论文部分内容阅读
显微细胞图像序列中目标细胞形态和能动性的量化分析,对于理解和分析生命体的生物过程是非常有意义的。细胞的形态变化往往是和特定的生理或病理过程相联系的,分析细胞的动态行为以揭示有机体的生理或病理状态和细胞的形态变化之间的关系具有广泛的应用价值。本文主要以多能干细胞图像序列为研究对象,研究显微细胞图像序列形态分析所涉及的关键技术,主要包括细胞图像序列复原、轮廓边界点匹配、形变因子提取、形态变化模式分类等四方面内容:(1)研究基于时空高斯曲率正则化的细胞图像序列复原方法该项研究提出了一种基于时空高斯曲率正则化的图像序列复原方法,并将其应用于连续细胞图像序列的去噪和去模糊处理。首先,从图像序列空间域和时间域的相关性角度出发,将细胞图像序列看作是一个时空体,在此基础上引入时空高斯曲率正则化来构建复原模型,该模型可以有效地增强模型优化解的平滑性,从而使复原图像更为逼近原始图像。其次,模型的优化求解过程结合了增广拉格朗日乘子法和分裂算法,逐步迭代地寻找子优化问题的解。最后,为了验证该复原模型的有效性,在6组不同的细胞图像序列数据集上分别进行了去噪和去模糊实验。实验结果表明:相比于其他基于时空体的图像序列复原方法,本文提出的方法在处理细胞图像序列的去噪和去模糊问题上,能得到更高质量的复原效果和更自然的细胞图像。(2)研究基于邻近张量匹配的细胞图像序列轮廓点匹配方法细胞图像序列轮廓点之间的匹配是细胞形变因子提取的前提条件,一般通过图匹配方法加以解决。本文提出一种改进的高阶图约束方法用于实现细胞图像序列轮廓点之间的一一对应。首先,采用邻近张量编码待匹配的图,相比较于现有的超图匹配算法,编码的存储空间有了本质上的优化。其次,采用三元组描述符表示细胞轮廓点集所对应的图结构,将图表示为三维张量,然后将其转换为更易为处理的矩阵形式,接着采用基于梯度优化的逐步凹化和非凸优化求解该匹配问题的优化解。最后,分别进行了不同的同源点集匹配方法在模拟合成点集和实际细胞图像序列轮廓点集上的比对实验,实验结果验证了改进方法的有效性。(3)研究基于结构化矩阵分解的细胞图像序列形变模型连续的细胞图像序列轮廓组成了一个高维形状空间,这些形状之间的变形可以表示为低维子形状空间的线性组合。为了解决细胞图像序列形变定量描述和分析的需求,首先,基于图正则化和结构化的矩阵分解,提出了表征形状序列形变程度的量化指标——形变因子。其次,采用邻近梯度下降法求解模型的优化解,然后分离该形变因子。通过该方法得到的形状序列形变因子作为表征细胞图像序列形状和形变特征的参数。该形变因子具有较好的平滑性、稀疏性和局部特征,可以很好地刻画形状序列的动态形变过程。最后,将该方法应用于模拟的形状形变序列和实际的细胞图像序列,验证了提出方法在形状序列形变特征提取和分析上的有效性。为后续的基于形态变化特征的细胞图像序列分类打下了基础。(4)研究基于线性链条件随机场的细胞图像序列分类方法该项研究基于线性链条件随机场的条件概率模型实现细胞图像序列的形变模式分类。首先,将细胞图像序列的分类问题建模为基于线性链条件随机场的多类分类器模型,将其看作是一个关于类别的条件概率分布模型;接着,基于类间隔最大化准则引入判别学习算法估计模型的参数;最后,以细胞图像序列的形变因子和描述细胞内部运动的动态纹理作为输入特征向量,实现细胞图像序列形态变化模式的分类。由数值分类实验和实际的细胞图像序列分类实验结果可知,所提方法达到了较高的分类精度,有着较好的适应性和稳定性。