线粒体电镜图像二值化增强算法研究

林旭云，黄 堃

（福建江夏学院，福州3501 08）

线粒体电镜图像二值化增强算法研究

林旭云，黄 堃

（福建江夏学院，福州3501 08）

提出了一种图像二值化增强算法.首先设计了一个分类器对原图进行初步二值化处理，再对原图和初步二值图按一定规则平滑叠加，得到既平滑又去噪锐化的效果，再设计一种均值模板进一步平滑去噪，最后对图像进行裁边，并按设计的规则进行二值化判别输出.实验结果表明，该增强算法能去除图像中的噪声和其他非线粒体成分，可提高电镜图像中线粒体边缘检测的识别准确率.

二值化；图像增强；算法；线粒体

近年来，随着高性能电子显微镜分辨性能的不断提高，电镜在医学超微结构研究领域的应用也越来越多，各种细胞线粒体微细结构的研究方兴未艾.大量的医学研究人员在做基础性研究时需借助于电镜的帮助，以获取线粒体的超微结构图片，并据此进行定量分析［1－3］.在图像的采集、传输、保存、转换过程中，由于曝光条件、光学系统失真、切片制作精确度、系统噪声、细胞超微结构特点等因素的影响，不可避免地会导致原始线粒体图像存在大量噪声、线粒体间隙存在其他细胞结构成分、图像的质量达不到后期自动识别分析的要求等问题.为了提高线粒体自动识别的准确度和降低线粒体自动识别的误识率、误拒率，必须先对线粒体电镜图像进行增强处理，目的是突出图像中的线粒体信息，抑制非线粒体信息，从而便于计算机对图像进一步分析，准确识别出线粒体轮廓，为最终实现线粒体电镜图像的计算机自动识别软件的开发打下基础.换句话说，设计合适的图像增强处理算法，是完成对线粒体电镜图像进行有效的线粒体轮廓自动识别的一个重要环节.

而随着图像采集和处理方法的进步，前人已研究和提出了针对各种不同特性的图像的增强技术.目前，常用的增强技术根据其所进行处理的空间的不同，可分为基于空域的方法和基于变换域的方法［4－6］.基于空域的增强方法常用的有灰度映射、直方图变换、空域滤波等；基于变换域的方法最主要的是频域滤波.但是任何一种图像增强算法仅能对某些类型图像有效，因此，这些增强算法无法实现通用性.采用现有的增强算法对线粒体电镜图像进行处理，虽然其中的大多数算法对线粒体电镜图像有一定的增强效果，但是这些增强结果还无法满足后续线粒体边缘识别的准确度要求.为此，特设计了一种图像增强算法，对原始电镜图像进行充分去噪、平滑，并将图像初步识别为线粒体区域和非线粒体区域，再对全图进行二值化划分，以使得到的二值图符合线粒体电镜图像边缘识别要求.

1 线粒体图像二值化增强算法的设计

1.1 步骤一

提取原始图像边缘信息，初步二值化.

原始图像中，所有像素点可以被划归为线粒体或非线粒体成分的边缘点和内部点.这里非线粒体成分包含粗面内质网、糖原、溶酶体、脂滴以及图像噪声.我们将构成原始电镜图像的线粒体和非线粒体成分称为图像中的对象.经观察，所有位于对象内部的像素点具有共同特征：同一对象的内部像素点的灰度值的差值，明显小于该对象的边缘像素点与内部像素点的灰度值的差值.基于这一特征，我们可以设计一种边缘像素点与内部像素点的分类器，将判定为对象内部区域的像素点用黑色表示，将判定为对象边缘区域的像素点用白色表示.分类器模板如图1所示.

图1 分类器模板

该分类器的基本工作原理是：将模板依次移动到除图像最外一圈的所有像素点，将模板中心位置0对齐待判定的像素点，用模板外圈位置1到位置8的像素点的灰度值分别减去中心像素点的灰度值，统计得到8个差值中绝对值小于给定阈值的个数.根据得到的统计个数，判定模板中心像素点是位于对象的边缘区域还是内部区域.根据对多幅不同的线粒体电镜图像进行测试的结果，算法所采用的给定阈值确定为20.所有被检测的像素点的统计结果的集合为｛0，1，2，3，4，5，6，7，8｝，用柱状图表示统计结果，如图2所示.从图2可见，统计图呈三峰状态，两个谷底位于区间［2，3］和区间［6，7］处，故设置分类界限的最小值为3、最大值为6.若统计的个数小于最小值3，则模板中心对应像素点为内部像素点的概率极大，该位置设置为黑色；若统计的个数大于最大值6，则模板中心对应像素点为噪声像素点的概率极大，为了进行去噪处理，该位置也设置为黑色；若统计的个数为其他值，则模板中心对应像素点为边缘像素点的概率极大，该位置设置为白色.

图2 统计结果分布柱状图

用g（x，y）表示初步二值化处理后的图像，s（x，y）表示模板中心像素点与模板外圈8个像素点的灰度值差值的绝对值小于给定的阈值的个数，计算公式为：

图3所示是采用本算法对一幅原始的线粒体电镜图像进行二值化增强的处理过程示意图.

图3 线粒体电镜图像生成二值化增强图的过程

图3（a）是一幅原始的线粒体电镜图像，对图3（a）分类操作后的结果如图3（b）所示.初步二值化后，绝大部分线粒体和非线粒成分的边缘区域像素点以白色显示居多，而内部区域像素点以黑色显示为主，说明噪声得到部分消除.

1.2 步骤二

对原始图像和步骤一所得的初步二值化图分别采用图4、图5所示的模板进行均值化平滑操作，再以一定规则进行叠加，得到一种既抑制了部分噪声又具有一定程度锐化的增强效果.

原始图像采用的均值模板中心像素点权值为0，这样可有效去除奇异噪声点的影响.初步二值化图采用的均值模板中心像素点的灰度值权值为4，这样可有效增强线粒体内部区域与其他区域的对比度.

用I（x，y）表示原始图像，J（x，y）表示初步二值化处理后的图像，K（x，y）表示步骤二得到的叠加图，s u mI表示像素点I（i，j）的八邻域像素点的灰度值的和，s u mJ表示像素点J（i，j）的八邻域像素点的灰度值的和，则K（x，y）可用公式表示为：

操作结果如图3（c）所示.图3（c）中大多数噪声得到了有效弱化，多数线粒体内部区域与外部区域颜色的差值明显扩大.但该步骤操作仍存在不足，即部分非线粒体成分所占区域也被误作为线粒体内部区域而得到了增强.

1.3 步骤三

对上一步操作结果进一步平滑去噪.

该步骤的平滑去噪思想是：设计一种求取均值的平滑模板，利用该模板依次经过图像允许计算的像素点，将模板中心对准每个像素点，依据模板所示位置的像素点的灰度值，计算模板中心对应像素点的灰度值均值，检查该灰度值均值是否大于给定阈值.若灰度值均值大于给定阈值，则在本步骤输出图中，将该平均值作为模板所对应的中心位置的像素点的灰度值，否则保留步骤二所得的像素点的灰度值.

为了以更全面的视角对像素点进行平滑去噪，我们设计的平滑模板是选取与中心像素点的距离为d的8个像素点作为平滑参照像素点.经多次测试，选取d值为5.若d值过大，则处理后的图像会丢失过多有效信息；若d值过小，则去噪效果有限.设计模板如图6所示，其中中心黑色区域为模板基准像素点，四周8个灰色区域位置是距离d＝5的平滑参照像素点.利用该模板可进一步降低噪声对图像信息读取的影响.

图6 距离d＝5的平滑模板

利用d＝5的平滑模板的周围8个像素点的灰度值计算灰度值均值.若该值大于给定阈值，则该像素点目前为噪声点的可能性大，将输出图中模板中心对应位置的像素点的灰度值设置为计算所得的灰度值均值，以进行去噪操作；否则还是输出本步骤的输入图的对应像素点的灰度值，这样可以保留尽可能多的原图有用信息.经多次测试，当给定阈值设置为40时，输出图可实现较为理想的平滑去噪效果.灰度值均值a v e的计算公式如下：

用K（x，y）表示经过步骤二处理后的图像中像素点（x，y）的灰度值，G（x，y）表示经过本步骤处理后的输出图像中像素点（x，y）的灰度值，δ表示给定阈值，则G（x，y）可用公式表示为：

操作结果如图3（d）所示.图3（d）中有用信息区域内部的像素点之间的灰度值差异比图3（c）进一步缩小了，而非有用信息区域的像素点的灰度值差异也进一步缩小了.这样使得得到的图3（d）中的所有像素点的灰度值更趋于向两个灰度等级区间集中，图3（d）中的噪声也进一步减少了.

1.4 步骤四

将给定阈值δ设置为20，重复步骤三操作，进行二次去噪平滑.

该步骤进一步增强了步骤三的效果.其效果如图3（e）所示.

在步骤三和步骤四中，由于使用的平滑模板的距离设置为d，所以位于图像外围d圈的像素点无法完成模板取均值操作，这些像素点在最终完成图中必须予以裁剪删除.删除这些有限的外圈区域像素点，不会对最终求取线粒体定量分析参数造成误差.

1.5 步骤五

对图像进行裁边，并进行二值化处理.

在本步骤中，在最终的输出图中必须对位于外围d圈的像素点予以裁剪去除.另外，由于电镜原始图像的最左侧有较大面积的图像标题和用于标示说明的矩形区域，该区域完全遮挡了底部图像，因此图像的最左侧较宽区域也必须予以裁剪.否则这块区域若计入最后的数据统计，将对线粒体的体密度、面密度和数密度的计算结果带来较大误差.为此，我们将除外圈和左侧无效区域外的其他像素点读出，作为输出图像对应位置的判定像素点.

采用二值化判定方法，首先要计算所有有效像素点的总平均灰度值a v e HD，然后按照均值滤波器模板计算对应点的平均灰度值a v e G，再将a v e G与被修正处理后的总平均灰度值a v e HD进行比较.若前者小，则该点输出0，否则，输出255，这样就实现了图像的二值化处理.对总平均灰度值的修正处理，是将计算出的总平均灰度值减去给定的修正值，经实验效果比较，该修正值取8，这样可以获得相对理想的二值化效果图，如图3（f）所示.

用G（x，y）表示经过步骤四处理后的图像，G B（x，y）表示经过本步骤处理后输出的二值化图像，λ表示给定的修正值，则G B（x，y）可用公式表示为：

2 实验结果比较

在M a t l a b中，利用经典算子对同一电镜图片进行二值化实验，实验结果如图7所示.

图7 经典算子二值化线粒体电镜图片的效果图

对同一电镜图片分别利用本文设计的二值化算法和其他经典算子进行处理，对比实验结果可知，本文设计的二值化增强算法可实现初步划分线粒体区域和非线粒体区域，这有利于下一步对线粒体边缘的检测，同时也对下一步计算线粒体的体密度、面密度、平均体积及平均表面积极为有利.而经典算子产生的二值化图主要依据以某种评价函数对相邻像素点的灰度突变程度予以评价，从而将像素点灰度值划归2个值域.因而经典算子对线粒体电镜图像的处理未能实现有效区分线粒体区域和非线粒体区域，产生的线条也不是单纯的线粒体边缘，而是含有了大量伪边缘和噪声点.可见，无法利用经典算子的处理结果进一步得到有效的线粒体边缘和线粒体区域.因此，对线粒体电镜图片的二值化增强处理，本文设计的二值化增强效果明显优于经典算子.

3 结 语

从实验结果可知，本文设计的二值化算法产生的最终二值化增强图中已将所有线粒体的区域大部分设置为黑色，非线粒体区域大部分被设置为白色，二值化增强的结果基本符合后续线粒体轮廓识别需要.但是原始图像中有些模糊或灰度值与邻域像素点的灰度值差距不大的小部分非线粒体区域的像素点也被处理成了黑色，这需要在后续边缘识别算法中予以甄别去除.此外，二值化增强后的线粒体轮廓存在“锯齿”，需要在边缘识别过程中予以消除.

［1］ 吴正蓉，申洪.大肠肿瘤组织线粒体形态结构定量研究［J］.世界华人消化杂志，2003，11（9）：1372－1374.

［2］ 郑富盛.细胞形态立体计量学［M］.北京：北京医科大学／中国协和医科大学联合出版社，1990：6－42.

［3］ Martinelli C，Sartori P，Ledda M，et al.A Study of Mitochondria in Spinal Ganglion Neurons during Life：Quantitative Changes from Youth to Extremely Advanced Age［J］.Tissue and Cell，2006（38）：93－98.

［4］ 章毓晋.图像处理和分析教程［M］.北京：人民邮电出版社，2009：43－64.

［5］ 张德丰.数字图像处理（MATLAB版）［M］.北京：人民邮电出版社，2009：221－295.

［6］ Raphaël Marée，Pierre Geurts，Justus Piater，et al.Biomedical Image Classication with Random Subwindows and Decision Trees［J］.Lecture Notes in Computer Science，2005，3765：220－229.

Research of the Two－value Enhancement Algorithm of Mitochondrial Electron Microscope Image

LIN Xu－yun，HUANG Kun
（Fujian Jiangxia University，Fuzhou 350108，China）

In this paper，a two－value enhancement algorithm is proposed.First，the classifier is designed to get initial binarization.Secondly，the original image and the binary image are overlaid to obtain the smooth，de－noising and sharpening effect according to certain rules.Thirdly，a mean template is designed to get further smooth and de－noising.At last，the edge of the image is cut and the binary result of discrimination by designed rules is output.The experiment results show that：the designed enhancement algorithm in the paper is an effective composite image enhancement algorithm to the mitochondrial electron microscope image.It can remove the image noise and other non－mitochondrial components adequately.Thus it can radically improve the accuracy of edge detection recognition to mitochondrial electron microscope image.

binarization；image enhancement；algorithm；mitochondria

TP 391

A

10.3969／j.issn.1671－6906.2012.02.008

1671－6906（2012）02－0036－05

2012－02－24

福建省教育厅B类科技项目（J B 1119 0）

林旭云（1977－），女，福建南平人，讲师，硕士.