CN103353938B - 一种基于层次级特征的细胞膜分割方法 - Google Patents

Abstract

本发明涉及一种基于层次级特征的细胞膜分割方法，该方法充分结合像素级特征和超像素级特征的优势，提出层次级特征，该特征可以自适应地描述局部上下文信息，能有效地识别细胞膜及其周围复杂的显微结构，进而提高了基于监督学习方法进行细胞膜分割的识别性能。具体过程如下：I．预处理阶段先进行图像增强，然后执行过分割获取超像素；II.基于超像素的典型样本点选择III．特征提取a.像素级特征提取b.超像素级特征提取c.层次级特征提取IV.分类器分类V．后处理阶段。

Description

一种基于层次级特征的细胞膜分割方法

技术领域

本发明涉及电子显微镜图像下的细胞膜分割领域，具体地说是一种基于层次级特征的细胞膜分割方法。

背景技术

为了更好的研究脑部的记忆和识别机制，脑科学家们需要在三维空间重建中枢神经系统，其先导步骤是二维空间的神经细胞的分割。显然，二维空间分割的准确与否，将直接影响三维空间的重建效果。另外，神经细胞的分割同时也具有重要的临床医学价值，比如研究发现，视网膜的衰退，起因便是神经细胞中的感官细胞的减少。近年来，基于监督学习的机器学习方法越来越多的被用于细胞膜的分割中，并取得了较好的识别效果。这一方法主要分两大步骤：特征提取和模式识别，其中特征提取的好坏，将最终影响模式识别系统的识别性能。

神经细胞具有错综复杂的拓扑结构，且内部细胞器形状大小各不一致，加之显微图像的灰度不均匀，边界的模糊，和噪声的影响等，在识别细胞膜时，充分利用每一个像素点的上下文信息显得尤为重要。

现有技术基于监督学习方法识别细胞膜时，在特征提取阶段往往只考虑单个像素点信息，或者在考虑上下文信息时，只是简单采用一个固定大小和形状的方形窗，不能充分描述局部复杂多变的微观结构，大大降低了识别率。

发明内容

本发明为克服上述现有技术的不足，提出一种基于层次级特征的细胞膜分割方法，该方法充分结合像素级特征和超像素级特征的优势，提出层次级特征，该特征可以自适应地描述局部上下文信息，能有效地识别细胞膜及其周围复杂的显微结构，进而提高了基于监督学习方法进行细胞膜分割的识别性能。

为实现上述目的，本发明采用如下技术方案：

一种基于层次级特征的细胞膜分割方法，具体过程如下：

I．预处理阶段

先进行图像增强，然后执行图像过分割获取超像素；

II.基于超像素的典型样本点选择

III．特征提取

a.像素级特征提取

b.超像素级特征提取

c.层次级特征提取

IV.分类器分类

V．后处理阶段。

所述I中，运用直方图均衡化和高斯滤波技术进行了图像增强；采用RadhakrishnaAchanta等人提出的一种基于k-means的改进方法，即简单线性迭代聚类方法（SimpleLinearIterativeClustering,SLIC）来获取超像素，该方法通过综合局部邻近像素点的颜色信息和位置信息将整幅图像分成一个个形状、大小相对均一的超像素；简单线性迭代聚类方法只需输入预期超像素的个数便能将整幅图像过分割为指定分割粒度的超像素。

所述II中，典型样本点选择是在每一超像素内随机选择三个样本点来代表该超像素内的全部样本点。

所述III中，针对每一个样本点，共提取了56维的特征，其中包括28维的像素级特征，28维的超像素级特征；其中

a像素级特征提取为：

将提取的28维的像素级特征分为三类：（1）5维的邻域信息都是3×3滤波特征：均值滤波，中值滤波，最小值滤波，最大值滤波，方差滤波；(2)Sigma值分别为2.0,3.5,4.0的Gaussian滤波，核函数为3×3的Sobelfilter,核函数为5×5的卷积滤波，赫森矩阵最大、最小特征值，拉普拉斯算子,水平方向二阶导数，垂直方向二阶导数,以上特征共10维；（3）12维的形状描述子Rays特征，以及综合了纹理和几何形状的复合特征Radon-likefeature一维；

b超像素级特征提取

首先定义和提取一个超像素中所有像素点的各种像素级特征，然后通过统计方法，将该超像素内所有像素点的统计特征，作为该超像素的特征，用于后继处理；通过求取超像素内所有像素点像素级特征的均值作为超像素级的特征，故共28维的超像素级特征；

c层次级特征提取

将a步骤所得像素级特征和b步骤所得超像素级特征，这两个级别的特征向量拼接为一个特征向量，形成一个28+28=56维的特征向量，进而将两种级别的特征结合起来，作为一种层次级别的特征。

所述IV中，分类器采用随机森林分类器。

6.如权利要求1所述的基于层次级特征的细胞膜分割方法，其特征是，所述V中，在随机森林返回概率值的基础上，执行Ridler,TW和Calvard提出的IsoData阈值分割方法；针对部分难以识别的孤立区域，执行孤立区域的移除操作，其中区域的移除准则是基于区域属性的一系列的阈值操作。所使用到的区域属性有区域面积，欧拉函数，与区域具有相同标准二阶中心矩的椭圆的离心率（Eccentricity），以及同时在区域和其最小凸多边形中的像素比例（Solidity）。

本发明的有益效果是：提出一种基于层次级特征进行细胞膜分割的方法，通过将特征表达丰富的像素级特征和具有一定语义特征的超像素级特征相结合，得到层次级特征。然后，将层次级特征用于训练随机森林来进行细胞膜的分割。与原有固定大小和形状的方形窗邻域下上文信息相比，层次级特征能够自适应的调节单个像素点周围的邻域信息，较好的描述了局部错综复杂的微观结构，提高了用于细胞膜分割的模式识别系统的识别性能。同时，提出一种基于超像素的典型样本点选择方法，精简了样本空间，减少了样本之间的冗余。

附图说明

图1a为基于固定方形窗的邻域图。

图1b为基于超像素的邻域图。

图2为本发明的流程图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

图1a、图1b和图2中，本发明主要分五个阶段，为简单起见，图中在基于超像素选择样本点时，一个超像素内只选择了一个样本点来代表整个超像素内的所有样本点。

1、预处理阶段

为了使图像灰度均匀，同时强化细胞膜的连续性。本发明先运用直方图均衡化和高斯滤波技术进行了图像增强，然后在增强图像的基础之上，执行过分割获取超像素。本发明采用的是一种基于改进k-means方法的简单线性迭代聚类方法（SimpleLinearIterativeClustering,SLIC）来获取超像素。该方法通过综合局部颜色信息和位置信息将图像分成一个个形状、大小相对均一的小簇。并且，该方法简单易用，执行效率高。具体使用该方法时，只需输入预期超像素的个数便能产生指定分割粒度的超像素。

2、基于超像素的典型样本点选择方法

面对大量的显微图像数据库，训练像素级分类器对于时间和空间都提出了较高的要求。超像素是局部同质像素点的集合，本质上是局部邻近相似像素点的聚类。利用超像素的这一特点，为了精简样本空间，本发明基于超像素来进行样本点的选择。具体来说，在每一个超像素内随机选择部分样本点来代表整个超像素内的所有样本点。在本发明中，每一超像素内随机选择三个样本点来代表该超像素内的全部样本点。

3、特征提取：针对每一个样本点，共提取了56维的特征，其中包括28维的像素级特征，28维的超像素级特征。

a.像素级特征提取

针对像素级的特征描述子，本发明共提取了28维的像素级特征，这些特征大致可分为三类：（1）5维的邻域信息都是3×3滤波特征：均值滤波，中值滤波，最小值滤波，最大值滤波，方差滤波。(2)Sigma值分别为2.0,3.5,4.0的Gaussian滤波，核函数为3×3的Sobelfilter,核函数为5×5的卷积滤波，赫森矩阵最大、最小特征值，拉普拉斯算子,水平方向二阶导数，垂直方向二阶导数,以上特征共10维。（3）12维的形状描述子Rays特征，以及综合了纹理和几何形状的复合特征Radon-likefeature一维。

b.超像素级特征提取

超像素在强化了图像局部同质性的同时，较好的保留了图像的原始边界。超像素是一种局部特征描述子，本身含有一定的语义特征。当前现有技术中，针对超像素级特征的相关研究非常少。本发明从集合的视角，将超像素看作局部同质像素点的集合，利用相关统计手段来获得超像素特征。本发明首先定义和提取一个超像素中所有像素点的各种像素级特征，然后通过统计手段，将该超像素内所有像素点的统计特征，作为该超像素的特征，用于后继处理。这样，就使得所有可用于像素级的特征表达，都可以用于表达超像素，从而极大地丰富了超像素的特征表达，提高了区分能力。兼顾到简单和效率，本发明只是求取了超像素内所有像素点像素级特征的均值作为超像素级的特征，故共28维的超像素级特征。

c.层次级特征提取

像素级特征是一种底层特征，超像素级特征是一种中层特征。本发明，将像素级特征和超像素级特征这两个级别的特征向量拼接为一个特征向量，形成一个28+28=56维的特征向量，进而将两种级别的特征结合起来，作为一种层次级别的特征。在层次级特征下，针对每一样本点，其周围的邻域上下文信息是基于超像素自适应的，进而较好地描述了细胞膜像素样本点周围错综复杂的显微结构。

4、分类器分类

对于一个模式识别系统，在定义和提取了一系列比较有针对性的特征之后，选择一个好的分类器也至关重要。随机森林是一种集成学习方法，简单易用，且该方法具有可有效处理高维特征、不必进行显式的特征选择，能处理大样本数据、分类速度快，较强的抗噪声能力和不容易出现过拟合等特点。鉴于以上几点，本发明选择随机森林作为分类器。

5、后处理

在随机森林返回概率值的基础上，执行自动阈值分割。针对部分难以识别的孤立区域，简单执行了孤立区域的移除操作。

Claims (6)

1.一种基于层次级特征的细胞膜分割方法，其特征是，所述层次级特征为像素级特征和超像素级特征这两个级别的特征向量拼接的特征向量；具体过程如下：

I.预处理阶段；

先进行图像增强，然后执行过分割获取超像素；

II.基于超像素的典型样本点选择；

III.特征提取；

a.像素级特征提取；

b.超像素级特征提取；

c.层次级特征提取；

IV.分类器分类；

V.后处理阶段。

2.如权利要求1所述的基于层次级特征的细胞膜分割方法，其特征是，所述I中，运用直方图均衡化和高斯滤波技术进行了图像增强；采用简单线性迭代聚类方法来获取超像素，该方法通过综合局部邻近像素点的颜色信息和位置信息将整幅图像分成一个个形状、大小相对均一的超像素；简单线性迭代聚类方法只需输入预期超像素的个数便能将整幅图像过分割为指定分割粒度的超像素。

3.如权利要求1所述的基于层次级特征的细胞膜分割方法，其特征是，所述II中，典型样本点选择是在每一超像素内随机选择三个样本点来代表该超像素内的全部样本点。

4.如权利要求1所述的基于层次级特征的细胞膜分割方法，其特征是，所述III中，针对每一个样本点，共提取了56维的特征，其中包括28维的像素级特征，28维的超像素级特征；其中

a像素级特征提取为：

将提取的28维的像素级特征分为三类：(1)5维的邻域信息都是3×3滤波特征：均值滤波，中值滤波，最小值滤波，最大值滤波，方差滤波；(2)Sigma值分别为2.0,3.5,4.0的Gaussian滤波，核函数为3×3的Sobelfilter,核函数为5×5的卷积滤波，赫森矩阵最大、最小特征值，拉普拉斯算子,水平方向二阶导数，垂直方向二阶导数,以上特征共10维；(3)12维的形状描述子Rays特征，以及综合了纹理和几何形状的复合特征Radon-likefeature一维；

b超像素级特征提取：

首先定义和提取一个超像素中所有像素点的各种像素级特征，然后通过统计方法，将该超像素内所有像素点的统计特征，作为该超像素的特征，用于后继处理；通过求取超像素内所有像素点像素级特征的均值作为超像素级的特征，故共28维的超像素级特征；

c层次级特征提取：

将a步骤所得像素级特征和b步骤所得超像素级特征，这两个级别的特征向量拼接为一个特征向量，形成一个28+28＝56维的特征向量，进而将两种级别的特征结合起来，作为一种层次级别的特征。

5.如权利要求1所述的基于层次级特征的细胞膜分割方法，其特征是，所述IV中，分类器采用随机森林分类器。

6.如权利要求5所述的基于层次级特征的细胞膜分割方法，其特征是，所述V中，在随机森林返回概率值的基础上，执行IsoData阈值分割方法；针对部分难以识别的孤立区域，执行孤立区域的移除操作，其中区域的移除准则是基于区域属性的一系列的阈值操作；所使用到的区域属性有区域面积，欧拉函数，与区域具有相同标准二阶中心矩的椭圆的离心率，以及同时在区域和其最小凸多边形中的像素比例。