Sensors amp; Transducers, Vol. 159, Issue 11, November 2013, pp. 1-6

Sensors amp; Transducers

copy; 2013 by IFSA

http://www.sensorsportal.com

A Method of Using Digital Image Processing for Edge Detection of Red Blood Cells

• 1. Jinping LI, ² Hongshan MU, ² Wei XU

1. Software School, East China Institute of Technology, 330013, China
2. Economic Development Zone Guanglan Avenue 418, Nanchang330013, China

² Tel.: 13699532208

1. E-mail: muhongshan@126.com

Received: 22 July 2013 /Accepted: 25 October 2013 /Published: 30 November 2013

Abstract: Using a series of digital image processing methods, such as gray stretch, median filter, threshold segmentation, edge extraction and detection, detect the variations of red blood cells, realize the goal of identifying the shapes of variable red blood cells, and good results have been achieved. In conclusion, the average detection rate of abnormal red blood cells is above 80 %. This inspiring and conductive method is a tentative/experimental research which will play a good demonstration role in further application of image processing and detection in medical field. Copyright copy; 2013 IFSA.

Keywords: Image processing, Morphological, Red blood cells, Detection.

1. Introduction

With the development of information technology, image processing technology is becoming an essential and effective tool in scientific research. It is especially widely used and effective in the field of biomedical engineering.

Besides CT technique of digital image processing, it is also widely used in medical diagnosis, such as chromosome analysis, cancer cell detection, etc [1-4]. According to geometric features obtained of the red blood cells, we can detect and research the pathological red blood cells.

The method will play a good demonstration role for further application in the field of image processing technology in medicine.

Article number P_1529

2. Experimental Methods

2.1. Experimental Material

The image samples of medical red blood cells (provided by peoplersquo;s hospital in Nanfeng County, Jiangxi Province).

2.2. Experimentation

2.2.1. The Grey Image Stretching of the Red Blood Cells

While being a way of image linear transformation, the grey image stretching can greatly improve the visual effect for us. The gray level of all

1

Sensors amp; Transducers, Vol. 159, Issue 11, November 2013, pp. 1-6

points in the image is transformed according to linear transformation function, which is one dimensional linear function [1].

f (x) = fA * x fB

(1)

For gray level transform equations:

DB = f (DA) = fA * DA fB

(2)

The parameters f_A is the slope of the linear function, f_B is the y-axis intercept, D_A shows the grayscale of the input image, and D_B shows the grayscale of output image. While f_Agt;1, the contrast of the output image will be increased; While f_Alt;1, the contrast of the output image will be reduced; while f_A =1 and f_Bne;0, the gray value of all the pixels will go up or down, and its effect is to make the image darker or brighter; If f_Alt;0, dark areas will be brighten, and bright areas will be darken, complementary operations of the images are completed by the point operation. In a particular case, while f_A=1, f_B=0, the output image is the same as the input figure; While f_A=-1, f_B=255, the grayscale of the input image and the output image is precisely reversed [5].

The Original Red Blood is shown in Fig. 1.

2.2.2. The Mean Filter of the Red Blood Cell Image

Median filter of image is a kind of enhancement technique of image spatial domain filtering [1], which can reflect the texture characteristics of the spatial image, such as physical location, shape, size, and so on. The mean value of all pixels in the field is assigned to the output corresponding pixels so as to achieve the purpose of smoothing.

3times;3 templates are adopted in this paper, and average filtering process is shown in Fig. 3. Fig. 3(a) shows a small part of an image, with a total of 9 pixels. Pi (i= 0, 1... 8) shows the grey value of pixels; Fig. 3(b) shows a 3times;3 template, and Ki (i = 0, 1... 8) is called template coefficient; Odd numbers (such as 3times;3, 5times;5) are generally taken for the consideration of template size, and the median filter can be divided into the following steps:

1. Make Ki (i= 0, 1... 8);
2. Make the template roam in the image, and make pixels of k₀ and p₀ overlap in Fig. 3. Gray value r₀ can be calculated by the next type of output image which is corresponding to pixel p₀ (as shown in Fig. 3(c);
3. All grey values of the pixels in the enhanced image can be obtained by calculating each pixel according to the type of Fig. 3(c).

The process of the median filter can be applied to all the spatial filtering methods, that is to say, the function of the spatial filter is realized in the pr

剩余内容已隐藏，支付完成后下载完整资料

---

一种基于数字图像处理的红细胞边缘检测方法

¹Jinping LI, ² Hongshan MU, ² Wei XU

¹软件学院，东华理工学院，330013，中国

²经济开发区广兰大道418号，江西南昌，中国

²电话：13699532208

²电子邮件：muhongshan@126.com

收到：2013年7月22日/接受：2013年10月25日/出版：2013年11月30日

摘要：利用一系列数字图像处理方法，如灰度拉伸、中值滤波、阈值分割、边缘提取和检测，检测红细胞的变异，实现识别变异红细胞形状的目标，取得了良好的效果。综上所述，异常红细胞的平均检出率在80%以上。这一启发性和指导性的方法是一种尝试性的实验研究，对医学图像处理和检测的进一步应用具有很好的示范作用。版权所有2013 IFSA。

关键词：图像处理，形态学，红细胞，检测。

1 介绍

随着信息技术的发展，图像处理技术成为科学研究必不可少的有效工具。它在生物医学工程领域中被广泛和有效的应用。

除了数字图像处理的CT技术外，它还广泛应用于医学诊断中，如染色体分析、癌细胞检测等[1-4]。根据红细胞的几何特征，我们可以对病理红细胞进行检测和研究。

该方法将对医学图像处理技术的进一步应用起到良好的示范作用。

2 实验方法

2.1 实验材料

医用红血球图像标本（由江西省南丰县人民医院提供）。

2.2 实验

2.2.1 红细胞的灰度图像拉伸

灰度图像拉伸作为图像线性变换的一种方式，可以极大地提高视觉效果。图像中各点的灰度值根据线性变换函数变换，即一维线性函数[1]。

f (x)  fA * x  fB

对于灰度变换方程：

DB  f (DA)  fA * DA  fB

参数FA是线性函数的斜率，FB是Y轴截距，DA表示输入图像的灰度，DB表示输出图像的灰度。当FA＞1时，输出图像的对比度将增加；FA＜1时，输出图像的对比度会降低；FA＝1和FBne;0时，所有像素的灰度值都会上升或下降，其效果是使图像变暗或亮；如果FA＜0，则暗区将变亮；D亮点区域将变暗，图像的互补操作由点运算完成。在特定情况下，当FA＝1，FB＝0时，输出图像与输入图形相同；而FA＝1，FB＝255，输入图像和输出图像的灰度被精确地反转[5]。

原始红细胞如图1所示：

图1 原来的红细胞

图2中示出了灰度拉伸的增强图像：

图2 红细胞图像的灰度拉伸

2.2.2 红细胞图像的均值滤波

图像中值滤波是一种图像空间域滤波的增强技术[1]，它能反映空间图像的纹理特征，如物理位置、形状、大小等。场中所有像素的平均值被分配给输出对应像素，从而达到平滑的目的。

本文采用了3times;3模板，并在图3中给出了平均滤波处理。图3（a）示出了图像的一小部分，共有9个像素。pi;（i＝0, 1hellip;8）显示像素的灰度值；图3（b）示出了3times;3模板，Ki（i＝0, 1hellip;8）称为模板系数，考虑模板大小通常采用奇数（如3times;3, 5times;5），中值滤波可分为以下步骤：

1）制作Ki（i＝0, 1hellip;8）；

2）使模板在图像中漫游，并在图3中生成k0和p0重叠的像素。灰度值R0可以通过与像素P0对应的下一种输出图像来计算。如图3（c）所示：

3）通过根据图3（c）的类型计算每个像素，可以获得增强图像中的像素的所有灰度值。

中值滤波的过程可以应用到所有的空间滤波方法中，即，通过应用模板卷积方法，在每个像素区域的过程中实现空间滤波器的功能。

图3 平均滤波处理

为了去除噪声，图像与一个3times;3模板使用平滑处理操作。结果如图4所示：

图4（a）红细胞图像中值滤波平滑，平滑前的图像

图4（b）红细胞图像中值滤波平滑，图像平滑后

2.2.3 红细胞图像阈值分割

阈值分割是一种区域分割技术[2]，它可以根据用户指定的灰度值将图像灰度分成两个或多个灰度区间。然后，利用目标对象与背景之间的灰度差异，选择合适的阈值。通过判断图像中的每个像素是否满足阈值的要求，确定图像中的像素属于哪个区域：目标区域或背景区域。图像的二值化处理是常用的阈值处理方法之一。选择一个阈值，然后将其转换成黑白图像，通过图像分割和边缘跟踪等方法对其进行预处理，利用人机交互的阈值方法和Windows应用程序[6]，我们得到了以下红细胞阈值分割图像，见图5。

2.2.4 图像边缘检测与提取

边缘通常是指那些具有阶跃变化或屋顶变化的周围像素的集合，并且它也是图像分割所依赖的一个重要特征。分别使用拉普拉斯算子和索贝尔算子对红细胞进行锐化处理，如图6所示，可以得到如下各图像。

图5（a） 阈值分割前 图5（b） 阈值分割后

（a）锐化前的图像 （b）锐化后的图像

图6 红细胞图像的拉普拉斯锐化处理

2.2.5 红细胞图像处理

2.2.5.1 红细胞图像的几何特征

正常成熟的红细胞呈红色或橙色，其形状为椎间盘的形状，其特征为同心圆和苍白中心，其浅红色区域的直径约为红细胞直径的1/3。在图7中示出了选择用于测试的红细胞图像样本，标记的细胞将被检测到，这是红细胞的随机采样。

（a）锐化前的图像 （b）锐化后的图像

图7 索贝尔锐化处理红细胞图像。

首先，图像的软件界面如图9所示，采用灰度拉伸、中值滤波、阈值分割等方法，对单个红血球的提取进行预处理。在得到去除噪声的对比度较大的红细胞图像后，使用绘图软件的Windows XP系统提取所选择的红细胞图像[6]。编号并排列选定的红细胞图像，然后出现如图10所示的红细胞图像的新排列。

图8 原始红细胞

图9 图像处理软件界面

图10 选择被检测的图像的红细胞

3 结果与分析

根据图11所示的图像检测红细胞图像的边缘，得到第一级的检测结果（如图12所示）。

在试验一中，根据图12，我们可以看到15号和17号红细胞是矩形的，不像医学上的正常红细胞，因此，我们可以得出结论，这两种红细胞是不正常的。

在试验二中，通过二值化过程提取单个红细胞，如图13所示，并准备用于下一步计算红细胞的几何特征。

图11 检测红细胞图像的边缘检测

图12 选择红细胞图像的边缘检测

图13 红细胞检测前图像的二值化处理

根据图13中的二值化图像，观察血液细胞的红细胞浅区域，细胞1, 3, 4、5, 7, 8、9, 11, 12、13可以观察到没有浅的区域，或者它们的浅色区域小于红细胞直径的1/3，因此我们可以得出结论：这些红细胞是不正常的。

在测试三中，分别计算图14中的二值化处理后红细胞的几何特征。红细胞几何特征的数据聚合如图15所示。

图14 红细胞几何特征的计算

图15 红细胞对几何特征的数据聚集

实验结果表明，正常红细胞的平均面积为830左右，而红细胞20号和23号的平均误差范围大于100，可作为异常红细胞。

最后，在图16中示出了检测到的正常红细胞。

图16 正常红细胞图像

4 结论

如图所示，由图8医院提供的医学红细胞图像样本异常率为70%。然而，我们在实验中得到的图像中红细胞异常率为62.5%。因此，基本上可以得出，本研究中异常红细胞的平均检出率大于80%。

总之，通过图像处理和检测过程，利用各种图像处理技术，我们完成了对单个红细胞的提取，实现了异常红细胞的检测，并取得了良好的效果。但是对于红细胞图像的检测还存在一些问题需要解决：

1）部分判别误差率仍然很高，因为只有几何特征被用于分析，而颜色、纹理、内部结构因子的比例没有被考虑；

2）检测过程中存在的误差对实验结果有一定影响；

3）为了便于检测和保证更高的检出率，本研究选择了不重叠的红细胞图像，对重叠细胞的测试将在未来采用新的治疗方法进行探索。

致谢

我们要感谢江西教育部科技计划项目（GJJ11490）。

4 参考文献

1. Fu Desheng, Graphic image processing, Southeast University Press, Nanjing, 2001.
2. Nie Bin, Medical image segmentation technology and its progress, Mount Taishan Medical School Journal, Vol. 23, No. 4, 2002, p. 422-426.
3. Tian Ya, Rao Nini, Pu Li Xin, The latest dynamic of domestic medical image processing technology, Journal of University of Electronic Science and Technology, Vol. 3, No. 2, 2001, pp. 3-9.
4. Jia Minyi, Diagnostics, Peoples Medical Publishing House, Beijing, 1981.
5. M. Christgan, K. A. Hiller, G. Schmalz et al., Accuracy of quantitative digital subtraction radiography for determining changes in calcium mass in mandibular bone, Journal of Periodontal Researches, Vol. 33, Issue 3, 1998, pp. 138-149.
6. Cheng Wenbin, Jin Xiangfeng, Visual C utility, Beijing University of Aeronautics and Astronautics Press, Beijing, 1995.
7. Xiao Yi, Long Mei, Ni I, Li Hongyang, Computer application in medical image processing, Medical Education and Technology of China, Vol. 15, No. 4, 2001, pp. 203-204.

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[21288]，资料为PDF文档或Word文档，PDF文档可免费转换为Word