基于最大信息熵原理的顯微細胞圖像多閾值分割.pdf

1、細胞學診斷是臨床上常用的診斷方法，尤其對于腫瘤的早期診斷和定性診斷具有重要的意義。目前，國內(nèi)外的細胞學診斷主要采用人工閱片的方式，診斷結(jié)果易受病理醫(yī)生的主觀經(jīng)驗及疲勞程度的影響。若能利用計算機代替人工閱片，便可解脫病理醫(yī)生繁重的顯微鏡檢測工作，從而提高工作效率。 計算機閱片的基礎(chǔ)性環(huán)節(jié)是實現(xiàn)顯微細胞圖像分割，分割結(jié)果的優(yōu)劣直接影響到后期的分析與診斷。病變細胞與正常細胞的區(qū)別在于：病變細胞的細胞核增大、細胞核畸形、核漿比例增加、多

2、核、裸核、胞漿量異常等。因此，計算細胞核和細胞漿的大小、形貌、核漿比例，可以作為判斷細胞是否發(fā)生病變的參考數(shù)據(jù)。然而，只有將細胞核、細胞漿及背景準確區(qū)分，才有可能計算核漿比例，確定核漿火小及形貌特征。因此，顯微細胞圖像的多閾值分割具有一定的實用價值。 在臨床工作中，顯微細胞圖片的取樣、制片和傳輸容易受到噪聲的污染，使得到的細胞圖片質(zhì)量下降，加上腫瘤細胞本身種類繁多，形態(tài)各異，所有這些增加了計算機自動分割的難度。 本文研究

3、的目的是實現(xiàn)顯微細胞圖像的多閾值分割，同時去除大量的噪聲干擾。主要采用抗噪性能較好的最大信息熵算法。 首先，將一維最大信息熵單閾值分割算法推廣至多閾值，利用MATLAB編程語言對顯微細胞圖像進行分割。得出結(jié)論，一維最大信息熵多閾值分割算法能夠?qū)崿F(xiàn)顯微細胞圖像的多閾值分割，但分割算法的抗噪性能卻有所減弱。 為此本文提出新的算法：基于均值-梯度共生矩陣模型的最大信息熵多閾值處理算法，選用圖像象素鄰域灰度均值和圖像梯度值構(gòu)造二