專利名稱：一種視頻顯微圖像細(xì)胞自動(dòng)跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明屬于細(xì)胞生物學(xué)與生物制藥領(lǐng)域，涉及一種視頻顯微圖像細(xì)胞自動(dòng)跟蹤的方法。

背景技術(shù)：
細(xì)胞跟蹤是指在觀測時(shí)間內(nèi)對特定細(xì)胞的運(yùn)動(dòng)軌跡、運(yùn)動(dòng)速度、顏色、形狀等屬性進(jìn)行定性或定量的分析，它是進(jìn)行細(xì)胞活性、細(xì)胞遷徙和細(xì)胞趨向性等細(xì)胞生物學(xué)和生物制藥研究的有效方法和必備手段，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實(shí)用價(jià)值。
目前國內(nèi)細(xì)胞跟蹤的實(shí)現(xiàn)方法主要還是顯微設(shè)備輔助下的人工定時(shí)檢測、記錄，其自動(dòng)化程度較低。一方面要求工作人員付出辛苦的勞動(dòng)，具有較高的勞動(dòng)強(qiáng)度；另一方面由于細(xì)胞運(yùn)動(dòng)形式的復(fù)雜多變性(如細(xì)胞分裂、結(jié)合、聚集、交叉)和視頻圖像本身的噪聲和干擾等因素，使得人工觀測過程更加困難，并且有較高的出錯(cuò)率。
近幾年，國外研究機(jī)構(gòu)在細(xì)胞自動(dòng)跟蹤方面取得了一些研究成果，借助圖像分析軟件研制出一批細(xì)胞自動(dòng)跟蹤系統(tǒng)(如University of Virginia、University of Aberdeen和European Molecular Biology Laboratory等)，但在商業(yè)化方面還不成熟。這些設(shè)備雖然能夠通過圖像處理和分析軟件計(jì)算出細(xì)胞在圖像上的位置，但對于細(xì)胞的分裂與結(jié)合、細(xì)胞聚集和細(xì)胞群的分離、多細(xì)胞運(yùn)動(dòng)軌跡的交叉等復(fù)雜現(xiàn)象難以處理。


發(fā)明內(nèi)容
本發(fā)明的目的在于針對現(xiàn)有細(xì)胞跟方法的不足，為細(xì)胞生物學(xué)和生物制藥等領(lǐng)域研究提供一種自動(dòng)化程度高、處理能力強(qiáng)的視頻顯微圖像細(xì)胞跟蹤的方法。
本發(fā)明包括以下步驟1.通過相差顯微鏡獲取實(shí)時(shí)細(xì)胞運(yùn)動(dòng)圖象，將獲取的細(xì)胞運(yùn)動(dòng)視頻顯微圖像逐幀進(jìn)行增強(qiáng)處理；2.從增強(qiáng)處理后的細(xì)胞運(yùn)動(dòng)圖像中提取目標(biāo)細(xì)胞；3.建立細(xì)胞運(yùn)動(dòng)動(dòng)力學(xué)模型；4、跟蹤運(yùn)動(dòng)的目標(biāo)細(xì)胞。
步驟1中視頻顯微圖像的增強(qiáng)處理采用廣義模糊增強(qiáng)處理方法，具體步驟如下 1)初始化，輸入待處理圖像f，設(shè)定迭代次數(shù)的初始值為r＝1； 2)采用中值濾波器進(jìn)行平滑濾波，以圖像f的每個(gè)像素f(i，j)作為窗口(能夠覆蓋一定圖像的單元)的中心，將窗口所覆蓋圖象的像素灰度平均值作為像素f(i，j)的新的灰度值fij； 3)將新的灰度值fij進(jìn)行第r次迭代，確定中值濾波后圖像的模糊特征平面{μij(r)}； 4)對μij(r)作如下非線性變換，變換結(jié)果記為μij′(r)； 5)對μij′(r)作逆變換，得到新的灰度圖像{fij′}； 6)灰度變換，設(shè)定適當(dāng)?shù)膄mine，fmaxe，計(jì)算出廣義模糊增強(qiáng)后的圖像灰度{fije}； 7)比較第r次和第r-1次增強(qiáng)圖像的圖像質(zhì)量評價(jià)指標(biāo)，如果σw(r)小于σw(r-1)，則令r+1r，并返回4)對μij(r)進(jìn)行迭代計(jì)算；否則輸出第r-1次增強(qiáng)的圖像。
以上算法的計(jì)算復(fù)雜度可分析如下對于具有m×n個(gè)像素的圖像，廣義模糊增強(qiáng)算法的計(jì)算復(fù)雜度為O(m×n)。
步驟2中提取目標(biāo)細(xì)胞的方法采用主動(dòng)輪廓線模型方法(Snake方法)，具體實(shí)現(xiàn)包括以下步驟 1)構(gòu)造能量模型 設(shè)定曲線v(s)＝[x(s)y(s)]，s∈
，定義其上的總的能量表示為 其中Eint(v(s))＝(α(s)|vs(s)|2+β(s)|vss(s)|2)(2) Eimage(v(s))＝wlineEline(v(s))+wedgeEedge(v(s))+wtermEterm(v(s))(3) Econ(v(s))＝k(x1-x2)2(4) Eint(v(s))為內(nèi)部能量，表達(dá)了驅(qū)使曲線更平滑的力，其中一階項(xiàng)表達(dá)了使相鄰點(diǎn)距離更小的拉力，二階項(xiàng)表達(dá)了抵御彎曲的剛性力；α(s)和β(s)表示各自的權(quán)重；Eimage(v(s))為圖像能量，是從圖像得到的引導(dǎo)蛇朝向低灰度或高灰度位置前進(jìn)的線能量Eline＝I(x，y)、邊緣能量用Eedge＝-|▽I(v(s))|和圖像中線的終止點(diǎn)和拐角對輪廓線走向的影響的能量Eterm的三個(gè)能量項(xiàng)的加權(quán)和；wline、wedge和wterm代表圖像能量各分量的權(quán)重；Econ(v(s))表示吸引輪廓線到圖象位置的彈性力，x1和x2分別表示輪廓線和圖像位置的指定點(diǎn)。若將外部能量定義為 Eext(v(s))＝Eimage(v(s))+Econ(v(s)) (5) 則總的能量為 2)利用變分法對總能量進(jìn)行極小化，使輪廓線滿足 3)通過曲線包圍區(qū)域的中心位置確定細(xì)胞目標(biāo)在圖像上的位置，該位置作為當(dāng)前幀該細(xì)胞圖像的位置測量。
步驟3中建立細(xì)胞運(yùn)動(dòng)動(dòng)力學(xué)模型包括建立目標(biāo)運(yùn)動(dòng)模型和測量模型，其中目標(biāo)運(yùn)動(dòng)模型為 x(k+1)＝F(k)x(k)+G(k)u(k)+v(k)(8) 測量模型為 z(k)＝H(k)x(k)+w(k)(9) x(k)表示目標(biāo)細(xì)胞的在k時(shí)刻的運(yùn)動(dòng)狀態(tài)(位置、速度)，z(k)表示k時(shí)刻的圖像測量，F(xiàn)(k)、G(k)和H(k)分別表示k時(shí)刻的狀態(tài)轉(zhuǎn)移矩陣、控制輸入矩陣和測量矩陣，v(k)和w(k)分別描述了隨機(jī)系統(tǒng)噪聲和測量噪聲。
步驟4中運(yùn)動(dòng)目標(biāo)細(xì)胞的跟蹤方法采用遞推Bayesian濾波方法更新每個(gè)目標(biāo)，獲得每個(gè)目標(biāo)的當(dāng)前狀態(tài)和估計(jì)精度，對于多細(xì)胞跟蹤和細(xì)胞分裂、細(xì)胞聚集通過數(shù)據(jù)關(guān)聯(lián)進(jìn)行處理。
遞推Bayesian濾波方法和聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)方法均采用成熟的現(xiàn)有技術(shù)，如遞推Bayesian濾波方法可采用α-β濾波、Kalman濾波、PF濾波等方法，數(shù)據(jù)關(guān)聯(lián)采用聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)方法(由Bar Shalom Y提出)。
本發(fā)明根據(jù)視頻顯微圖像具有較強(qiáng)噪聲和擾動(dòng)、圖像對比度差的特點(diǎn)，采用中值濾波、模糊增強(qiáng)、灰度變換和圖像質(zhì)量等評估環(huán)節(jié)構(gòu)成的廣義模糊增強(qiáng)方法對原始的圖像數(shù)據(jù)逐幀處理，能較大程度提高圖像處理效果。提出的廣義模糊增強(qiáng)算法較通常的圖像增強(qiáng)方法在處理弱對比度、強(qiáng)噪聲圖像方面，具有更好的性能。
本發(fā)明從獲取的原始視頻顯微圖像入手，運(yùn)用圖像處理和分析方法改善圖像質(zhì)量、提取細(xì)胞輪廓和確定細(xì)胞位置，從而得到時(shí)序觀測數(shù)據(jù)。在分析細(xì)胞運(yùn)動(dòng)特性和圖像中噪聲與干擾特征的基礎(chǔ)上，采用動(dòng)態(tài)系統(tǒng)建模和隨機(jī)建模方法，建立了細(xì)胞運(yùn)動(dòng)系統(tǒng)模型，通過遞推Bayesian濾波和數(shù)據(jù)關(guān)聯(lián)技術(shù)，對細(xì)胞的運(yùn)動(dòng)軌跡進(jìn)行自動(dòng)跟蹤，同時(shí)給出了細(xì)胞復(fù)雜運(yùn)動(dòng)的跟蹤結(jié)果。本發(fā)明具有完整的系統(tǒng)性和很強(qiáng)的實(shí)用性。

具體實(shí)施例方式 視頻顯微圖像細(xì)胞自動(dòng)跟蹤的方法包括以下步驟1.通過相差顯微鏡獲取實(shí)時(shí)細(xì)胞運(yùn)動(dòng)圖象，將獲取的細(xì)胞運(yùn)動(dòng)視頻顯微圖像逐幀進(jìn)行增強(qiáng)處理；2.從增強(qiáng)處理后的細(xì)胞運(yùn)動(dòng)圖像中提取目標(biāo)細(xì)胞；3.建立細(xì)胞運(yùn)動(dòng)動(dòng)力學(xué)模型；4、跟蹤運(yùn)動(dòng)的目標(biāo)細(xì)胞。
步驟1中視頻顯微圖像的增強(qiáng)處理采用廣義模糊增強(qiáng)處理方法，具體步驟如下 (1)為了減弱圖像中的顆粒噪聲，一般情況下，在空間域內(nèi)可以用鄰域平均來減少噪聲，在頻率域，因?yàn)樵肼曨l譜多在高頻段，因此可以采用各種形式的低通濾波方法來減少噪聲。為了盡量避免圖像邊緣模糊又能去除脈沖噪聲和所謂“椒鹽”噪聲(Salt-and-pepper noise)，采用中值濾波器進(jìn)行平滑濾波； (2)采用如下變換方法進(jìn)行圖像增強(qiáng) 其中Fc是模糊特性參數(shù)，fij、fmax、fmin分別表示圖象中象素(i，j)的灰度值、圖象最大灰度和最小灰度值，μij表示象素(i，j)模糊隸屬度。運(yùn)用迭代運(yùn)算對圖像模糊特征平面{μij}進(jìn)行增強(qiáng)處理，獲得新的模糊特征平面{μij′}，并在此基礎(chǔ)上進(jìn)行如下逆變換，得到模糊增強(qiáng)后圖像的灰度值 (3)對模糊增強(qiáng)后的圖像進(jìn)行如下灰度變換 式中fije為經(jīng)過灰度變換t(·)后的圖像灰度值，fmine，fmaxe分別為設(shè)定的灰度變換后的圖像灰度的最大、最小值，fmin′，fmax′分別為模糊增強(qiáng)圖像灰度的最大、最小值，且 (4)利用圖像灰度對其灰度直方圖的標(biāo)準(zhǔn)差加權(quán)，得到如下圖像質(zhì)量評價(jià)指標(biāo) 其中σw是圖像灰度直方圖的加權(quán)標(biāo)準(zhǔn)差，pj為第j灰度等級(jí)的象素?cái)?shù)量在圖像總象素N中所占百分比，

是pj的平均值，Δf為圖像灰度范圍。
(5)重復(fù)(2)-(4)步，直到圖象質(zhì)量評價(jià)指標(biāo)σw不再減小為止。
步驟2中提取目標(biāo)細(xì)胞的方法采用主動(dòng)輪廓線模型方法(Snake方法)，該方法是一種自上而下定位圖像特征的機(jī)制，首先設(shè)定一個(gè)初始的輪廓線(“蛇”)，然后通過作用在“蛇點(diǎn)”上的約束力推動(dòng)輪廓線向圖像特征方向前進(jìn)，最終鎖定目標(biāo)結(jié)構(gòu)是通過極小化動(dòng)態(tài)輪廓線總體能量的積分度量首先的，具體實(shí)現(xiàn)包括以下步驟 (1)能量模型的構(gòu)造 令曲線v(s)＝[x(s)y(s)]，s∈
，則定義在其上的總的能量可以表示為 其中Eint(v(s))＝(a(s)|v(s)|2+β(s)|vss(s)|2) (2) Eimage(v(s))＝wlineEline(v(s))+wedgeEedge(v(s))+wtermEterm(v(s))(3) Econ(v(s))＝k(x1-x2)2 (4) 內(nèi)部能量Eint(v(s))表達(dá)了驅(qū)使曲線更平滑的力，其中一階項(xiàng)表達(dá)了使相鄰點(diǎn)距離更小的拉力，二階項(xiàng)表達(dá)了抵御彎曲的剛性力，α(s)和β(s)代表各自的權(quán)重。圖像能量Eimage(v(s))是從圖像得到的三個(gè)能量項(xiàng)的加權(quán)和引導(dǎo)蛇朝向低灰度或高灰度位置前進(jìn)的線能量，Eline＝I(x，y)；邊緣能量用Eedge＝-|▽I(v(s))|表示，從而吸引輪廓線到有著高梯度模值的圖像邊緣點(diǎn)上；Eterm表示圖像中線的終止點(diǎn)和拐角對輪廓線走向的影響。wline、wedge和wterm代表圖像能量各分量的權(quán)重。Econ(v(s))表達(dá)了吸引輪廓線到指定某個(gè)位置的彈性力，x1和x2分別表示輪廓線和圖像位置的指定點(diǎn)。若記 Eext(v(s))＝Eimage(v(s))+Econ(v(s))(5) 則有 (2)基于變分法的能量極小化計(jì)算 輪廓線的最終位置可以通過變分方法獲得。將(6)式中的積分項(xiàng)用F(s，vs，vss)代替，則推導(dǎo)的曲線方程應(yīng)該滿足如下歐拉-拉個(gè)朗日方程 (3)在主動(dòng)輪廓線模型方法處理的結(jié)果上，可以通過計(jì)算曲線包圍區(qū)域的中心位置來確定細(xì)胞目標(biāo)在圖像上的位置。該位置可以作為當(dāng)前幀圖像某細(xì)胞的位置測量。
由于細(xì)胞運(yùn)動(dòng)具有一定的隨機(jī)性，因此對其運(yùn)動(dòng)描述步驟3中建立細(xì)胞運(yùn)動(dòng)動(dòng)力學(xué)模型采用隨機(jī)建模的方法，包括建立目標(biāo)運(yùn)動(dòng)模型和測量模型，其中目標(biāo)運(yùn)動(dòng)模型為 x(k+1)＝F(k)x(k)+G(k)u(k)+v(k)(8) 測量模型為 z(k)＝H(k)x(k)+w(k) (9) x(k)表示目標(biāo)細(xì)胞的在k時(shí)刻的運(yùn)動(dòng)狀態(tài)(位置、速度)，z(k)表示k時(shí)刻的圖像測量，F(xiàn)(k)、G(k)和H(k)分別表示k時(shí)刻的狀態(tài)轉(zhuǎn)移矩陣、控制輸入矩陣和測量矩陣，v(k)和w(k)分別描述了隨機(jī)系統(tǒng)噪聲和測量噪聲。
步驟4中運(yùn)動(dòng)目標(biāo)細(xì)胞的跟蹤方法采用遞推Bayesian濾波方法更新每個(gè)目標(biāo)，獲得每個(gè)目標(biāo)的當(dāng)前狀態(tài)和估計(jì)精度，對于多細(xì)胞跟蹤和細(xì)胞分裂、細(xì)胞聚集通過數(shù)據(jù)關(guān)聯(lián)進(jìn)行處理。
同一幀圖像上往往有多個(gè)細(xì)胞，這些細(xì)胞的運(yùn)動(dòng)是無規(guī)律的，并且還可能存在細(xì)胞的分裂和合并等生物現(xiàn)象。由于圖像采集設(shè)備性能和實(shí)際環(huán)境的干擾，圖像中的噪聲和雜波等級(jí)較高。這些因素使得基于圖像的細(xì)胞跟蹤必須解決一個(gè)關(guān)鍵技術(shù)問題數(shù)據(jù)關(guān)聯(lián)，即正確判斷多個(gè)測量信息與多條被跟蹤目標(biāo)航跡的關(guān)聯(lián)性。一旦消除了測量源的不確定性，就可以將多目標(biāo)跟蹤問題轉(zhuǎn)化為多個(gè)單目標(biāo)跟蹤問題求解。對于雜波可以通過跟蹤門技術(shù)和隨機(jī)建模方法進(jìn)行處理，細(xì)胞的分裂和合并現(xiàn)象可等價(jià)為目標(biāo)航跡的生成和合并問題。
JPDA(聯(lián)合概率數(shù)據(jù)關(guān)聯(lián))是一種解決數(shù)據(jù)關(guān)聯(lián)問題的次優(yōu)算法。當(dāng)跟蹤測量空間內(nèi)接近的多個(gè)目標(biāo)時(shí)，測量可能同時(shí)落在幾個(gè)目標(biāo)的跟蹤門內(nèi)，將這些跟蹤門有交集的目標(biāo)形成“聚”(cluster)，設(shè)聚內(nèi)目標(biāo)數(shù)為nt，落入這些目標(biāo)跟蹤門的測量數(shù)為nm，將聚用一個(gè)二元關(guān)聯(lián)邏輯矩陣表示。Ωij＝1，表示第i個(gè)測量可能源于第j個(gè)目標(biāo)(j＝0表示該測量為雜波)；反之Ωij＝0表示第i個(gè)測量不可能源于第j個(gè)目標(biāo)。滿足如下三個(gè)約束條件的一種測量和目標(biāo)之間的可能配對事件稱之為一個(gè)可行事件x(feasible event) 每個(gè)目標(biāo)最多產(chǎn)生一個(gè)測量； 每個(gè)測量最多來源于一個(gè)目標(biāo)； 落入某個(gè)目標(biāo)的跟蹤門之內(nèi)的候選測量或者源于該目標(biāo)，或者源于雜波，或者源于其他目標(biāo)。
將可行事件用二元關(guān)聯(lián)邏輯矩陣Ф表示，由可行事件的約束條件可知，Ф的每行元素之和等于1，每列元素之和等于1或者0(第0列除外)?？尚惺录梢钥醋魇窃跍y量集和待定目標(biāo)集形成的所有數(shù)學(xué)組合中按照三個(gè)約束條件遴選出的部分組合。求出每個(gè)可行事件的后驗(yàn)概率，并將所有的Фij＝1可行事件的后驗(yàn)概率相加，即第i個(gè)測量屬于第j個(gè)目標(biāo)的后驗(yàn)概率，用它求出該測量更新該目標(biāo)時(shí)的權(quán)重。記表示可行事件x中第i個(gè)測量的指標(biāo)函數(shù)，表示可行事件x中第j個(gè)目標(biāo)的指標(biāo)函數(shù),

表示可行事件x中雜波個(gè)數(shù)。在源自目標(biāo)的測量滿足正態(tài)分布，雜波滿足均勻分布，雜波個(gè)數(shù)滿足泊松分布的前提下，得可行事件x發(fā)生的后驗(yàn)概率為
其中第一個(gè)連乘表示測量屬于實(shí)際目標(biāo)的正態(tài)分布概率，第二個(gè)連乘表示所有目標(biāo)被檢測的概率，第三個(gè)連乘表示目標(biāo)都沒有被檢測到的概率，c是歸一化因子。第i個(gè)測量源自第j個(gè)目標(biāo)的后驗(yàn)概率為 第j個(gè)目標(biāo)沒有產(chǎn)生任何測量的后驗(yàn)概率為 將所有有效測量加權(quán)得融合測量 按照遞推Bayesian濾波方法(如α-β濾波、Kalman濾波、PF濾波等方法)更新每個(gè)目標(biāo)，獲得每個(gè)目標(biāo)的當(dāng)前狀態(tài)(估計(jì)量)和估計(jì)精度(目標(biāo)狀態(tài)協(xié)方差矩陣)。
權(quán)利要求
1.一種視頻顯微圖像細(xì)胞自動(dòng)跟蹤方法，其特征在于該方法包括以下步驟(1)通過相差顯微鏡獲取實(shí)時(shí)細(xì)胞運(yùn)動(dòng)圖象，將獲取的細(xì)胞運(yùn)動(dòng)視頻顯微圖像逐幀進(jìn)行增強(qiáng)處理；(2)從增強(qiáng)處理后的細(xì)胞運(yùn)動(dòng)圖像中提取目標(biāo)細(xì)胞；(3)建立細(xì)胞運(yùn)動(dòng)動(dòng)力學(xué)模型；(4)跟蹤運(yùn)動(dòng)的目標(biāo)細(xì)胞；
步驟(1)中視頻顯微圖像的增強(qiáng)處理采用廣義模糊增強(qiáng)處理方法，具體包括以下步驟
①初始化，輸入待處理圖像f，設(shè)定迭代次數(shù)的初始值為r＝1；
②采用中值濾波器進(jìn)行平滑濾波，以圖像f的每個(gè)像素f(i，j)作為窗口的中心，將窗口所覆蓋圖象的像素灰度平均值作為f(i，j)的新的灰度值fij；
③將新的灰度值fij進(jìn)行第r次迭代，確定中值濾波后圖像的模糊特征平面{μij(r)}；
④對μij(r)作如下非線性變換，變換結(jié)果記為μij′(r)；
⑤對μij′(r)作逆變換，得到新的灰度圖像{fij′}；
⑥對模糊增強(qiáng)后的圖像進(jìn)行如下灰度變換
式中fije為經(jīng)過灰度變換t(·)后的圖像灰度值，fmine，fmaxe分別為設(shè)定的灰度變換后的圖像灰度的最大、最小值，fmin′，fmax′分別為模糊增強(qiáng)圖像灰度的最大、最小值，且
⑦比較第r次和第r-1次增強(qiáng)圖像的圖像質(zhì)量評價(jià)指標(biāo)，如果σw(r)小于σw(r-1)，則令r+1r，并返回④對μij(r)進(jìn)行迭代計(jì)算；否則輸出第r-1次增強(qiáng)的圖像；
步驟(2)中提取目標(biāo)細(xì)胞的方法采用主動(dòng)輪廓線模型方法，具體實(shí)現(xiàn)包括以下步驟
①構(gòu)造能量模型
設(shè)定曲線v(s)＝[x(s) y(s)]，s∈
，定義其上的總的能量表示為
Etotal(v(s))＝∫s(Eint(v(s))+Eimage(v(s))+Econ(v(s)))ds(3)
其中
Eint(v(s))＝(α(s)|vs(s)|2+β(s)|vss(s)|2) (4)
Eimage(v(s))＝wlineEline(v(s))+wedgeEedge(v(s))+wtermEterm(v(s))(5)
Econ(v(s))＝k(x1-x2)2 (6)
Eint(v(s))為內(nèi)部能量，表達(dá)了驅(qū)使曲線更平滑的力，其中一階項(xiàng)表達(dá)了使相鄰點(diǎn)距離更小的拉力，二階項(xiàng)表達(dá)了抵御彎曲的剛性力；α(s)和β(s)表示各自的權(quán)重；Eimage(v(s))為圖像能量，是從圖像得到的引導(dǎo)蛇朝向低灰度或高灰度位置前進(jìn)的線能量Eline＝I(x，y)、邊緣能量用Eedge＝-|I(v(s))|和圖像中線的終止點(diǎn)和拐角對輪廓線走向的影響的能量Eterm的三個(gè)能量項(xiàng)的加權(quán)和；wline、wedge和wterm代表圖像能量各分量的權(quán)重；Econ(v(s))表示吸引輪廓線到圖象位置的彈性力，x1和x2分別表示輪廓線和圖像位置的指定點(diǎn)；
②利用變分法對總能量進(jìn)行極小化，使輪廓線滿足
③通過曲線包圍區(qū)域的中心位置確定細(xì)胞目標(biāo)在圖像上的位置，該位置作為當(dāng)前幀該細(xì)胞圖像的位置測量；
步驟(3)中建立細(xì)胞運(yùn)動(dòng)動(dòng)力學(xué)模型包括建立目標(biāo)運(yùn)動(dòng)模型和測量模型，其中目標(biāo)運(yùn)動(dòng)模型為
x(k+1)＝F(k)x(k)+G(k)u(k)+v(k)(8)
測量模型為
z(k)＝H(k)x(k)+w(k)(9)
x(k)表示目標(biāo)細(xì)胞的在k時(shí)刻的運(yùn)動(dòng)狀態(tài)，z(k)表示k時(shí)刻的圖像測量，F(xiàn)(k)、G(k)和H(k)分別表示k時(shí)刻的狀態(tài)轉(zhuǎn)移矩陣、控制輸入矩陣和測量矩陣，v(k)和w(k)分別描述了隨機(jī)系統(tǒng)噪聲和測量噪聲；
步驟(4)中運(yùn)動(dòng)目標(biāo)細(xì)胞的跟蹤方法采用遞推Bayesian濾波方法更新每個(gè)目標(biāo)，獲得每個(gè)目標(biāo)的當(dāng)前狀態(tài)和估計(jì)精度，對于多細(xì)胞跟蹤和細(xì)胞分裂、細(xì)胞聚集通過數(shù)據(jù)關(guān)聯(lián)進(jìn)行處理。
全文摘要
本發(fā)明涉及一種視頻顯微圖像細(xì)胞自動(dòng)跟蹤的方法?，F(xiàn)有的細(xì)胞跟蹤方法自動(dòng)化程度較低，不能適應(yīng)細(xì)胞運(yùn)動(dòng)形式的復(fù)雜多變性和多細(xì)胞運(yùn)動(dòng)跟蹤。本發(fā)明的步驟包括將獲取的細(xì)胞運(yùn)動(dòng)視頻顯微圖像逐幀進(jìn)行增強(qiáng)處理；從增強(qiáng)處理后的細(xì)胞運(yùn)動(dòng)圖像中提取目標(biāo)細(xì)胞；建立細(xì)胞運(yùn)動(dòng)動(dòng)力學(xué)模型；跟蹤運(yùn)動(dòng)的目標(biāo)細(xì)胞。本發(fā)明在分析細(xì)胞運(yùn)動(dòng)特性和圖像中噪聲與干擾特征的基礎(chǔ)上，采用動(dòng)態(tài)系統(tǒng)建模和隨機(jī)建模方法，通過遞推Bayesian濾波和數(shù)據(jù)關(guān)聯(lián)技術(shù)，對細(xì)胞的運(yùn)動(dòng)軌跡進(jìn)行跟蹤，自動(dòng)化程度高、處理能力強(qiáng)。
文檔編號(hào)G01N21/84GK101144784SQ20071007107
公開日2008年3月19日 申請日期2007年9月4日 優(yōu)先權(quán)日2007年9月4日
發(fā)明者彭冬亮, 林岳松, 金朝陽, 薛安克, 陳華杰, 朱勝利, 郭云飛 申請人:杭州電子科技大學(xué)