本文提出一種基于HSI修正空間信息融合的白細胞自動分割方法。首先將細胞原圖轉換至HSI彩色空間, 由于H分量分段函數變換公式的不連續, 導致原圖中視覺均勻的細胞漿區域在此通道中均勻性變差。對色調計算公式進行了修改, 然后依據白細胞核、漿在H、S、I通道分布特點提取核、漿、紅細胞和背景區域信息, 利用信息融合理論和方法構造融合圖像Ⅰ和只存在細胞漿和少量干擾的融合圖像Ⅱ, 分別提取細胞核和細胞漿。最后標記細胞核、漿, 得到分割結果。實驗結果表明:該算法對白細胞圖像分割準確性高、魯棒性強且具有普適性。
引用本文： 繆慧司, 梁光明, 劉任任, 丁建文. 基于HSI修正空間信息融合的彩色白細胞圖像分割方法. 生物醫學工程學雜志, 2016, 33(2): 303-307. doi: 10.7507/1001-5515.20160051 復制
引言
血片顯微鏡檢有重要的臨床診斷意義，特別是對各種血液病的診斷有很大價值。白細胞圖像的自動識別可以將檢驗人員從繁瑣耗時的工作中解脫出來，減少人為因素引起的誤判，提高識別率。細胞圖像分類的第一步驟通常是將單個細胞從細胞群或背景中分割出來，由于血片染色、采集環境的不一致性以及白細胞種類和干擾因素的復雜性，使得目前的白細胞自動分割，尤其是對粘連細胞的分割效果不能滿足臨床需求，因此提高白細胞分割正確率是當前的研究重點與熱點之一。
隨著國內外研究的深入，目前已經涌現出多種細胞分割方法[1-6], 并取得一定效果，但對粘連細胞分離問題仍沒有得到有效解決。顧廣華等[7]提出一種利用S、G通道進行細胞核初定位并通過檢測細胞凹凸性變化，分離細胞粘連區域的方法。王康等[8]進一步提出利用S、B通道結合并進行多邊形逼近和檢測凹點的方法。將這些算法應用于粘連細胞分割，提高了分割準確率，但對于細胞粘連復雜的情況，分割效果不佳。
針對以上粘連血細胞較難分割的難題，本文提出一種基于色調、飽和度、強度(hue、saturation、intensity, HSI)修正彩色空間信息融合的白細胞分割算法，將其用于進行白細胞的核、漿分離以及與紅細胞粘連的白細胞的分割，以期取得較好效果。
1 HSI彩色空間修正模型
HSI彩色空間模型是反映人的視覺系統感知彩色的方式，以色調(Hue)、飽和度(Saturation)和強度(Intensity)三種基本特征量來描述顏色。人眼對H、S、I變化要比對R、G、B變化的區分能力強，任何彩色圖像都可以用一組HSI特征來進行表征。圖像從RGB空間到HSI空間可通過一個簡單的非線性變換實現轉換：
| $強度：I=\left({R + G + B} \right)/3 $ |
| $ \begin{array}{l}色調：\varphi=\arccos \left[ {\frac{{\frac{1}{2}\left[ {R-G} \right] + \left({R-B} \right)]}}{{{{\left[ {{{\left({R-G} \right)}^2} + \left({G-B} \right)\left({R-G} \right)} \right]}^{1/2}}}}} \right]\ H=\left\{ \begin{array}{l} \varphi, \left({B \le G} \right)\ 2\pi-\varphi, \left({B > G} \right) \end{array} \right. \end{array} $ |
| $飽和度：S=1-\frac{3}{{\left({R + G + B} \right)}}\left[ {\min \left({R, G, B} \right)} \right] $ |
1.1 修正HSI彩色空間模型
白細胞分割的主要目的是提取包含細胞核、細胞漿在內的整個白細胞，包括細胞核和漿分割兩個步驟。其中，細胞漿區域分割采用了區域生長算法。
在細胞漿區域分割方法中, 因白細胞和紅細胞區域在色調H通道中的灰度有較大差異，且在各自區域內具有一致性，所以確定H通道為進行生長的模板圖。實驗測試發現少數細胞的模板圖在其漿區域和邊緣處出現“斷層”現象。因在斷層交界處相鄰位置的像素點灰度值差異大，區域生長到此處的種子點無法進一步生長，導致細胞漿區域分割不完整。經分析發現，是因H分量分段變換公式的不連續性，造成細胞漿區域中相鄰兩個像素在B和G通道取值相近，一致性好，但在H分量中可能取值相去甚遠，一致性差，出現“斷層”。如圖 1(a)所示為細胞原圖，而圖 1(b)為細胞H分量圖，可見細胞漿內和邊緣出現了斷層。
圖1
白細胞圖像
(a)細胞圖像；(b)
(a) cell image; (b)
提取圖 1(a)細胞漿區域的歸一化H通道的直方圖如圖 2(a)所示，發現其灰度值集中于[0.6, 1]之間，少量分布在[0, 0.1]。分布在[0, 0.1]局部的低灰度分布對應上述斷層現象，這是由于H分量分段變換公式的不連續造成的。本文為“還原”H分量細胞漿區域的均勻性，對色調計算公式進行修改，使其不再比較B和G分量。修改后公式如下：
| $ {H^*}=\varphi $ |
圖2
白細胞漿區域H分量歸一化直方圖
(a)
(a)
選取圖 1(b)中坐標為(80，82)的點P，其未修正時Hp=0.027 3，修正后Hp*=0.972 7。將未修正與修正后白細胞漿區域直方圖[如圖 2(b)所示]進行對比，直方圖經修改后既保持了原有灰度值大致分布，又增強了均勻性。
如圖 1(c)所示，修改公式后，使其漿區域灰度值在H通道分布更加均勻連續，不再出現斷層，有利于區域生長算法對漿區域的分割。
2 基于S、I空間信息增強的白細胞核分割
白細胞顯微圖像由背景、紅細胞、白細胞漿和白細胞核四部分組成。血液細胞經染色后，白細胞內的核部分由于本身物理和化學特性著色明顯，與其他部分有較大顏色區別，如圖 3(a)所示。其中染色濃度可由飽和度S通道進行描述，從圖 3(b)可見細胞核經瑞氏染色后，在S通道上具有較高的灰度值，圖像偏亮，而細胞漿、紅細胞和背景部分灰度值較低，圖像偏暗。文獻[7]提出利用S通道和G通道進行組合，文獻[8]提出S通道和B通道組合圖像，均是利用細胞核在G、B通道的灰度分布特征與S通道的分布往往恰好相反的特點，可通過與S通道的線性結合來達到突出圖像中細胞核區域的效果。但由于G、B分量均受染色方案影響且與顏色特征嚴重相關，上述算法在不同染色方案(如Giemsa氏染色法)下并不能取得一致效果，不滿足算法要求的魯棒性。
圖3
構造細胞核融合圖流程圖
(a)細胞圖像；(b)
(a) cell image; (b)
考慮適應性要求，本文選取與顏色信息無關、同時滿足相同灰度分布特性的強度I通道[如圖 3(c)所示]來和飽和度S通道[如圖 3(b)所示]組合，利用公式(5)構造融合圖像Ⅰ(IMG1)，同樣可以很好地突出白細胞的核區域，且可在多種染色方案下獲得了相似的結果，如圖 3(d)所示。
| $ IM{G_1}=SI $ |
分析融合圖Ⅰ的灰度直方圖可知白細胞質區域、背景和紅細胞與細胞核區域形成了明顯的雙峰。對融合圖Ⅰ進行Otsu閾值分割并使用數學形態學方法進行后處理，獲得細胞核二值圖，如圖 3(e)所示。
3 基于HSI空間信息融合的白細胞漿分割
要得到完整的白細胞，還需要進一步分割出漿區域。因為細胞漿與紅細胞灰度值相近，常用的閾值分割很難奏效。又由于白細胞經常與紅細胞粘連在一起，細胞粘連的邊緣不明顯，使用如Canny算子邊緣檢測[2]、活動輪廓模型[4]和分水嶺變換[9]提取效果也不理想，而且這些方法也沒有考慮目標區域內部像素間的信息相關性。本文采用的區域生長算法是一種既利用了彩色空間中的顏色相關性，又利用鄰近像素間相互關系的算法。
3.1 區域生長算法
區域生長(Region Growing)算法是將像素或區域發展成更大區域的過程。從種子點的集合開始，通過將每個種子點有相似屬性如強度、灰度級、紋理顏色等的相鄰像素合并到此區域，直到不再存在相似像素點。
以色調H通道生長為例。定義圖像空間上兩點P1(H1, S1, I1)，P2(H2, S2, I2)。兩點間色調差可用如下公式表達:
| $ {D_H}\left({{P_1}, {P_2}} \right)=\left| {{H_1}-{H_2}} \right| $ |
區域生長準則為：設圖像上種子區域R的平均色調值為H0，圖像中區域R相鄰一像素點P的色調值為Hp，若D(R, P)=｜HP-HR｜≤T，則將點P加入區域R中，T是一固定的閾值。隨著區域R不斷更新，需要重新計算區域R平均色調值：
| $ {H_0}=\frac{1}{R}\sum\limits_{i=1}^{mm} {H\left({{P_i}} \right)} $ |
其中num為區域R像素點個數。若按上述準則找不到更多符合的像素點，則停止生長[10]。
3.2 構建漿區域融合圖像
提取到細胞核區域后，還剩下背景、紅細胞和白細胞漿三部分。通過大量觀察發現，高倍(40倍)顯微鏡下紅細胞和白細胞通常都存在顯著的暗邊緣，可利用邊緣信息限制種子區域生長范圍，達到分離粘連血細胞的目的。依據數據分析，融合圖Ⅰ中灰度值高亮部分對應細胞核區域和暗邊緣(BWSI)，I通道中灰度值高亮部分對應背景(BWI)。為了讓漿區域與其他區域區分開來，避免出現由于粘連紅細胞而導致過分割現象。將分離紅細胞和背景過程分為2個步驟：
第一步：提取融合圖Ⅰ細胞核區域和血細胞暗邊緣信息BWSI與修正過H*通道融合，得到粘連細胞分離圖像temp。
第二步：提取Ⅰ通道中背景信息BWI與上步驟圖像temp融合，得到只含有紅細胞和細胞漿區域分離融合圖。
其流程如圖 4所示。構造融合圖Ⅱ(IMG2)公式如下：
| $ \begin{array}{l} temp={H^*} \times BWI\ IM{G_2}=temp \times BWSI \end{array} $ |
圖4
構造融合圖Ⅱ流程圖
Figure4.
The flow chart of construct the fusion figureⅡ
接下來，以細胞核外輪廓像素集合為初始種子區域，在融合圖Ⅱ上執行區域生長算法，并對漿區域進行填充，保證漿區域完整，分割結果如圖 5(c)所示。
圖5
細胞漿分割圖
(a)
(a)
最后，在大小相同的空白圖上，將背景標記為255，細胞漿和細胞核標記為128和0，得到完整的白細胞核漿分離圖，如圖 5(d)所示。
4 實驗與分析
為測試本文算法的普適性和魯棒性，進行了圖片分割驗證實驗。實驗樣本為高倍(40倍)顯微鏡下不同環境不同批次的真實血片，由長沙愛威科技股份有限公司研發中心提供。通過對細胞核分割進行初步定位，截取高寬為280×280大小的白細胞圖片。由于白細胞種類形態復雜，相互差異性大，分別采取單核細胞、中性粒細胞、淋巴細胞、嗜酸粒細胞和嗜堿粒細胞各100幅顯微圖像組成實驗數據集進行算法性能測試。定義實際白細胞像素點與檢測白細胞像素點之差和實際白細胞像素點的比值為A，A值越小表示分割效果越好。其中，實際白細胞像素點由人工標注。當A＜0.1時，則視為分割正確。如圖 6所示為算法性能測試實驗的白細胞分割正確統計結果。與在H單一道的區域生長算法(文獻[3])對比，本文算法的分割效果更優，更為穩定，且對不同類別細胞都能取得較好的分割結果。
圖6
白細胞分割測試結果統計圖
Figure6.
White blood cell segmentation result bar graph
如圖 7所示列出一組細胞核分割結果。其中圖 7(b)和(c)分別為文獻[1]和本文算法的核分割結果。比較可知，本文算法取得的細胞核更為完整，內部不存在空洞且輪廓光滑自然。
圖7
細胞核分割比較圖
Figure7.
Comparison figure of nucleus segmentation comparison results
如圖 8所示列出一組由中性粒細胞、單核細胞和淋巴細胞組成的不同種類細胞圖片的分割結果，第一行表示白細胞采集圖像，第二行為本文算法分割結果。從整體看，5幅白細胞都取得了較好的結果。其中第1，2列圖像的白細胞無粘連，分割效果好。第3列圖像有1處粘連，第4列圖像有4處粘連，第5列圖像有3處粘連，也取得了較好的結果。
圖8
白細胞分割結果圖
Figure8.
Figure of WBC segmentation result
5 結束語
本文針對白細胞顯微圖像，提出一種白細胞自動分割算法。利用更符合人眼識別特性的HSI通道，通過信息融合方法獲得待分割目標顯著的融合圖像。對應細胞核區域分割和漿區域分割，分別在融合圖像Ⅰ和Ⅱ上使用Otsu閾值法和區域生長法得到分離的核漿二值圖，最后合并得到分割結果。算法對白細胞分割正確率較高，且對粘連白細胞分割也取得了較好結果。但是由于血細胞圖像粘連情況復雜多樣，進一步研究效果更好的分割算法是今后的重點。
引言
血片顯微鏡檢有重要的臨床診斷意義，特別是對各種血液病的診斷有很大價值。白細胞圖像的自動識別可以將檢驗人員從繁瑣耗時的工作中解脫出來，減少人為因素引起的誤判，提高識別率。細胞圖像分類的第一步驟通常是將單個細胞從細胞群或背景中分割出來，由于血片染色、采集環境的不一致性以及白細胞種類和干擾因素的復雜性，使得目前的白細胞自動分割，尤其是對粘連細胞的分割效果不能滿足臨床需求，因此提高白細胞分割正確率是當前的研究重點與熱點之一。
隨著國內外研究的深入，目前已經涌現出多種細胞分割方法[1-6], 并取得一定效果，但對粘連細胞分離問題仍沒有得到有效解決。顧廣華等[7]提出一種利用S、G通道進行細胞核初定位并通過檢測細胞凹凸性變化，分離細胞粘連區域的方法。王康等[8]進一步提出利用S、B通道結合并進行多邊形逼近和檢測凹點的方法。將這些算法應用于粘連細胞分割，提高了分割準確率，但對于細胞粘連復雜的情況，分割效果不佳。
針對以上粘連血細胞較難分割的難題，本文提出一種基于色調、飽和度、強度(hue、saturation、intensity, HSI)修正彩色空間信息融合的白細胞分割算法，將其用于進行白細胞的核、漿分離以及與紅細胞粘連的白細胞的分割，以期取得較好效果。
1 HSI彩色空間修正模型
HSI彩色空間模型是反映人的視覺系統感知彩色的方式，以色調(Hue)、飽和度(Saturation)和強度(Intensity)三種基本特征量來描述顏色。人眼對H、S、I變化要比對R、G、B變化的區分能力強，任何彩色圖像都可以用一組HSI特征來進行表征。圖像從RGB空間到HSI空間可通過一個簡單的非線性變換實現轉換：
| $強度：I=\left({R + G + B} \right)/3 $ |
| $ \begin{array}{l}色調：\varphi=\arccos \left[ {\frac{{\frac{1}{2}\left[ {R-G} \right] + \left({R-B} \right)]}}{{{{\left[ {{{\left({R-G} \right)}^2} + \left({G-B} \right)\left({R-G} \right)} \right]}^{1/2}}}}} \right]\ H=\left\{ \begin{array}{l} \varphi, \left({B \le G} \right)\ 2\pi-\varphi, \left({B > G} \right) \end{array} \right. \end{array} $ |
| $飽和度：S=1-\frac{3}{{\left({R + G + B} \right)}}\left[ {\min \left({R, G, B} \right)} \right] $ |
1.1 修正HSI彩色空間模型
白細胞分割的主要目的是提取包含細胞核、細胞漿在內的整個白細胞，包括細胞核和漿分割兩個步驟。其中，細胞漿區域分割采用了區域生長算法。
在細胞漿區域分割方法中, 因白細胞和紅細胞區域在色調H通道中的灰度有較大差異，且在各自區域內具有一致性，所以確定H通道為進行生長的模板圖。實驗測試發現少數細胞的模板圖在其漿區域和邊緣處出現“斷層”現象。因在斷層交界處相鄰位置的像素點灰度值差異大，區域生長到此處的種子點無法進一步生長，導致細胞漿區域分割不完整。經分析發現，是因H分量分段變換公式的不連續性，造成細胞漿區域中相鄰兩個像素在B和G通道取值相近，一致性好，但在H分量中可能取值相去甚遠，一致性差，出現“斷層”。如圖 1(a)所示為細胞原圖，而圖 1(b)為細胞H分量圖，可見細胞漿內和邊緣出現了斷層。
圖1
白細胞圖像
(a)細胞圖像；(b)
(a) cell image; (b)
提取圖 1(a)細胞漿區域的歸一化H通道的直方圖如圖 2(a)所示，發現其灰度值集中于[0.6, 1]之間，少量分布在[0, 0.1]。分布在[0, 0.1]局部的低灰度分布對應上述斷層現象，這是由于H分量分段變換公式的不連續造成的。本文為“還原”H分量細胞漿區域的均勻性，對色調計算公式進行修改，使其不再比較B和G分量。修改后公式如下：
| $ {H^*}=\varphi $ |
圖2
白細胞漿區域H分量歸一化直方圖
(a)
(a)
選取圖 1(b)中坐標為(80，82)的點P，其未修正時Hp=0.027 3，修正后Hp*=0.972 7。將未修正與修正后白細胞漿區域直方圖[如圖 2(b)所示]進行對比，直方圖經修改后既保持了原有灰度值大致分布，又增強了均勻性。
如圖 1(c)所示，修改公式后，使其漿區域灰度值在H通道分布更加均勻連續，不再出現斷層，有利于區域生長算法對漿區域的分割。
2 基于S、I空間信息增強的白細胞核分割
白細胞顯微圖像由背景、紅細胞、白細胞漿和白細胞核四部分組成。血液細胞經染色后，白細胞內的核部分由于本身物理和化學特性著色明顯，與其他部分有較大顏色區別，如圖 3(a)所示。其中染色濃度可由飽和度S通道進行描述，從圖 3(b)可見細胞核經瑞氏染色后，在S通道上具有較高的灰度值，圖像偏亮，而細胞漿、紅細胞和背景部分灰度值較低，圖像偏暗。文獻[7]提出利用S通道和G通道進行組合，文獻[8]提出S通道和B通道組合圖像，均是利用細胞核在G、B通道的灰度分布特征與S通道的分布往往恰好相反的特點，可通過與S通道的線性結合來達到突出圖像中細胞核區域的效果。但由于G、B分量均受染色方案影響且與顏色特征嚴重相關，上述算法在不同染色方案(如Giemsa氏染色法)下并不能取得一致效果，不滿足算法要求的魯棒性。
圖3
構造細胞核融合圖流程圖
(a)細胞圖像；(b)
(a) cell image; (b)
考慮適應性要求，本文選取與顏色信息無關、同時滿足相同灰度分布特性的強度I通道[如圖 3(c)所示]來和飽和度S通道[如圖 3(b)所示]組合，利用公式(5)構造融合圖像Ⅰ(IMG1)，同樣可以很好地突出白細胞的核區域，且可在多種染色方案下獲得了相似的結果，如圖 3(d)所示。
| $ IM{G_1}=SI $ |
分析融合圖Ⅰ的灰度直方圖可知白細胞質區域、背景和紅細胞與細胞核區域形成了明顯的雙峰。對融合圖Ⅰ進行Otsu閾值分割并使用數學形態學方法進行后處理，獲得細胞核二值圖，如圖 3(e)所示。
3 基于HSI空間信息融合的白細胞漿分割
要得到完整的白細胞，還需要進一步分割出漿區域。因為細胞漿與紅細胞灰度值相近，常用的閾值分割很難奏效。又由于白細胞經常與紅細胞粘連在一起，細胞粘連的邊緣不明顯，使用如Canny算子邊緣檢測[2]、活動輪廓模型[4]和分水嶺變換[9]提取效果也不理想，而且這些方法也沒有考慮目標區域內部像素間的信息相關性。本文采用的區域生長算法是一種既利用了彩色空間中的顏色相關性，又利用鄰近像素間相互關系的算法。
3.1 區域生長算法
區域生長(Region Growing)算法是將像素或區域發展成更大區域的過程。從種子點的集合開始，通過將每個種子點有相似屬性如強度、灰度級、紋理顏色等的相鄰像素合并到此區域，直到不再存在相似像素點。
以色調H通道生長為例。定義圖像空間上兩點P1(H1, S1, I1)，P2(H2, S2, I2)。兩點間色調差可用如下公式表達:
| $ {D_H}\left({{P_1}, {P_2}} \right)=\left| {{H_1}-{H_2}} \right| $ |
區域生長準則為：設圖像上種子區域R的平均色調值為H0，圖像中區域R相鄰一像素點P的色調值為Hp，若D(R, P)=｜HP-HR｜≤T，則將點P加入區域R中，T是一固定的閾值。隨著區域R不斷更新，需要重新計算區域R平均色調值：
| $ {H_0}=\frac{1}{R}\sum\limits_{i=1}^{mm} {H\left({{P_i}} \right)} $ |
其中num為區域R像素點個數。若按上述準則找不到更多符合的像素點，則停止生長[10]。
3.2 構建漿區域融合圖像
提取到細胞核區域后，還剩下背景、紅細胞和白細胞漿三部分。通過大量觀察發現，高倍(40倍)顯微鏡下紅細胞和白細胞通常都存在顯著的暗邊緣，可利用邊緣信息限制種子區域生長范圍，達到分離粘連血細胞的目的。依據數據分析，融合圖Ⅰ中灰度值高亮部分對應細胞核區域和暗邊緣(BWSI)，I通道中灰度值高亮部分對應背景(BWI)。為了讓漿區域與其他區域區分開來，避免出現由于粘連紅細胞而導致過分割現象。將分離紅細胞和背景過程分為2個步驟：
第一步：提取融合圖Ⅰ細胞核區域和血細胞暗邊緣信息BWSI與修正過H*通道融合，得到粘連細胞分離圖像temp。
第二步：提取Ⅰ通道中背景信息BWI與上步驟圖像temp融合，得到只含有紅細胞和細胞漿區域分離融合圖。
其流程如圖 4所示。構造融合圖Ⅱ(IMG2)公式如下：
| $ \begin{array}{l} temp={H^*} \times BWI\ IM{G_2}=temp \times BWSI \end{array} $ |
圖4
構造融合圖Ⅱ流程圖
Figure4.
The flow chart of construct the fusion figureⅡ
接下來，以細胞核外輪廓像素集合為初始種子區域，在融合圖Ⅱ上執行區域生長算法，并對漿區域進行填充，保證漿區域完整，分割結果如圖 5(c)所示。
圖5
細胞漿分割圖
(a)
(a)
最后，在大小相同的空白圖上，將背景標記為255，細胞漿和細胞核標記為128和0，得到完整的白細胞核漿分離圖，如圖 5(d)所示。
4 實驗與分析
為測試本文算法的普適性和魯棒性，進行了圖片分割驗證實驗。實驗樣本為高倍(40倍)顯微鏡下不同環境不同批次的真實血片，由長沙愛威科技股份有限公司研發中心提供。通過對細胞核分割進行初步定位，截取高寬為280×280大小的白細胞圖片。由于白細胞種類形態復雜，相互差異性大，分別采取單核細胞、中性粒細胞、淋巴細胞、嗜酸粒細胞和嗜堿粒細胞各100幅顯微圖像組成實驗數據集進行算法性能測試。定義實際白細胞像素點與檢測白細胞像素點之差和實際白細胞像素點的比值為A，A值越小表示分割效果越好。其中，實際白細胞像素點由人工標注。當A＜0.1時，則視為分割正確。如圖 6所示為算法性能測試實驗的白細胞分割正確統計結果。與在H單一道的區域生長算法(文獻[3])對比，本文算法的分割效果更優，更為穩定，且對不同類別細胞都能取得較好的分割結果。
圖6
白細胞分割測試結果統計圖
Figure6.
White blood cell segmentation result bar graph
如圖 7所示列出一組細胞核分割結果。其中圖 7(b)和(c)分別為文獻[1]和本文算法的核分割結果。比較可知，本文算法取得的細胞核更為完整，內部不存在空洞且輪廓光滑自然。
圖7
細胞核分割比較圖
Figure7.
Comparison figure of nucleus segmentation comparison results
如圖 8所示列出一組由中性粒細胞、單核細胞和淋巴細胞組成的不同種類細胞圖片的分割結果，第一行表示白細胞采集圖像，第二行為本文算法分割結果。從整體看，5幅白細胞都取得了較好的結果。其中第1，2列圖像的白細胞無粘連，分割效果好。第3列圖像有1處粘連，第4列圖像有4處粘連，第5列圖像有3處粘連，也取得了較好的結果。
圖8
白細胞分割結果圖
Figure8.
Figure of WBC segmentation result
5 結束語
本文針對白細胞顯微圖像，提出一種白細胞自動分割算法。利用更符合人眼識別特性的HSI通道，通過信息融合方法獲得待分割目標顯著的融合圖像。對應細胞核區域分割和漿區域分割，分別在融合圖像Ⅰ和Ⅱ上使用Otsu閾值法和區域生長法得到分離的核漿二值圖，最后合并得到分割結果。算法對白細胞分割正確率較高，且對粘連白細胞分割也取得了較好結果。但是由于血細胞圖像粘連情況復雜多樣，進一步研究效果更好的分割算法是今后的重點。
