低信噪比圖像序列多細胞跟蹤技術研究.pdf

1、隨著數(shù)字圖像處理技術的飛速發(fā)展，顯微鏡視頻圖像序列中細胞的自動識別與跟蹤技術得到了廣泛的研究，并推動了如藥物開發(fā)、疾病診斷和治療等領域的發(fā)展。本文研究低信噪比多細胞圖像序列中的多細胞跟蹤方法，針對局部圖像明暗不均勻、背景和前景對比度低以及存在大量噪聲的低信噪比細胞圖像，分別研究基于隨機有限集(Random Finite Sets，RFS)跟蹤理論和基于群智能(Swarm Intelligence，SI)的多細胞跟蹤方法，以求用隨機性的跟

2、蹤方法得到精確和穩(wěn)定的跟蹤結果，并構建了包含多種隨機性跟蹤方法的多細胞跟蹤集成軟件系統(tǒng)。
　　自隨機有限集理論應用于多目標跟蹤后，就成為多目標跟蹤領域研究的熱點。針對隨機有限集框架下的兩種多細胞跟蹤方法（即高斯混合概率假設密度函數(shù)濾波器和多貝努利濾波器）缺乏定量的跟蹤性能比較，本文在高斯混合概率假設密度函數(shù)濾波器跟蹤方法中設計了一種簡易的細胞檢測方法，在多貝努利濾波器跟蹤方法中使用一種基于RGB直方圖的細胞似然函數(shù)，把兩種跟蹤方法

3、在同一細胞圖像序列中進行實驗，分析兩種方法的異同，并對實驗結果進行定量比較，為低信噪比圖像中這兩種隨機有限集多細胞跟蹤方法的選擇提供依據(jù)。
　　群智能是基于生物群體行為規(guī)律的技術，粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）是其中一種典型方法。本文提出了基于PSO的多細胞自動跟蹤技術，以得到位置與輪廓的精確跟蹤；構建兩種不同的PSO跟蹤模型以分別得到新生細胞和已存在細胞質(zhì)心的粗略位置，然后在此基

4、礎上設計了一種 PSO的輪廓跟蹤模型，用迭代的方式估計出細胞輪廓和精確的細胞質(zhì)心。并引入了一種高斯模型，在細胞近鄰或發(fā)生碰撞時跟蹤效果良好。在實驗仿真中，分別與多貝努利跟蹤方法和蟻群跟蹤方法進行比較，具有更高的跟蹤精度，并能應對更加復雜的細胞環(huán)境。
　　最后，構建了多細胞跟蹤集成軟件系統(tǒng)，集成了包含本文所提出的跟蹤方法在內(nèi)的幾類隨機性多細胞自動跟蹤方法，可分為三類：基于隨機有限集理論的方法，基于粒子濾波器的方法和基于群智能方法。此