林玉狮等

摘要摘要：将非线性扩散滤波和背景差分法相结合，提出了一种新的运动细胞检测方法。通过在时间域内使用非线性扩散滤波，消除了背景差分法对阈值的强依赖性，并消除了图像噪声，增强了图像边界。实验结果表明，新方法能够较好地检测出运动细胞。

关键词关键词：运动细胞；背景差分法；非线性扩散滤波

DOIDOI：10.11907/rjdk.1431080

中图分类号：TP301

文献标识码：A文章编号文章编号：16727800（2015）004002703

0引言

在生物医药学和疾病防治研究领域，为了进行针对性的研究，需要获取细胞的各种参数，如运动轨迹、移动速度、分裂周期等。而这些参数的获取，需要对细胞进行检测和追踪。细胞形态不确定性、交叉和重叠等因素，导致采取传统手工分析方法效率和精准度都非常低下。因此，面对大量的细胞图像数据，迫切需要一种高效、精准，且能够自动对细胞行为进行分析的方法来对其加以处理。

在过去的几十年中，细胞追踪作为一个热点课题，已经被广大学者所持续关注和研究。细胞检测作为细胞追踪中重要的第一步，同样被科研工作者潜心研究。Meanshift算法和背景差分法是基于模型扩展的方法，Meanshift方法可以快速追踪到视频序列移动的物体，但通常并不能很好地描绘出物体的轮廓。在该领域内Xiuzhuang和Yao[12]提出了一种较好方法，他们在粒子滤波框架中引入方向自适应均值飘移算法，以此来提高细胞追踪中的粒子滤波。Snake模型则要求相邻的视频帧之间要有重叠。Xufei等[3]提出使用背景差分法来追踪非惰性细胞，他们在进行细胞追踪前，通过使用分水岭算法并结合细胞的特征来实现细胞的识别和分割。Fu shujun等[4]采用双向扩散的非线性扩散滤波方程，实现图像的边缘检测并增强图像质量。

本文提出了一种新的运动细胞检测算法，在时间域内采用非线性扩散滤波，可以在一个宽泛的范围内选择出一个合适的阈值，消除了背景差分法对阈值的强依赖性。

1研究方法

1.1背景差分法

细胞追踪的第一步就是要检测出目标细胞。背景差分法[5]是对运动目标进行检测的常用方法，它是基于模型扩展的一种方法。该方法的理论架构如下：首先，需要建立背景模型，然后用当前帧的图像减去背景模型，把相减所得到的差分图像与设定的阈值进行比较，若差分图像阈值大于设定阈值，则表明该像素偏离背景模型较大，为检测的运动目标像素，反之为背景像素。其理论公式如下：

其中，Gk（x，y）为当前图像帧，Bk（x，y）为背景模型，Rk（x，y）为相差图像，即包含运动目标的二值化图像，T为设置的阈值。1表示检测到的目标像素，0表示背景像素。

背景差分法是一种很快速的方法，所需内存较小。但是，该方法存在一个严重缺陷，即高度依赖于阈值的选择。为了克服这种缺陷，本文提出了一种将非线性扩散滤波和背景差分法相结合的运动细胞检测方法。

1.2非线性扩散滤波

近年来，对如何消除扩散过程中产生的噪声相关研究较多。人们发现一种非线性方程可以达到消除噪声并增强图像边界的目的，这就是非线性扩散滤波（Nonlinear Diffusion Filtering， NLD）[6]，它是图像分割中对图像多尺度描述的一种效果显著的工具。非线性扩散滤波方法的使用由Prona和Malik[7]首先提出。他们在前人的基础上面提出了PM模型，该模型以“高频部分扩散系数小，低频部分扩散系数大”为准则，将扩散系数表示为一个关于图像梯度的函数，提出了在图像处理中引入扩散系数方程，来实现图像平滑。模型方程如下：

在背景差分法中引入NLD方法，用来消除噪声强度。改进后的算法流程如图1所示。

本实验采用的样本数据来源于医院患者的精液样本，是一个M×N维的T帧视频序列，其分辨率为240×320像素，帧速为每秒25帧。如果采用背景差分法，则差分矩阵的维数是M×N×（T-1）。在T帧中（i，j）位置的像素强度（Ii，j）变化如图2所示。通过选用一个适当的阈值，可以捕获到从该位置移动过去的细胞，但如何选择一个合适的阈值颇为困难。本文提出了基于NLD的背景差分法，通过对Ii，j使用一维的NLD方法来消除噪声像素强度。如图3所示，噪声像素去除后，可以在一个宽泛的范围中快速选择出一个合适的阈值。

关于高维图像的处理，本文对三维差分矩阵中的一行使用二维的NLD方法，来取代对每一个像素使用一维的NLD算法，以此来提高运算速率。随后将其扩展到所有行中，这使得每一个差分帧之间阈值的选择变得简单。图4给出了一组图像在使用NLD算法前（左）后（右）的效果对比图。因此，使用NLD算法可以降低选择不同阈值时结果对阈值的依赖度。在NLD算法应用完成后，再使用形态学方法，来消除图像中的噪声数据。2实验结果及分析

为了对细胞检测的精确度进行评估，本文定义的精确度是每一视频序列中检测到的运动细胞总数与全部运动细胞的比值。表1给出了对每一个序列中运动细胞检测的精确度。表2给出了单独使用背景差分法时的精确度。

从表1和表2中的实验数据可以看出，使用本文方法对运动细胞进行检测的平均精确度达到了91.24%，明显高于单独使用背景差分法时的平均精确度84.36%。实

验结果表明，新方法可较好地检测出运动细胞。

3结语

本文提出了一种新的方法来自动检测运动细胞，通过在时间域内使用非线性扩散滤波方法，能够较容易地得到一个合适的阈值，建立起一个较少受噪声影响并且更加精确的运动模型。实验结果表明，新方法能够较好地检测出运动细胞。后续将深入研究一种新的匹配模式算法来对细胞进行追踪。

参考文献参考文献：

[1]XIUZHUANG Z，YAO L.Efficient mean shift particle filter for sperm cells tracking[J].Int Conf Comput Intell Secur，2009（1）：335339.

[2]马瑜，梁慧琳，张艳宁，等.基于图像颜色纹理的均值漂移分割算法[J].计算机工程与设计，2013，34（5）：17211722.

[3]屈晶晶，辛云宏.连续帧间差分与背景差分相融合的运动目标检测方法[J].光子学报，2014，43（7）：23.

[4]付树军，阮秋琦.基于非线性扩散滤波的边缘检测和图像测量[J].光学精密工程，2007（2）：290291.

[5]卢章平，孔德飞，李小蕾，等.背景差分与三帧差分结合的运动目标检测算法[J].计算机测量与控制，2013，21（12）：3316.

[6]FRIEDRICH BM，RIEDELKRUSE IH，HOWARD J，et al.Highprecision tracking of sperm swimming fine structure provide strong test of resistive force theory[J].Exp Biol，2010（2）：213216.

[7]PRONA P，MALIK J.Scalespace and edge detection using anisotropic diffusion[J].IEEE Trans Pattern Anal，1990（12）：629639.

[8]WEICKERT J，ROMENY BH，VIERGEVER MA.Efficient and reliable schemes for nonlinear diffusion filtering[J].IEEE Trans Image Process，1998（7）：398410.

责任编辑（责任编辑：孙娟）