可以在啊得到很好的保障。通過結果可見，該置具有一定的可發展性，也具備著產品化的可能性，雖然這次裝置不具備產品美觀的特點，也達不到產品的精度，后續，我也會繼續努力，向著更精準，更美觀，更實用的方向繼續努力，繼續深入研究。但是由于時間、基礎及缺乏實踐等多方面的問題，還有諸多需要解決的問題依然存在，設計中很多方面考慮不夠周全或者考慮不到，但是我在畢業設計的過程中所掌握到的基礎知識使我受益終身。也享受到運用知識解決問題的喜悅,我相信本設計對于我未來的工作有很大幫助，我會努力學習更多專業知識去盡力完善此設計。參考文獻[1]徐會芹.外周血細胞形態分析[J].臨床醫藥文獻電子雜志,2016,3(34):6859–6860.[2]楊婷.血細胞形態檢測在疾病診斷中的運用評價[J].醫學理論與實踐,201730(18):2772–2773.[3]郭俊方,羅渠澎.貝克曼LH750血細胞分析儀原理及故障維修[J].醫療裝備,2011,24(12):90–91.[4]李陽,楊建彬,凌春騰.SysmexKX-21N血細胞分析儀的工作原理及常見故障分析[J].中國醫療設備,2014,29(06):145–146.[5]李星軍,郭友成.雅培CELL-DYN3200