專利名稱：基于中心投影的圖像形態(tài)特征線提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理中各類圖像形態(tài)特征的表示和提取領(lǐng)域，特別是一種基于中心投影的圖像形態(tài)特征線提取方法。
背景技術(shù)：
當(dāng)前，圖像中的目標(biāo)圖像形態(tài)分析已經(jīng)應(yīng)用非常廣泛，特別是顯微鏡下的細胞形態(tài)學(xué)分析已經(jīng)廣泛地用于生物學(xué)、農(nóng)學(xué)、醫(yī)學(xué)、藥學(xué)、動物科學(xué)、環(huán)境資源、材料、化工等各領(lǐng)域，可對光鏡和電鏡顯微圖像進行各種處理及形態(tài)學(xué)自動分析，例如組織細胞形態(tài)學(xué)分析，金屬顯微組織及晶粒度分析，油料中污染物含量分析，農(nóng)業(yè)種子形態(tài)分析，各種微小異形零件幾何尺寸測量，化學(xué)工業(yè)中各種反應(yīng)物粒子的形態(tài)分析等。但這些分析的關(guān)鍵是必須有人為的干預(yù)和計數(shù)，無法實現(xiàn)全部的自動化，這些情況下，人們的干預(yù)還可以實現(xiàn)，但有些領(lǐng)域，人們無法干預(yù)，如最近發(fā)展起來的高內(nèi)涵藥物篩選技術(shù)，如果沒有形態(tài)自動識別技術(shù)作為保證，就無法利用這項技術(shù)。
當(dāng)前，圖像識別技術(shù)，特別是顯微鏡細胞圖像識別技術(shù)是人們從微觀形態(tài)研究和認識細胞特性的工具，是現(xiàn)代分子檢測分析的主要途徑。目前已廣泛應(yīng)用于生物學(xué)、病理學(xué)、細胞組織學(xué)、藥物化學(xué)、遺傳基因、臨床診斷等很多領(lǐng)域，也對細胞自動識別技術(shù)提出了更高的要求，例如如何提高自動化的程度，如何提高檢測的精度，如何減少人為主觀產(chǎn)生的誤差，如何減輕人們的勞動強度等等。此技術(shù)主要是自動讀取和判別細胞的類型，與人工判讀相比，既減少了人為的主觀干擾，提高了判讀精度，對于臨床又減輕了醫(yī)生的負擔(dān)和人為因素的影響。隨著儀器自動化、智能化的發(fā)展，對該項技術(shù)提出更高的更迫切的要求。此外，這種具有高自動化程度的技術(shù)，在臨床上，可以避免醫(yī)生的再培訓(xùn)和必須具有一定經(jīng)驗，對于目前國家大力發(fā)展社區(qū)醫(yī)療建設(shè)，解決全科醫(yī)生的苦惱以及解決國家缺少醫(yī)生等現(xiàn)狀都是非常有意義。
遺憾的是，目前由于相應(yīng)的自動識別技術(shù)的滯后，導(dǎo)致自動識別技術(shù)、特別是細胞形態(tài)和紋理自動識別技術(shù)無法獲得真正的應(yīng)用，關(guān)鍵是缺乏有效的表示細胞形態(tài)和紋理的特征。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于中心投影的圖像形態(tài)特征線提取方法，通過該方法提取的表示圖像形態(tài)的特征線為一段曲線，且該特征線不會隨目標(biāo)圖像的旋轉(zhuǎn)、平移、伸縮而改變。
本發(fā)明基于中心投影的圖像形態(tài)特征線提取方法包括以下步驟a、采集圖像；b、將采集到的圖像二值化成為二值圖像，從所述二值圖像中分割出目標(biāo)圖像；c、計算所述目標(biāo)圖像的質(zhì)心，設(shè)定中心投影角度θ，θ應(yīng)是360°的整數(shù)因子；以所述質(zhì)心為起點，沿著與參考線夾角為0、θ、2θ、……、(N-1)θ的方向分別做射線，其中N＝360°/θ，記錄每條投影射線經(jīng)過該目標(biāo)圖像的象素的個數(shù)Pθ(n)，式中0≤n＜N；將所有非零的Pθ(n)歸一化，將歸一化后的各數(shù)值從小到大排序形成新的序列qθ(m)，式中0≤m＜N，在坐標(biāo)系中依次連接所有的點(m，qθ(m))，從而形成所述目標(biāo)圖像的特征線。
為了提高計算精度，可以在步驟b中，將采集到的圖像二值化成為二值圖像前，增加所述圖像的網(wǎng)格密度。
上述步驟c中，計算目標(biāo)圖像的質(zhì)心的方法為用f(xi，yj)(1≤i≤K；1≤j≤L)表示所述目標(biāo)圖像，式中xi和yi分別為目標(biāo)圖像中一個象素的橫坐標(biāo)和縱坐標(biāo)，用座標(biāo)(x，y)表示該目標(biāo)圖像的質(zhì)心，則通過公式x‾=Σi=1KΣj=1Lxif(xi,yj)Σi=1KΣj=1Lf(xi,yj)]]>y_=Σi=1KΣj=1Lyif(xi,yj)Σi=1KΣj=1Lf(xi,yj)]]>即可計算所述目標(biāo)圖像f(xi，yj)(1≤i≤K；1≤j≤L)的質(zhì)心(x，y)。
上述步驟c中，所述參考線可以采用經(jīng)過所述目標(biāo)圖像的質(zhì)心的任意一條直線。
與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有優(yōu)點本發(fā)明提取方法提取到的圖像形態(tài)特征是一段曲線，該曲線，即特征線不會隨目標(biāo)圖像的旋轉(zhuǎn)、平移、伸縮而改變。
本提取方法能夠自動從采集到的圖像中分割出所有的目標(biāo)圖像，并自動完成每個目標(biāo)圖像的特征線的提取，從而實現(xiàn)自動讀取和判別細胞的類型，與人工判讀相比，既減少了人為的主觀干擾，提高了判讀精度，對于臨床又減輕了醫(yī)生的負擔(dān)和人為因素的影響?？蓮V泛應(yīng)用于生物學(xué)、病理學(xué)、細胞組織學(xué)、藥物化學(xué)、遺傳基因、臨床診斷等領(lǐng)域，并可應(yīng)用于人們無法干預(yù)的細胞形態(tài)學(xué)分析領(lǐng)域。


圖1為本發(fā)明基于中心投影的圖像形態(tài)特征線提取方法的流程圖；圖2為用Olymbus顯微鏡獲取細胞有絲分裂過程中DNA圖的一部分；圖3為對圖2進行一倍的網(wǎng)格加密，同時進行二值化后的二值圖像，圖中把目標(biāo)圖像分割開，分別標(biāo)記為a、b、c和d；圖4-7分別為用本實施例方法提取到的圖3中目標(biāo)圖像a、b、c和d的特征線。
具體實施例方式
參照圖1，本基于中心投影的圖像形態(tài)特征線提取方法包括以下步驟a、通過顯微鏡采集圖像S1；b、將采集到的圖像二值化成為二值圖像，并從所述二值圖像中分割出目標(biāo)圖像S3；c、計算所述目標(biāo)圖像的質(zhì)心S4，設(shè)定中心投影角度θ，θ應(yīng)是360°的整數(shù)因子；以所述質(zhì)心為起點，沿著與參考線夾角為0、θ、2θ、……、(N-1)θ的方向分別做射線，其中N＝360°/θ，記錄每條射線經(jīng)過該目標(biāo)圖像的象素的個數(shù)Pθ(n)，式中o ≤n＜N S5；將所有非零的Pθ(n)歸一化，將歸一化后的各數(shù)值從小到大排序形成新的序列qθ(m)，式中0≤m＜N S6，在坐標(biāo)系中依次連接所有的點(m，qθ(m))，從而形成所述目標(biāo)圖像的特征線S7。
可采用閾值法或其它二值化方法將采集到的灰度圖像變成二值圖像，采用區(qū)域搜索法或其它圖像分割法從二值圖像中分割出目標(biāo)圖像。為了提高計算精度，在步驟b中，將采集到的圖像二值化成為二值圖像前，增加采集到的圖像的網(wǎng)格密度。
上述步驟c中，計算目標(biāo)圖像的質(zhì)心的方法為用f(xi，yj)(1≤i≤K；1≤j≤L)表示所述目標(biāo)圖像，式中xi和yi分別為目標(biāo)圖像中一個象素的橫坐標(biāo)和縱坐標(biāo)，用座標(biāo)(x，y)表示該目標(biāo)圖像的質(zhì)心，則通過公式x‾=Σi=1KΣj=1Lxif(xi,yj)Σi=1KΣj=1Lf(xi,yj)]]>y‾=Σi=1KΣj=1Lyif(xi,yj)Σi=1KΣj=1Lf(xi,yj)]]>即可計算所述目標(biāo)圖像f(xi，yj)(1≤i≤K；1≤j≤L)的質(zhì)心(x，y)。
上述步驟c中，所述參考線可以采用經(jīng)過所述目標(biāo)圖像的質(zhì)心的任意一條直線，例如，以質(zhì)心為坐標(biāo)圓點，則參考線可以采用X軸正半軸、X軸負半軸、Y軸正半軸、Y軸負半軸或其它經(jīng)過坐標(biāo)圓點(即該目標(biāo)圖像質(zhì)心)的直線。
下面舉例說明如圖2所示為用Olymbus顯微鏡獲取細胞有絲分裂過程中DNA圖的一部分。
本例對圖2中的圖像進行一倍的網(wǎng)格加密，并進行二值化變?yōu)槎祱D像，將該二值圖像中的目標(biāo)圖像分割開，并分別標(biāo)記為a、b、c、d，如圖3所示。
設(shè)定中心投影角度θ為10度，計算目標(biāo)圖像a的質(zhì)心，以該質(zhì)心為起點，沿著與參考線的夾角為0、10、20、30、40、50、……330、340、350的方向分別做射線，記錄每條射線經(jīng)過目標(biāo)圖像a的象素的個數(shù)Pθ(n)(0≤n＜N)，采用歸一化公式p0θ(n)=pθ(n)Σi=0N-1pθ(i),(0≤n<N)]]>將所有非零的Pθ(n)歸一化，并將歸一化后的各數(shù)值從小到大排序形成新的序列qθ(m)，式中0≤m＜N，在坐標(biāo)系中依次連接所有的點(m，qθ(m))，從而形成所述目標(biāo)圖像的特征線。
采用同樣的方法形成目標(biāo)圖像b的形態(tài)特征線，如圖5所示；目標(biāo)圖像c的形態(tài)特征線如圖6所示；目標(biāo)圖像d的形態(tài)特征線如圖7所示。
權(quán)利要求
1.基于中心投影的圖像形態(tài)特征線提取方法，其特征在于包括以下步驟a、采集圖像；b、將采集到的圖像二值化成為二值圖像，從所述二值圖像中分割出目標(biāo)圖像；c、計算所述目標(biāo)圖像的質(zhì)心，設(shè)定中心投影角度θ，θ應(yīng)是360°的整數(shù)因子；以所述質(zhì)心為起點，沿著與參考線夾角為0、θ、2θ、……、(N-1)θ的方向分別做射線，其中N＝360°/θ，記錄每條投影射線經(jīng)過該目標(biāo)圖像的象素的個數(shù)Pθ(n)，式中0≤n＜N；將所有非零的Pθ(n)歸一化，將歸一化后的各數(shù)值從小到大排序形成新的序列qθ(m)，式中0≤m＜N，在坐標(biāo)系中依次連接所有的點(m，qθ(m))，從而形成所述目標(biāo)圖像的特征線。
2.根據(jù)權(quán)利要求1所述的基于中心投影的圖像形態(tài)特征線提取方法，其特征在于在步驟b中，將采集到的圖像二值化成為二值圖像前，增加所述圖像的網(wǎng)格密度，以提高計算精度。
3.根據(jù)權(quán)利要求1所述的基于中心投影的圖像形態(tài)特征線提取方法，其特征在于，在步驟c中計算目標(biāo)圖像的質(zhì)心的方法為用f(xi，yj)(1≤i≤K；1≤j≤L)表示所述目標(biāo)圖像，式中xi和yi分別為目標(biāo)圖像中一個象素的橫坐標(biāo)和縱坐標(biāo)，用座標(biāo)(x，y)表示該目標(biāo)圖像的質(zhì)心，則通過公式x‾=Σi=1KΣj=1Lxif(xi,yj)Σi=1KΣj=1Lf(xi,yj)]]>y‾=Σi=1KΣj=1Lyif(xi,yj)Σi=1KΣj=1Lf(xi,yj)]]>即可計算所述目標(biāo)圖像f(xi，yj)(1≤i≤K；1≤j≤L)的質(zhì)心(x，y)。
4.根據(jù)權(quán)利要求1所述的基于中心投影的圖像形態(tài)特征線提取方法，其特征在于步驟c中所述參考線是經(jīng)過所述目標(biāo)圖像的質(zhì)心的任意一條直線。
全文摘要
一種基于中心投影的圖像形態(tài)特征線提取方法，包括步驟a、采集圖像；b、將采集到的圖像二值化，并分割出目標(biāo)圖像；c、計算所述目標(biāo)圖像的質(zhì)心，設(shè)定中心投影角度θ；以所述質(zhì)心為起點，沿著與參考線夾角為0、θ、2θ、……、(N－1)θ的方向分別做射線，記錄每條射線經(jīng)過該目標(biāo)圖像的象素的個數(shù)p
文檔編號G06T7/60GK1851732SQ20061006059
公開日2006年10月25日 申請日期2006年5月16日 優(yōu)先權(quán)日2006年5月16日
發(fā)明者袁克虹, 程乾生 申請人:清華大學(xué)深圳研究生院