序列圖像中運動細(xì)胞跟蹤問題研究.pdf

1、細(xì)胞跟蹤是指在觀測時間內(nèi)對特定細(xì)胞的運動軌跡，運動速度，形狀等屬性進行分析，在生物學(xué)、藥理學(xué)和病理學(xué)方面都具有十分重要的研究意義和使用價值。傳統(tǒng)的細(xì)胞跟蹤方法在技術(shù)日益革新的現(xiàn)今己不再適用，不但需要大量繁瑣的人為操作，而且可重復(fù)操作性不強，最重要的是傳統(tǒng)的研究方法由于使用物理化學(xué)操作，而使得研究結(jié)果不能客觀的反映細(xì)胞的自然運動，所以需要一種客觀且方便的方法。本論文針對這一問題展開研究，其主要工作如下：
　　 1、探討了基于KHM

2、的運動細(xì)胞跟蹤方法。首先通過KHM算法對細(xì)胞二值圖像進行聚類處理，然后結(jié)合最近鄰思想和代價函數(shù)完成關(guān)聯(lián)，確定細(xì)胞在下一幀中的位置，完成細(xì)胞的跟蹤，由于細(xì)胞數(shù)目較大且相對密集，引入KHM的“軟聚類”思想，實現(xiàn)了運動細(xì)胞精確跟蹤。
　　 2、探討了基于Meanshift的運動細(xì)胞跟蹤方法。由于Meanshift算法能夠沿著核密度函數(shù)的梯度方向快速找到與當(dāng)前模式最匹配的模式，因此利用Meanshift算法能夠在較短的時間內(nèi)完成對細(xì)胞二

3、值圖像的聚類處理，將得到的聚類中心作為待跟蹤細(xì)胞中心下一時刻的預(yù)測位置，以這些預(yù)測位置為中心，為每個待跟蹤細(xì)胞建立矩形搜索匹配區(qū)域，計算待跟蹤細(xì)胞與它的每一個可疑匹配細(xì)胞之間的代價函數(shù)值，將代價函數(shù)值最小的可疑匹配細(xì)胞作為待跟蹤細(xì)胞的最佳匹配細(xì)胞，完成對待跟蹤細(xì)胞的跟蹤。
　　 3、探討了基于PAM的運動細(xì)胞跟蹤方法。本文首次將PAM算法用于運動細(xì)胞問題中，根據(jù)PAM算法聚類的特點，利用PAM對分割后的細(xì)胞二值圖像進行聚類處理。

4、由于PAM存在計算量大的缺點，本章對PAM算法進行了一些改進，即用極少的非代表對象來檢驗是否替換代表對象，減少計算量，提高了算法的運算速度。仿真結(jié)果表明，本算法的細(xì)胞跟蹤位置誤差在很小的范圍內(nèi)，有較好的跟蹤效果。
　　 從仿真結(jié)果可以看出，在跟蹤效果方面，基于KHM的運動細(xì)胞跟蹤方法最好，Meanshift算法次之，PAM算法最差，而從運行時間上來看，基于Meanshift的運動細(xì)胞跟蹤方法運行時間最短，KHM算法次之，PAM算