低信噪比图像序列多细胞跟踪技术研究

摘要

随着数字图像处理技术的飞速发展，显微镜视频图像序列中细胞的自动识别与跟踪技术得到了广泛的研究，并推动了如药物开发、疾病诊断和治疗等领域的发展。本文研究低信噪比多细胞图像序列中的多细胞跟踪方法，针对局部图像明暗不均匀、背景和前景对比度低以及存在大量噪声的低信噪比细胞图像，分别研究基于随机有限集(Random Finite Sets，RFS)跟踪理论和基于群智能(Swarm Intelligence，SI)的多细胞跟踪方法，以求用随机性的跟踪方法得到精确和稳定的跟踪结果，并构建了包含多种随机性跟踪方法的多细胞跟踪集成软件系统。
　　自随机有限集理论应用于多目标跟踪后，就成为多目标跟踪领域研究的热点。针对随机有限集框架下的两种多细胞跟踪方法（即高斯混合概率假设密度函数滤波器和多贝努利滤波器）缺乏定量的跟踪性能比较，本文在高斯混合概率假设密度函数滤波器跟踪方法中设计了一种简易的细胞检测方法，在多贝努利滤波器跟踪方法中使用一种基于RGB直方图的细胞似然函数，把两种跟踪方法在同一细胞图像序列中进行实验，分析两种方法的异同，并对实验结果进行定量比较，为低信噪比图像中这两种随机有限集多细胞跟踪方法的选择提供依据。
　　群智能是基于生物群体行为规律的技术，粒子群优化算法（Particle Swarm Optimization，PSO）是其中一种典型方法。本文提出了基于PSO的多细胞自动跟踪技术，以得到位置与轮廓的精确跟踪；构建两种不同的PSO跟踪模型以分别得到新生细胞和已存在细胞质心的粗略位置，然后在此基础上设计了一种 PSO的轮廓跟踪模型，用迭代的方式估计出细胞轮廓和精确的细胞质心。并引入了一种高斯模型，在细胞近邻或发生碰撞时跟踪效果良好。在实验仿真中，分别与多贝努利跟踪方法和蚁群跟踪方法进行比较，具有更高的跟踪精度，并能应对更加复杂的细胞环境。
　　最后，构建了多细胞跟踪集成软件系统，集成了包含本文所提出的跟踪方法在内的几类随机性多细胞自动跟踪方法，可分为三类：基于随机有限集理论的方法，基于粒子滤波器的方法和基于群智能方法。此外，还包含了人工跟踪模块，可以手动标定出细胞的位置和数目，为自动跟踪方法提供比对数据。系统可以对特定的细胞图像序列进行跟踪，生成详细的报表数据，并且能对这些数据进行分析和比较，对比各个方法的特点和跟踪性能。

目录

封面

声明

致谢

中文摘要

英文摘要

目录

变量注释表

1 绪论

1.1 背景和意义（Background and Significance）

1.2 研究现状（Research Status）

1.3 研究内容和目标（Research Contents and Object）

1.4 论文结构（Framework）

2 图像数据与跟踪性能指标

2.1 峰值信噪比（Peak Signal to Noise Ratio）

2.2 图像数据（Datasets）

2.3跟踪性能评价指标（Tracking Performance Measures）

3 基于随机有限集的多细胞自动跟踪方法

3.1 随机有限集理论概述（Background on RFS Model）

3.2 基于GM-PHD滤波器的多细胞跟踪技术（The GM-PHD Filter for Multi-Cell Tracking）

3.3 基于多贝努利滤波器的多细胞跟踪技术（The Multi-Bernoulli Filter for Multi-Cell Tracking）

3.4 标签管理（Label Management）

3.5 实验与讨论（Experiments and Discussions）

3.6 本章小结（Chapter Summary）

4 基于粒子群算法的多细胞自动跟踪方法

4.1 粒子群算法简介（Particle Swarm Optimization）

4.2 基于粒子群算法的多细胞跟踪方法（ PSO for Multi-Cell Tracking）

4.3实验与讨论（Experiments and Discussions）

4.4本章小结（Chapter Summary）

5 多细胞跟踪集成软件系统

5.1 系统简介（Introduction to The System）

5.2方法模块（Method Module）

5.3功能模块（Function Module）

6 总结与展望

6.1 总结（Summary）

6.2 展望（Scope）

参考文献

作者简历

学位论文数据集