基于非負矩陣分解的顯微圖像彩色去卷積方法及分割方法
【專利摘要】本發(fā)明公開了一種基于非負矩陣分解（NonnegativeMatrixFactorization，簡稱NMF）的顯微圖像彩色去卷積方法，屬于圖像信息處理【技術(shù)領(lǐng)域】。本發(fā)明方法針對染色標記后的組織顯微圖像，利用非負矩陣分解的方法將不同染色劑所對應(yīng)的觀測通道進行分離。本發(fā)明還公開了一種基于非負矩陣分解的顯微圖像分割方法，基于非負矩陣分解方法分離出的觀測通道進行圖像分割，不但可實現(xiàn)快速全自動化的圖像處理，且獲得的圖像分割結(jié)果更準確，為后續(xù)的細胞檢測、病理診斷分析提供了更準確的依據(jù)。相比現(xiàn)有技術(shù)，本發(fā)明能夠有效提高顯微圖像分割的準確率，節(jié)省計算時間，且得到的顯微圖像的視覺效果更好。
【專利說明】基于非負矩陣分解的顯微圖像彩色去卷積方法及分割方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像信息處理【技術(shù)領(lǐng)域】，尤其涉及一種基于非負矩陣分解(Nonnegative Matrix Factorizat1n,簡稱NMF)的顯微圖像彩色去卷積方法及分割方法。

【背景技術(shù)】
[0002]病理學是對細胞形態(tài)性質(zhì)的微觀研究。它在治療方案的決策上起著主觀重要的作用。特別是在包括癌癥在內(nèi)的一些疾病的診斷中，病理圖像的分析結(jié)果仍被認作為‘金標準’。病理學的研究者已經(jīng)認識到對病理圖像定量分析的重要性。它可以用來支持臨床醫(yī)生關(guān)于某種疾病的診斷決定，也可以幫助評價病人疾病的治療效果。定量的分析不僅對臨床領(lǐng)域至關(guān)重要，同時對運用研究領(lǐng)域(如藥品研發(fā))也舉足輕重。因此在病理學中的計算機輔助分析能夠加快臨床醫(yī)生的效率并提高他們診斷結(jié)果的準確性，最終造福于廣大的病人，減少他們的治療代價甚至挽救他們的生命。病理切片組織樣本或手術(shù)樣本是通過化學處理并分割到玻璃切片上的，其為疾病的診治和預(yù)后治療提供參考。數(shù)字病理學則是對這些切片組織樣本或手術(shù)樣本在數(shù)字化的基礎(chǔ)上進行的微觀研究。為了在顯微鏡下觀測到多種組織成分，會使用幾種不同的染色劑來對組織切片中的不同成分進行染色。其中使用最廣泛的為蘇木精一伊紅(H-E)染色，這種染色方法已經(jīng)被病理學家使用的100多年。蘇木精把細胞核染成了深藍色，而伊紅把其他生物組織(如細胞質(zhì)，基質(zhì)等)染成粉紅色。細胞核由于其染色體和核仁的分布，容易顯現(xiàn)出各種各樣的圖案。
[0003]與放射和其他形式的圖像相比，處理病理組織顯微圖像的最大挑戰(zhàn)在于其中巨大的組織結(jié)構(gòu)密度。舉例來說，放大40倍的前列腺切片組織圖像就有15000*15000個像素。除了高密度，組織圖像本身結(jié)構(gòu)也很復(fù)雜，包含很多組織結(jié)構(gòu)，而且這些結(jié)構(gòu)沒有明顯的邊界，同一結(jié)構(gòu)還存在很多的形態(tài)，這些都給處理帶來巨大挑戰(zhàn)。Wolberg針對乳腺癌圖像最早提出了基于主動輪廓模型的分割方法。在運用中它需要使用者手動輸入細胞核的位置，來方便程序進行分割。但是所遇到的問題是，位于基質(zhì)但不在上皮層組織中的細胞數(shù)量是十分巨大的。以前基于細胞或細胞核的檢測是利用分割算法來實現(xiàn)的，這些方法包括區(qū)域增長法、自適應(yīng)閾值法、非監(jiān)督的顏色聚類法，水平集法，形態(tài)學基礎(chǔ)的方法和基于監(jiān)督的顏色紋理方法。但是這些方法對處理多變化形狀和多尺度大小的人體組織細胞時顯得不是很魯棒。這其中還存在組織切片獲取，染色和數(shù)字化過程中人為造成的不可避免的干擾現(xiàn)象。
[0004]對于組織切片圖像來說，一般是用多種染色劑對其進行著色的，因為單一的著色會使圖像的部分信息丟失。在著色之后，如果能重新找到各染色劑所對應(yīng)的觀測通道，就會使圖像中的細胞信息更加清晰。因此，部分研究者會先利用彩色去卷積的方法將顯微圖像中各染色劑所對應(yīng)的觀測通道分別提取出來，然后在此基礎(chǔ)上進行圖像分割，從而獲得更清晰準確的細胞或細胞核圖像。例如，《基于著色分離的免疫組化圖像核分割研究》一文中提出一個基于著色分離的核分割方法，首先采用顏色去卷積算法對多著色的IHC(immunohistochemical)圖像進行著色分離，進而利用改進的SCFCM算法對單著色灰度圖像進行粗分割；然后利用分水嶺算法分離粘連細胞；最后通過細胞核尺寸分析進行后處理，完成對蘇木素或多種染色的免疫組化圖像的準確核分割。《Quantificat1n ofhistochemical staining by color deconvolut1n》這篇文章提出人工設(shè)計彩色去卷積，用于分離蘇木精，伊紅和DAB三種染色。
[0005]然而，以上現(xiàn)有技術(shù)均利用人工設(shè)計彩色去卷積矩陣來實現(xiàn)觀測通道的分離，需要人為設(shè)計去卷積矩陣，而這個卷積矩陣的設(shè)計需要考慮染色成像時的光照強度以及染色劑的成分信息，稍微的偏差就得不到理想的對應(yīng)染色劑圖像，因此難以實現(xiàn)圖像處理的實時性，且圖像分割的準確率較低。


【發(fā)明內(nèi)容】

[0006]本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)通過人為介入的方式進行顯微圖像彩色去卷積所帶來的實時性差、準確率低的不足，提供一種基于非負矩陣分解的顯微圖像彩色去卷積方法及一種基于非負矩陣分解的顯微圖像分割方法，能夠有效提高顯微圖像分割的準確率，節(jié)省計算時間，且得到的顯微圖像的視覺效果更好。
[0007]本發(fā)明具體采用以下技術(shù)方案解決上述技術(shù)問題:
[0008]基于非負矩陣分解的顯微圖像彩色去卷積方法，所述顯微圖像通過對經(jīng)至多三種不同染色劑染色標記的組織樣本進行顯微成像得到，該方法包括以下步驟:
[0009]步驟A、將大小為MXN的原始彩色顯微圖像的所有像素依次排列為行，以原始顯微圖像中單個像素在RGB顏色空間中各分量所對應(yīng)的光密度作為列，得到大小為(MXN) X3的原始顯微圖像的光密度矩陣；
[0010]步驟B、以重構(gòu)誤差最小為目標，對所述光密度矩陣進行非負矩陣分解，將其分解為一個(MXN) XK的矩陣A和一個KX 3的矩陣S，K為所述染色劑的類別總數(shù)；
[0011]步驟C、根據(jù)下式得到第k種染色劑標記的光密度圖像dASk，k = 1，2，…，K:
[0012]dASk = dA (:, k) X dS (k,:)
[0013]式中，dA(:，k)表示矩陣A的第k列，dS(k，:)表示矩陣S的第Mf;
[0014]步驟D、將第k種染色劑標記的光密度圖像dASk在RGB顏色空間中重構(gòu)，k =1，2，…，K得到第k種染色劑標記的光強度圖像。
[0015]基于非負矩陣分解的顯微圖像分割方法，所述顯微圖像通過對經(jīng)至多三種不同染色劑染色標記的組織樣本進行顯微成像得到，首先利用如上所述彩色去卷積方法獲取其中至少一種染色劑標記的光強度圖像，然后對所述光強度圖像進行分割。
[0016]優(yōu)選地，所述對光強度圖像進行分割，包括利用閾值分割方法對光強度圖像進行分割的步驟。
[0017]進一步地，所述對光強度圖像進行分割，還包括形態(tài)學處理的步驟，具體如下:對閾值分割方法得到的分割圖像依次進行以下形態(tài)學處理:膨脹、填充空洞、開運算-閉運算、分裂。
[0018]相比現(xiàn)有技術(shù)，本發(fā)明方法具有以下有益效果:
[0019](I)在同樣的實驗條件下，本發(fā)明方法的圖像分割準確率比現(xiàn)有方法的準確率聞;
[0020](2)本發(fā)明尋找顏色去卷積矩陣是利用非負矩陣分解的方法自動實現(xiàn)，相比于現(xiàn)有人工選擇的方法，消除了人為因素的影響，更加可靠，快捷和方便，可實現(xiàn)完全自動化；
[0021](3)本發(fā)明使用形態(tài)學里的多種操作對得到的初步分割圖像進行處理，最終獲得的分割結(jié)果更平滑，形狀更精確。

【具體實施方式】
[0022]下面結(jié)合附圖對本發(fā)明的技術(shù)方案進行詳細說明:
[0023]本發(fā)明的思路是針對染色標記后的組織顯微圖像，利用非負矩陣分解的方法將不同染色劑所對應(yīng)的觀測通道進行分離，并基于分離出的觀測通道進行圖像分割，不但可實現(xiàn)快速全自動化的圖像處理，且獲得的圖像分割結(jié)果更準確，為后續(xù)的細胞檢測、病理診斷分析提供了更準確的依據(jù)。
[0024]下面以細胞圖像分割為例來對本發(fā)明技術(shù)方案進行詳細說明，其中組織切片樣本采用蘇木精一伊紅(H-E)染色，整個圖像分割過程具體如下:
[0025]步驟1、構(gòu)造新的二維圖像矩陣:
[0026]將原使彩色顯微圖像的RGB三維矩陣(假設(shè)原圖像大小為MXN個像素，則RGB三維矩陣的大小為MXNX3)進行重新排列，將它構(gòu)造為(MXN) X3的二維矩陣。行為圖像的像素總數(shù)，列為R、G、B三個通道的值，得到新的圖像矩陣。
[0027]步驟2、對新的圖像矩陣計算各像素R、G、B三個通道所對應(yīng)的光密度，得到原始圖像的光密度矩陣；
[0028]在RGB模型中，R、G、B三個通道所對應(yīng)的光強度IK、Ig和Ib通過相機吸收后轉(zhuǎn)換為像素點，因為每個通道光強度的相關(guān)性是由一種在非線性方法下的著色濃度決定的，圖像的光強度值不可以直接用于分割和對每一種著色進行測量。R、G、B三個通道的每個通道所對應(yīng)的光密度(OD)可以表示如下:
[0029]()】:)(.=-1ogw -JL(I)
H J
[0030]其中，I。是進入樣本的光強度，Iw是觀測到的光強度，Ac是對應(yīng)某種吸收因子c的染色強度，C。是對應(yīng)某種吸收因子c的R、G、B三個顏色的顯示系數(shù)?？梢钥闯?，對每個通道來說，OD和吸收的物質(zhì)濃度是線性相關(guān)的，因此，在一個樣本中，多種著色的貢獻可以用這個方法來分離。
[0031]步驟3、運用非負矩陣分解的方法分解圖像的光密度矩陣，得到彩色去卷積矩陣:
[0032]現(xiàn)有技術(shù)均采用人工選擇的方式來獲取彩色去卷積矩陣，而本發(fā)明利用非負矩陣分解的方法來自動獲取，即以重構(gòu)誤差最小為目標，利用非負矩陣分解的方法將光密度矩陣分解為一個(MXN) XK的矩陣和一個KX3的矩陣，K為所述染色劑的類別總數(shù)，本實施例中K = 2，所得到的KX3的矩陣即為去卷積矩陣。
[0033]非負矩陣分解技術(shù)為現(xiàn)有技術(shù)，目前已在信號處理、模式識別、文本識別等領(lǐng)域得到廣泛應(yīng)用。為了便于公眾更好地理解，下面對其基本內(nèi)容進行介紹。
[0034]在許多數(shù)據(jù)分析工作中，一個基本的問題是找到一個合適的數(shù)據(jù)代表，一個典型、有用的數(shù)據(jù)代表可以使?jié)撛诘臄?shù)據(jù)結(jié)構(gòu)明確，且能夠減少數(shù)據(jù)的維數(shù)。目前的研究中，非負矩陣分解能夠很好的解決這類問題。
[0035]對于一個給定矩陣X，矩陣A和矩陣S的最佳選擇是要使得的X和AS之間的重構(gòu)誤差最小，因此，NMF的求解問題實際上是個優(yōu)化問題。
[0036]已有的非負矩陣分解算法大體可以分為三類:梯度下降算法、乘性迭代算法及交替最小平方算法(ALS)。
[0037]給定A和S來觀測X.考慮類似歐氏距離損失函數(shù):
[0038]Je = De (X; AS) = ||X - AS|； = |Σ(χρ?-[ASJpi)2(2)




P*
[0039]其中，X= [xpt]是樣本中大小為pXt的觀測量Xpt的數(shù)據(jù)陣，A= [apn]=[a1； a2，...，aN] e Rpxn是大小為pXn的混合矩陣。S = [snt]是一個大小為nXt的矩陣。對的一個簡單的梯度下降步驟，我們希望通過下式對進行更新:

cl
[0040]S^S—η」~^(3)

cS
[0041]其中，η是一個很小的更新因子，[|]ηι上式也可以記作:

dJe
[0042]Snl e snt-11nl —(4)
[0043]其中，對于(n，t)的每個結(jié)合，允許Hnt有不同的值。
[0044]為了計算局部的微分值，我們把目標函數(shù)記作:
[0045]Ie = 1||X — ASf = -trace ((X — AS)T (X — AS))(5)
2F 2 、,
[0046]由于的一個無限小改變:
[0047]S4-S + 0S(6)
[0048](2)中包含Je的一個無限小改變:Jh <-Jk +OJk
[0049]在⑵中，對這個無限小進行微分，得到:
dJE = —tracc ((X — AS)1.A0S)
[0050]= -tracc( A1X-A1 AS)
=-Z [ A1X - At AS]_ 0sel(7)

At
[0051]因此，
[_ ■=—[ΑΤχ —A!AS]nt=—[A.AslJ(8)
[0053]將(7)帶入(3)，得到:
[0054]Snt — snt+ n nt ([ΑΤΧ] nt- [ATAS] nt) (9)
[0055]即snt = [S]nt的梯度更新步驟。由A和S的對稱性，同理,得到Eipn = [A]pn的梯度更新步驟:
[0056]apn — apn+ η pn ([XST] Pn_ [ASST] pj (10)
[0057]—個簡單的梯度更新算法在(9)和(10)之間交變直到收斂。為了維持apn和Snt的所有元素的非負性，我們使用下式表示:
[0058]snt- [snt+nnt([ATX]nt-[ATAS]nt)]+ (11)
[0059]其中，[S]+ = max (O, s)是一個矯正方程,對apn也有同樣的表示。
[0060]梯度更新只是一個簡單的處理方法，其收斂很慢，且這種收斂性對每一步驟的尺寸很敏感，為了克服這個問題，D.D.Lee和H.S.Seung提出了乘性迭代規(guī)則。
[0061]為了對Snt構(gòu)造一個乘性迭代規(guī)則，我們可以選擇Jlnt如:將(10)中的第一部分和第三部分忽略掉，即Snt = nnt[ATAS]nt或1* = rX:.AS]_________________1將它帶入(10)，我們得到:

LJnt

A Γχ]
[0062]Sfit^Snt.斤1:讀—(12)
L Jnt
[0063]即的一個乘性更新規(guī)則。同理，可以得到的乘性迭代規(guī)則:

Fxs1I
[0064]a麵 e a,n ——(13)

I ASS 丨
L Jpu
[0065]與梯度下降算法相比，為了使(2)中，歐氏距離損失方程中的Je更小，我們使用一種類牛頓(Newton-like)方法找到交替的A和S，直接將Je最小化。
[0066]對于一個固定矩陣A，首先，我們考慮對S的更新，將⑶用矩陣的形式表示，即:
[0067]^ = -(A1X-A1AS)(14) c*S
[0068]它的最小值必須是0，則得到:
[0069](AtA)S = AtX (15)
[0070]上式必須保持S使得Je最小化，從(14)中，使用S = - (AtA) -1AtX,或用更加高效的線性方程解法如MATLAB中的方程linsolve對S求解。同理，用A來最小化Je時，我們可以從方程(SSt)At = SXt中解出A。
[0071]在ALS中，該算法不會自動給A和S強加非負約束，為了解決這個問題，最簡單的方法是在在正象限處理結(jié)果序列，從而得到最佳值:
[0072]S — [ (A1Ar1A1X] + (16)
[0073]A — [XSt(SSt)-1]+ (17)
[0074]其中，[M] +將矩陣中所有的負值設(shè)置為0，由于在第一象限的處理，將負值移除，這意味著負值將會沒有理論意義，已經(jīng)證明，這個過程在實際中有很好的應(yīng)用。
[0075]步驟4、將分解后的光密度矩陣進行彩色去卷積算法重構(gòu)，找到H通道對應(yīng)的細胞圖像；
[0076]本發(fā)明采用彩色去卷積算法找到細胞觀測通道。各通道的圖像重構(gòu)按照以下公式:
[0077]dASH = dA(:, I) XdS(l,:) (18)
[0078]dASE = dA(:, 2) XdS(2,:) (19)
[0079]其中，A表示非負矩陣分解的大小為(MXN) X2的矩陣；S表示2X3的系數(shù)矩陣，即彩色去卷積矩陣；dASH表示H通道的光密度圖像；dASE表示E通道的光密度圖像，下標H表示細胞圖像通道，同理下標E表示細胞間質(zhì)通道圖像。
[0080]步驟5、強度重構(gòu)；
[0081]在光密度圖像基礎(chǔ)上，分別重構(gòu)H通道和E通道的光強度圖像。根據(jù)Lambert-Beer定律，通過對像素光密度的指數(shù)變換，可以得到光強度圖像:
[0082]Ic = exp (_d (AS)) (20)
[0083]其中，Ic是觀測到的光強度，dAS表示光密度圖像。
[0084]步驟6、細胞圖像分割:
[0085]在步驟5中得到的細胞H通道光強度圖像的基礎(chǔ)上，進行細胞圖像分割。此處可采用現(xiàn)有的各種圖像分割方法，例如期望最大化(EM)算法、分水嶺算法、主動輪廓算法等。本發(fā)明優(yōu)選采用以下分割方法:
[0086]首先對H通道的光強度圖像進行灰度化，并計算灰度化圖像的平均灰度值；將此灰度值作為閾值，對灰度圖像進行閾值操作，高于閾值位置的像素值置為0，低于閾值位置的像素值置為1，這樣即得到初步的細胞分割結(jié)果。
[0087]在此時的分割圖像中可以看到會有很多類似噪聲的非細胞小塊，可運用形態(tài)學中的膨脹操作去除較小的噪聲塊。此時的結(jié)果里面只剩下細胞可能性較大的塊，但還是可以看到在這些大塊中間還是存在許多鹽粒的空洞，這時可采用形態(tài)學中的連通域內(nèi)全填充的方法來填補這些空洞，使得所有的塊都是完整的、非缺失的。由于初步分割采用的是閾值處理，所以圖像中的可能細胞塊邊緣都比較尖銳，這時可采用形態(tài)學中的開運算-閉運算來平滑這些區(qū)域。這時已經(jīng)基本上得到細胞的分割結(jié)果，但考慮到圖像中有很多細胞塊重疊的情況，可進一步采用在二值圖像中尋找歐幾里得局部最大值的方法來分裂重疊細胞。經(jīng)過分裂后的結(jié)果圖即最終的細胞分割圖，在最終分割圖的基礎(chǔ)上還可以標記出細胞的位置。類似地，可利用E通道的光強度圖像對伊紅所標記的其他生物組織圖像進行分割和標記。
[0088]以上僅以兩種染色劑著色的樣本圖像為例對本發(fā)明方法進行說明，實際上，對于任意采用兩種或三種染色劑著色的組織樣本顯微圖像，采用本發(fā)明方法均可獲得較好的分表1]效果。
[0089]為了驗證本發(fā)明方法的效果，進行了以下試驗，并與現(xiàn)有的幾種圖像分割方法進行了對比。
[0090]將本發(fā)明所提供的技術(shù)方案應(yīng)用在用蘇木精和蘇木紫染色的乳腺癌組織彩色顯微圖像上，圖像的小為800X800。細胞分割過程具體如下:
[0091]1、重排像素矩陣:
[0092]原RGB圖像矩陣大小為800 X 800 X 3，用reshape O函數(shù)重構(gòu)為640000 X 3的新的圖像矩陣；
[0093]2、計算像素密度:
[0094]對得到的新的圖像矩陣用⑴式進行計算各像素的光密度，得到原圖像的光密度矩陣；
[0095]3、對光密度矩陣進行非負矩陣分解:
[0096]對選取的圖像的像素密度作為矩陣的行，使用(2)式中的代價函數(shù)來求解，直到滿足重構(gòu)誤差足夠??；
[0097]4、顏色的分離:
[0098]采用彩色去卷積算法實現(xiàn)顏色的分離；分別找到對應(yīng)的細胞圖像-H通道和對應(yīng)的細胞間質(zhì)密度圖像-E通道。
[0099]5、各觀測通道圖像重構(gòu):
[0100]在密度圖像基礎(chǔ)上，用(20)式重構(gòu)光強度圖像。在新的光強度圖像中，找到細胞觀測通道即H通道與細胞間質(zhì)通道即E通道的光強度圖像。
[0101]6、對H通道對應(yīng)的光強度圖像進行細胞圖像分割:
[0102](I)灰度化:
[0103]把H通道圖像進行灰度化；
[0104](2)閾值函數(shù)二值化
[0105]在灰度圖的基礎(chǔ)上利用閾值函數(shù)二值化圖像，得到初步的分割結(jié)果:
[0106](3)膨脹操作；
[0107]除去初步分割結(jié)果圖中特別小的非細胞塊；
[0108](4)填補空洞；
[0109]由于采用的閾值分割，有些細胞塊中會產(chǎn)生類似‘椒鹽’的空洞噪聲，這對最后的分割效果會產(chǎn)生影響，所以利用連通域內(nèi)無空缺的方法來填補這些空洞；
[0110](5)開運算-閉運算；
[0111]消除塊中狹窄的部分，去掉細的突出；
[0112](6)把可能合并的細胞塊分裂開；
[0113]在上面二值圖像的基礎(chǔ)上利用歐幾里得距離求得局部最大值，在局部最大值的基礎(chǔ)上求得割圖，即求得該分開的區(qū)域；根據(jù)分割的細胞圖標記出細胞的位置。
[0114]為了驗證本發(fā)明方法的效果，采用以下三種現(xiàn)有分割方法對上述實驗原圖進行細胞分割、檢測:對原圖直接灰度化然后運用閾值分割；最大似然估計(EM)算法進行分割；人工手動設(shè)計彩色去卷積矩陣進行分割，來與本發(fā)明方法進行比較，表1給出了 4種方法的實驗結(jié)果:
[0115]表1分割準確率對比

【權(quán)利要求】
1.基于非負矩陣分解的顯微圖像彩色去卷積方法，所述顯微圖像通過對經(jīng)至多三種不同染色劑染色標記的組織樣本進行顯微成像得到，其特征在于，該方法包括以下步驟: 步驟A、將大小為Mx F的原始彩色顯微圖像的所有像素依次排列為行，以原始顯微圖像中單個像素在RGB顏色空間中各分量所對應(yīng)的光密度作為列，得到大小為(AfXl)XS的原始顯微圖像的光密度矩陣； 步驟B、以重構(gòu)誤差最小為目標，對所述光密度矩陣進行非負矩陣分解，將其分解為一鄭xN')xK的矩陣a和一個JTx3的矩陣S , f為所述染色劑的類別總數(shù)； 步驟C、根據(jù)下式得到第々種染色劑標記的光密度圖像OfASk 4 = 1,2，…，:龜Sk =k) X d%{kt:) 式中，dA{..，表示矩陣第*列,鄉(xiāng)% 表示矩陣8的第々行; 步驟D、將第左種染色劑標記的光密度圖像.^ASk在1^?顏色空間中重構(gòu)彳=1,2,…,J:得到第々種染色劑標記的光強度圖像。
2.如權(quán)利要求1所述基于非負矩陣分解的顯微圖像彩色去卷積方法，其特征在于，步驟B中所述重構(gòu)誤差采用歐氏距離度量。
3.如權(quán)利要求1所述基于非負矩陣分解的顯微圖像彩色去卷積方法，其特征在于，所述非負矩陣分解采用梯度下降算法、乘性迭代算法、或交替最小平方算法。
4.如權(quán)利要求1所述基于非負矩陣分解的顯微圖像彩色去卷積方法，其特征在于，所述染色劑為蘇木精和伊紅。
5.基于非負矩陣分解的顯微圖像分割方法，所述顯微圖像通過對經(jīng)至多三種不同染色劑染色標記的組織樣本進行顯微成像得到，其特征在于，首先利用權(quán)利要求1?4任一項所述彩色去卷積方法獲取其中至少一種染色劑標記的光強度圖像，然后對所述光強度圖像進行分割。
6.如權(quán)利要求5所述基于非負矩陣分解的顯微圖像分割方法，其特征在于，所述對光強度圖像進行分割，包括利用閾值分割方法對光強度圖像進行分割的步驟。
7.如權(quán)利要求6所述基于非負矩陣分解的顯微圖像分割方法，其特征在于，所述對光強度圖像進行分割，還包括形態(tài)學處理的步驟，具體如下:對閾值分割方法得到的分割圖像依次進行以下形態(tài)學處理:膨脹、填充空洞、開運算-閉運算、分裂。
8.如權(quán)利要求7所述所述基于非負矩陣分解的顯微圖像分割方法，其特征在于，該方法還包括對最終分割結(jié)果進行標記的步驟。
【文檔編號】G06T5/00GK104200428SQ201410407602
【公開日】2014年12月10日 申請日期:2014年8月18日 優(yōu)先權(quán)日:2014年8月18日
【發(fā)明者】徐軍, 項磊, 蒲雯靜 申請人:南京信息工程大學