細胞分割的傳統(tǒng)方法有兩類：閾值法[1-2]和先驗模型法[3],。閾值法計算量小,算法容易實現(xiàn),，但閾值很難確定。如果閾值選擇過大容易造成過分割,，如果選擇過小則會產(chǎn)生分割不夠的問題,。先驗模型法對呈規(guī)則橢圓型細胞的簡單粘連有較好的分割效果，但對弱邊緣,、邊緣不連續(xù),、帶噪等情況下的非規(guī)則橢圓型細胞圖像不能有效分割。

    參考文獻[4]提出的無需重初始化水平集模型屬于基于梯度的邊緣模型,，解決了C-V 水平集模型的忽略圖像局部特征的問題,。另外由于無需重初始化，極大提升了水平集的進化速度,，具有較高的實用價值,。但該模型存在基于梯度的邊緣模型固有的問題：對帶噪、弱邊緣,、邊緣不連續(xù)的圖像難以精確分割[5],。目前，一些文獻針對該模型的邊緣終止函數(shù)進行了優(yōu)化,。參考文獻[6]將邊緣終止函數(shù)中的高斯濾波用Kalman濾波代替,，促使水平集曲線進一步收斂，同時加快了模型的進化速度,；參考文獻[7]提出一個無需高斯平滑的邊緣終止函數(shù),，不但使模型的邊緣定位更精確，同時減少了約45%的分割時間和迭代次數(shù),。然而,，上述改進還是基于梯度的邊緣終止函數(shù)，難以從根本上克服基于梯度的邊緣模型的缺點,。鑒于此,，本文結(jié)合局部熵和灰度變換函數(shù)構(gòu)造新的邊緣終止函數(shù),。實驗證明了新的終止函數(shù)能夠有效克服基于梯度的終止函數(shù)固有的缺點， 縮短了進化時間,。
    本文首次將優(yōu)化水平集和改進的OTSU閾值法相結(jié)合對神經(jīng)元干細胞NSC(Neural Stem Cells)圖像進行分割,，分別解決了細胞分割中選取細胞團輪廓和分割粘連細胞的難題,具有很好的分割效果。
1 水平集算法
    本文采用無需重初始化的變分水平集模型,，并結(jié)合局部熵和灰度變換作為該模型的邊緣終止函數(shù),，以實現(xiàn)對細胞團輪廓的提取。
1.1 無需重初始化的水平集模型
　    無需重初始化的水平集模型屬于基于梯度的邊緣模型,，如圖1所示,。它存在基于梯度的邊緣模型固有的一些缺點：(1)對于噪聲圖像，梯度值在遠離邊緣的噪聲點處也較大,，導致進化曲線停滯在噪聲區(qū)域且進化速度慢,如圖1(d),；(2)邊緣泄漏。由于梯度值在弱邊緣處較小,，導致弱邊緣處停止力較弱,，進化曲線易忽略邊界繼續(xù)進化,如圖1(e)；(3)模型對不連續(xù)邊緣的識別困難,，造成不連續(xù)邊緣的漏分割,如圖1(f),。

其中，T2定義了一種作用于原始圖像亮度r的操作, s為變換后的亮度,，m為閾值,，k為拉伸參數(shù)。通過函數(shù)T2來增強圖像對比度,，以突出邊緣,。

    對水平集分割后的細胞輪廓,用閾值T繼續(xù)分割,見圖3(b)，得到的結(jié)果如圖3(c)所示,。最后通過膨脹,、腐蝕，得到最終分割結(jié)果如圖3(d)所示,。

3 仿真結(jié)果與分析
    為驗證本文算法,，采用大量圖像進行實驗，取其中1個NSC圖像序列(160幀,，每幀細胞數(shù)為33個,， 大小為250×250像素)作為例證，此序列具有細胞數(shù)目眾多,，出現(xiàn)復雜粘連和帶噪,、弱邊緣等特點。由于篇幅限制，圖片不宜過大,，故采用25X的物鏡觀察細胞,。實驗中，局部熵窗口尺寸M×M=3×3,?；叶茸儞Q參數(shù)d=0.9，K=80,。水平集參數(shù)主要參考參考文獻[5]：λ=5.0,u=0.04,v=3.0,τ=5.0,。實驗是在Intel P4 3.0 GHz，WindowsXP 2 048 MB內(nèi)存的PC上實現(xiàn),，程序由Matlab 7編寫,。
    分別采用閾值法、先驗模型法和本文算法對序列中隨機抽取的第102幀圖像進行分割,，結(jié)果如圖4所示,。
    圖4(b)顯示了閾值法的分割結(jié)果，可見,，不僅將相鄰細胞誤判為一個整體（這是由于出現(xiàn)了3個以上的細胞粘連），而且還漏標了多個細胞（這是由于該細胞形狀為非規(guī)則圓形）,。參考文獻[3]先驗模型算法在求出細胞的等效半徑r,、圓形度c和質(zhì)心o后，以質(zhì)心o為圓心,，以r為半徑,，劃定一個圓形區(qū)域來檢測細胞的粘連部分。算法對呈規(guī)則圓型細胞的復雜粘連有較好效果,，但對特殊形狀的復雜粘連分割不夠,見如圖4(c),。圖4(d)是本文算法的分割結(jié)果，除了極少數(shù)細胞的丟失外,，在細胞的形態(tài)信息和位置信息上都有更好的保留,，體現(xiàn)了算法的優(yōu)越性，利用人眼觀察可以看出分割正確率要比另兩種算法高得多,。

    本文給出了結(jié)合優(yōu)化水平集和改進OTSU閾值的NSC圖像分割算法,，分別解決了細胞分割中選取細胞團輪廓和分割粘連細胞的難題。實驗結(jié)果表明,，相較于其他分割算法,，本文算法對復雜粘連和帶噪、弱邊緣的細胞圖像分割速度更快速,、更準確,。
參考文獻
[1] 錢翔,葉大田.分割神經(jīng)干細胞圖像的兩種聚類多閾值分割方法[J]. 清華大學學報:自然科學版, 2010,50(3):
462-465.
[2] 魯勁松,段儕杰,俞燕明,等.細胞DNA指數(shù)全自動分析儀及其關(guān)鍵技術(shù)[J].儀器儀表學報,2009,30(2):293-297.
[3] 顧廣華,崔冬.白細胞圖像的自動分割算法[J].儀器儀表學報,2009,30(9):1874-1879.
[4] 張霞,王超.醫(yī)學圖像處理技術(shù)及發(fā)展趨勢[J].中外醫(yī)學研究,2010,8(7):22-25.
[5] JIANG T Z, YANG F G, FAN Y. An adaptive particle level set method[J]. Electronic Notes in Theoretical Computer Science(S1571-0661),2001,46(12):214-224.
[6] Ru Zhongliang, Zhu Chuanrui, Zhao Hongbo. Study on the  extend finite element method based on level set algorithm[J].Engineering Mechanics,2011,28(7):20-25.
[7] Lu Ke, He Ning, Xue Jian. A new geometric deformable  model for medical image segmentation[J].Chinese of Journal Electronics,2009,45(36):232－234.