序列圖像中運(yùn)動(dòng)細(xì)胞跟蹤問題研究.pdf

1、細(xì)胞跟蹤是指在觀測(cè)時(shí)間內(nèi)對(duì)特定細(xì)胞的運(yùn)動(dòng)軌跡，運(yùn)動(dòng)速度，形狀等屬性進(jìn)行分析，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使用價(jià)值。傳統(tǒng)的細(xì)胞跟蹤方法在技術(shù)日益革新的現(xiàn)今己不再適用，不但需要大量繁瑣的人為操作，而且可重復(fù)操作性不強(qiáng)，最重要的是傳統(tǒng)的研究方法由于使用物理化學(xué)操作，而使得研究結(jié)果不能客觀的反映細(xì)胞的自然運(yùn)動(dòng)，所以需要一種客觀且方便的方法。本論文針對(duì)這一問題展開研究，其主要工作如下：
　　 1、探討了基于KHM

2、的運(yùn)動(dòng)細(xì)胞跟蹤方法。首先通過KHM算法對(duì)細(xì)胞二值圖像進(jìn)行聚類處理，然后結(jié)合最近鄰思想和代價(jià)函數(shù)完成關(guān)聯(lián)，確定細(xì)胞在下一幀中的位置，完成細(xì)胞的跟蹤，由于細(xì)胞數(shù)目較大且相對(duì)密集，引入KHM的“軟聚類”思想，實(shí)現(xiàn)了運(yùn)動(dòng)細(xì)胞精確跟蹤。
　　 2、探討了基于Meanshift的運(yùn)動(dòng)細(xì)胞跟蹤方法。由于Meanshift算法能夠沿著核密度函數(shù)的梯度方向快速找到與當(dāng)前模式最匹配的模式，因此利用Meanshift算法能夠在較短的時(shí)間內(nèi)完成對(duì)細(xì)胞二

3、值圖像的聚類處理，將得到的聚類中心作為待跟蹤細(xì)胞中心下一時(shí)刻的預(yù)測(cè)位置，以這些預(yù)測(cè)位置為中心，為每個(gè)待跟蹤細(xì)胞建立矩形搜索匹配區(qū)域，計(jì)算待跟蹤細(xì)胞與它的每一個(gè)可疑匹配細(xì)胞之間的代價(jià)函數(shù)值，將代價(jià)函數(shù)值最小的可疑匹配細(xì)胞作為待跟蹤細(xì)胞的最佳匹配細(xì)胞，完成對(duì)待跟蹤細(xì)胞的跟蹤。
　　 3、探討了基于PAM的運(yùn)動(dòng)細(xì)胞跟蹤方法。本文首次將PAM算法用于運(yùn)動(dòng)細(xì)胞問題中，根據(jù)PAM算法聚類的特點(diǎn)，利用PAM對(duì)分割后的細(xì)胞二值圖像進(jìn)行聚類處理。

4、由于PAM存在計(jì)算量大的缺點(diǎn)，本章對(duì)PAM算法進(jìn)行了一些改進(jìn)，即用極少的非代表對(duì)象來檢驗(yàn)是否替換代表對(duì)象，減少計(jì)算量，提高了算法的運(yùn)算速度。仿真結(jié)果表明，本算法的細(xì)胞跟蹤位置誤差在很小的范圍內(nèi)，有較好的跟蹤效果。
　　 從仿真結(jié)果可以看出，在跟蹤效果方面，基于KHM的運(yùn)動(dòng)細(xì)胞跟蹤方法最好，Meanshift算法次之，PAM算法最差，而從運(yùn)行時(shí)間上來看，基于Meanshift的運(yùn)動(dòng)細(xì)胞跟蹤方法運(yùn)行時(shí)間最短，KHM算法次之，PAM算