基于中心投影的图像形态特征线提取方法

摘要

一种基于中心投影的图像形态特征线提取方法，包括步骤：a、采集图像；b、将采集到的图像二值化，并分割出目标图像；c、计算所述目标图像的质心，设定中心投影角度θ；以所述质心为起点，沿着与参考线夹角为0、θ、2θ、……、(N－1)θ的方向分别做射线，记录每条射线经过该目标图像的象素的个数pθ(n)(0≤n＜N＝；将所有非零的pθ(n)归一化、排序形成新的序列qθ(m)，在坐标系中依次连接所有的点(m，qθ(m))，形成目标图像的特征线。本方法能够自动从采集到的图像中分割出所有的目标图像，并自动完成每个目标图像的特征线的提取，提取到的特征线不会随目标图像的旋转、平移、伸缩而改变，可广泛应用于生物学、病理学、细胞组织学、药物化学、遗传基因、临床诊断等领域。

说明书

技术领域

本发明涉及图像处理中各类图像形态特征的表示和提取领域，特别是一种基于中心投影的图像形态特征线提取方法。

背景技术

当前，图像中的目标图像形态分析已经应用非常广泛，特别是显微镜下的细胞形态学分析已经广泛地用于生物学、农学、医学、药学、动物科学、环境资源、材料、化工等各领域，可对光镜和电镜显微图像进行各种处理及形态学自动分析，例如组织细胞形态学分析，金属显微组织及晶粒度分析，油料中污染物含量分析，农业种子形态分析，各种微小异形零件几何尺寸测量，化学工业中各种反应物粒子的形态分析等。但这些分析的关键是必须有人为的干预和计数，无法实现全部的自动化，这些情况下，人们的干预还可以实现，但有些领域，人们无法干预，如最近发展起来的高内涵药物筛选技术，如果没有形态自动识别技术作为保证，就无法利用这项技术。

当前，图像识别技术，特别是显微镜细胞图像识别技术是人们从微观形态研究和认识细胞特性的工具，是现代分子检测分析的主要途径。目前已广泛应用于生物学、病理学、细胞组织学、药物化学、遗传基因、临床诊断等很多领域，也对细胞自动识别技术提出了更高的要求，例如：如何提高自动化的程度，如何提高检测的精度，如何减少人为主观产生的误差，如何减轻人们的劳动强度等等。此技术主要是自动读取和判别细胞的类型，与人工判读相比，既减少了人为的主观干扰，提高了判读精度，对于临床又减轻了医生的负担和人为因素的影响。随着仪器自动化、智能化的发展，对该项技术提出更高的更迫切的要求。此外，这种具有高自动化程度的技术，在临床上，可以避免医生的再培训和必须具有一定经验，对于目前国家大力发展社区医疗建设，解决全科医生的苦恼以及解决国家缺少医生等现状都是非常有意义。

遗憾的是，目前由于相应的自动识别技术的滞后，导致自动识别技术、特别是细胞形态和纹理自动识别技术无法获得真正的应用，关键是缺乏有效的表示细胞形态和纹理的特征。

发明内容

本发明的目的是提供一种基于中心投影的图像形态特征线提取方法，通过该方法提取的表示图像形态的特征线为一段曲线，且该特征线不会随目标图像的旋转、平移、伸缩而改变。

本发明基于中心投影的图像形态特征线提取方法包括以下步骤：

a、采集图像；

b、将采集到的图像二值化成为二值图像，从所述二值图像中分割出目标图像；

c、计算所述目标图像的质心，设定中心投影角度θ，θ应是360°的整数因子；以所述质心为起点，沿着与参考线夹角为0、θ、2θ、……、(N-1)θ的方向分别做射线，其中N＝360°/θ，记录每条投影射线经过该目标图像的象素的个数P_θ(n)，式中0≤n＜N；

将所有非零的P_θ(n)归一化，将归一化后的各数值从小到大排序形成新的序列q_θ(m)，式中0≤m＜N，在坐标系中依次连接所有的点(m，q_θ(m))，从而形成所述目标图像的特征线。

为了提高计算精度，可以在步骤b中，将采集到的图像二值化成为二值图像前，增加所述图像的网格密度。

上述步骤c中，计算目标图像的质心的方法为：用f(x_i，y_j)(1≤i≤K；1≤j≤L)表示所述目标图像，式中x_i和y_i分别为目标图像中一个象素的横坐标和纵坐标，用座标(x，y)表示该目标图像的质心，则通过公式

$>ver>>x>‾>>=>>>>\Sigma >>i>=>1>>K>>>\Sigma >>j>=>1>>L>>>x>i>>f>>(>>x>i>>,>>y>j>>)>>>>>\Sigma >>i>=>1>>K>>>\Sigma >>j>=>1>>L>>f>>(>>x>i>>,>>y>j>>)>>>>>s>$ >ver>>y>\_>>=>>>>\Sigma >>i>=>1>>K>>>\Sigma >>j>=>1>>L>>>y>i>>f>>(>>x>i>>,>>y>j>>)>>>>>\Sigma >>i>=>1>>K>>>\Sigma >>j>=>1>>L>>f>>(>>x>i>>,>>y>j>>)>>>>>s>$$

即可计算所述目标图像f(x_i，y_j)(1≤i≤K；1≤j≤L)的质心(x，y)。

上述步骤c中，所述参考线可以采用经过所述目标图像的质心的任意一条直线。

与现有技术相比，本发明具有以下有优点：

本发明提取方法提取到的图像形态特征是一段曲线，该曲线，即特征线不会随目标图像的旋转、平移、伸缩而改变。

本提取方法能够自动从采集到的图像中分割出所有的目标图像，并自动完成每个目标图像的特征线的提取，从而实现自动读取和判别细胞的类型，与人工判读相比，既减少了人为的主观干扰，提高了判读精度，对于临床又减轻了医生的负担和人为因素的影响。可广泛应用于生物学、病理学、细胞组织学、药物化学、遗传基因、临床诊断等领域，并可应用于人们无法干预的细胞形态学分析领域。

附图说明

图1为本发明基于中心投影的图像形态特征线提取方法的流程图；

图2为用Olymbus显微镜获取细胞有丝分裂过程中DNA图的一部分；

图3为对图2进行一倍的网格加密，同时进行二值化后的二值图像，图中把目标图像分割开，分别标记为a、b、c和d；

图4-7分别为用本实施例方法提取到的图3中目标图像a、b、c和d的特征线。

具体实施方式

参照图1，本基于中心投影的图像形态特征线提取方法包括以下步骤：

a、通过显微镜采集图像S1；

b、将采集到的图像二值化成为二值图像，并从所述二值图像中分割出目标图像S3；

c、计算所述目标图像的质心S4，设定中心投影角度θ，θ应是360°的整数因子；以所述质心为起点，沿着与参考线夹角为0、θ、2θ、……、(N-1)θ的方向分别做射线，其中N＝360°/θ，记录每条射线经过该目标图像的象素的个数P_θ(n)，式中o ≤n＜N S5；将所有非零的P_θ(n)归一化，将归一化后的各数值从小到大排序形成新的序列q_θ(m)，式中0≤m＜N S6，在坐标系中依次连接所有的点(m，q_θ(m))，从而形成所述目标图像的特征线S7。

可采用阈值法或其它二值化方法将采集到的灰度图像变成二值图像，采用区域搜索法或其它图像分割法从二值图像中分割出目标图像。为了提高计算精度，在步骤b中，将采集到的图像二值化成为二值图像前，增加采集到的图像的网格密度。

上述步骤c中，计算目标图像的质心的方法为：用f(x_i，y_j)(1≤i≤K；1≤j≤L)表示所述目标图像，式中x_i和y_i分别为目标图像中一个象素的横坐标和纵坐标，用座标(x，y)表示该目标图像的质心，则通过公式

$>ver>>x>‾>>=>>>>\Sigma >>i>=>1>>K>>>\Sigma >>j>=>1>>L>>>x>i>>f>>(>>x>i>>,>>y>j>>)>>>>>\Sigma >>i>=>1>>K>>>\Sigma >>j>=>1>>L>>f>>(>>x>i>>,>>y>j>>)>>>>>s>$ >ver>>y>‾>>=>>>>\Sigma >>i>=>1>>K>>>\Sigma >>j>=>1>>L>>>y>i>>f>>(>>x>i>>,>>y>j>>)>>>>>\Sigma >>i>=>1>>K>>>\Sigma >>j>=>1>>L>>f>>(>>x>i>>,>>y>j>>)>>>>>s>$$

即可计算所述目标图像f(x_i，y_j)(1≤i≤K；1≤j≤L)的质心(x，y)。

上述步骤c中，所述参考线可以采用经过所述目标图像的质心的任意一条直线，例如，以质心为坐标圆点，则参考线可以采用X轴正半轴、X轴负半轴、Y轴正半轴、Y轴负半轴或其它经过坐标圆点(即该目标图像质心)的直线。

下面举例说明：

如图2所示为用Olymbus显微镜获取细胞有丝分裂过程中DNA图的一部分。

本例对图2中的图像进行一倍的网格加密，并进行二值化变为二值图像，将该二值图像中的目标图像分割开，并分别标记为a、b、c、d，如图3所示。

设定中心投影角度θ为10度，计算目标图像a的质心，以该质心为起点，沿着与参考线的夹角为0、10、20、30、40、50、……330、340、350的方向分别做射线，记录每条射线经过目标图像a的象素的个数P_θ(n)(0≤n＜N)，采用归一化公式

将所有非零的P_θ(n)归一化，并将归一化后的各数值从小到大排序形成新的序列q_θ(m)，式中0≤m＜N，在坐标系中依次连接所有的点(m，q_θ(m))，从而形成所述目标图像的特征线。

采用同样的方法形成目标图像b的形态特征线，如图5所示；目标图像c的形态特征线如图6所示；目标图像d的形态特征线如图7所示。