✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
图像分割是计算机视觉领域中的一个重要研究方向,它旨在将图像划分成具有独立含义的区域。在生物医学领域中,图像分割在细胞图像分析中起着关键作用,可以帮助研究人员定量分析细胞形态、数量和分布等信息。本文将重点研究并比较基于SDD、Otsu和自适应阈值的U2OS细胞图像分割算法。
SDD(Spatial Distance Distribution)是一种基于空间距离分布的图像分割方法。它通过计算图像中各像素点与其周围像素点之间的空间距离,将图像分割成不同的区域。SDD算法的步骤包括:首先,计算每个像素点与周围像素点之间的距离;然后,根据距离计算结果对图像进行分割;最后,根据分割结果进行后续的细胞形态分析。
Otsu算法是一种基于灰度级别的图像分割方法。它通过计算图像中不同灰度级别的像素点的方差和类间方差,找到一个最佳的阈值,将图像分割成两个区域。Otsu算法的步骤包括:首先,计算图像中每个灰度级别的像素点的频率分布;然后,根据频率分布计算类内方差和类间方差;最后,选择一个使得类间方差最大的阈值,将图像分割成两个区域。
自适应阈值算法是一种基于局部像素灰度的图像分割方法。它通过计算图像中每个像素点周围区域的平均灰度值,将图像分割成不同的区域。自适应阈值算法的步骤包括:首先,选择一个合适的窗口大小,用于计算每个像素点周围区域的平均灰度值;然后,根据平均灰度值和像素点的灰度值进行分割;最后,根据分割结果进行后续的细胞形态分析。
在对比这三种算法时,我们可以从以下几个方面进行评估:准确性、计算效率和对噪声的鲁棒性。准确性是衡量算法分割结果与真实分割结果的一致性,计算效率是衡量算法运行时间的快慢,对噪声的鲁棒性是衡量算法对图像噪声的抗干扰能力。
根据以往的研究成果,SDD算法在准确性方面表现出色,能够较好地分割细胞图像。然而,由于其计算复杂度较高,导致其计算效率相对较低。Otsu算法在计算效率方面具有优势,但在处理噪声方面表现一般。自适应阈值算法在计算效率和对噪声的鲁棒性方面都表现较好,但在准确性方面稍逊于SDD算法。
综上所述,基于SDD、Otsu和自适应阈值的U2OS细胞图像分割算法各有优势和劣势。在实际应用中,可以根据具体需求选择合适的算法。如果准确性是首要考虑因素,可以选择SDD算法;如果计算效率是重要考虑因素,可以选择Otsu算法;如果对噪声的鲁棒性是关键考虑因素,可以选择自适应阈值算法。未来的研究可以探索将这些算法进行组合或优化,以提高细胞图像分割的准确性和计算效率。
📣 部分代码
function [F,Pre,Recall,TP,FP,FN,numo]=cell_measures(I,G)
% if max(max(I))>0
TP=0;FP=0;FN=0;
[xg,yg]=size(G);
G(1,:)=0;G(xg,:)=0;G(:,1)=0;G(:,yg)=0;
G=bwareaopen(G,15,4);
I=bwareaopen(I,15,4);
[L1,~]=bwlabel(I,4);
S=regionprops(L1,'Centroid');
Centroids=cat(1,S.Centroid);
[numfp,~]=size(Centroids);
xs=Centroids(:,1);ys=Centroids(:,2);
[L,num]=bwlabel(G,8);
numo=num;
R1=logical(zeros(size(G)));
for i=1:num
R=logical(zeros(size(G)));
R(find(L==i))=1;
% figure,imshow(R),hold on,plot(xs,ys,'r.','MarkerSize',25);
bwg=bwboundaries(R,4,'noholes');
[in,on]=inpolygon(xs,ys,bwg{1}(:,2),bwg{1}(:,1));
if numel(xs(in))>1 %
TP=TP+1;
FP=FP+numel(xs(in))-1;
numfp=numfp-numel(xs(in))-1;
elseif numel(xs(in))==1 %
TP=TP+1;
numfp=numfp-1;
end
if numel(xs(on))>0 %
FP=FP+numel(xs(on));
numfp=numfp-numel(xs(on));
end
if numel(xs(in))==0
FN=FN+1;
end
end
FP=FP+numfp;
Pre=TP/(TP+FP);
Recall=TP/(TP+FN);
F=Pre*Recall*2/(Pre+Recall);
% end
⛳️ 运行结果
🔗 参考文献
[1] 王爽.宫颈细胞图像分割与识别算法研究[D].山东科技大学,2017.
[2] 张博.基于边缘检测的细胞图像分割方法研究与实现[D].武汉理工大学[2023-10-21].DOI:10.7666/d.y861308.
[3] 曹凤,霍春宝.基于组织细胞的彩色图像分割算法研究[J].辽宁工业大学学报:自然科学版, 2015, 35(2):4.DOI:10.15916/j.issn1674-3261.2015.02.002.