基于质心跟踪框架的粒子滤波与均值漂移的细胞跟踪方法

摘要

本发明公开了基于质心跟踪框架的粒子滤波与均值漂移的细胞跟踪方法，主要解决现有细胞跟踪方法正确率低的问题。其过程为：对视频图像进行二值化分割，提取每个细胞的中心位置；对细胞进行质心跟踪，记录细胞的跟踪轨迹；将轨迹的起始和终止坐标分别记录起始坐标集合和终止坐标集合中，选择待跟踪细胞；采用粒子滤波对待跟踪细胞的轨迹进行一步预测，得到在下一帧图像中的预测坐标点；根据预测的坐标点，适时采用均值漂移方法，选择待跟踪细胞的后续跟踪轨迹；循环预测和选择步骤直到最后一帧图像，完成对所有细胞的跟踪。本发明较其它几种传统的跟踪方法，在跟踪效果及正确率方面都有提高，可用于医学显微视频图像中对运动细胞的分析。

主权项

1.一种基于质心跟踪框架的粒子滤波与均值漂移的细胞跟踪方法，包括如下步骤：(1)对视频的每帧图像运用Otsu方法进行二值化分割，并对二值图像中的细胞区域进行标记，提取每个细胞的中心位置；(2)根据每个细胞的中心位置，对二值图像中出现的细胞进行质心跟踪，记录得到的细胞跟踪轨迹；(3)根据每个细胞的跟踪轨迹，判断二值图像是否为细胞跟踪轨迹的起始图像和终止图像，并将起始图像和终止图像中细胞轨迹的起始和终止坐标分别记录于起始坐标集合和终止坐标集合中；(4)根据轨迹的终止坐标集合和轨迹起始坐标集合，先对视频的相邻两帧二值图像进行判断：如果当前二值图像为细胞跟踪轨迹的终止图像，且下一帧二值图像为细胞跟踪轨迹的起始图像，则把当前二值图像中轨迹终止坐标代表的细胞作为待跟踪细胞；(5)再采用粒子滤波方法，对该待跟踪细胞的轨迹进行一步预测，得到该细胞在下一帧二值图像中的预测坐标点：5a)通过如下方程，初始化粒子集合{n＝1...N}$X_k^n=X_k+\frac{3}{2}\sqrt{2}·\mathrm{randn},,$n＝1...N，其中，为当前图像中第n个粒子的坐标，X_k为待跟踪细胞的轨迹终止坐标，randn为随机参数，N为粒子数，k表示当前图像在视频中的帧号；5b)对初始化后的粒子集合{n＝1...N}采用以下两种状态转移方程进行预测，得到新的粒子集合{n＝1...N}：当待跟踪细胞的轨迹只有当前终止图像中的坐标X_k时，采用的状态转移方程为：$X_{k+1}^n=X_k^n+V$其中，为第n个粒子的新坐标，V为状态协方差矩阵；当待跟踪细胞的轨迹包含至少两帧图像的坐标X_k和X_k-1时，采用的状态转移方程为：$X_{k+1}^n=2·X_k^n-X_{k-1}+Q$其中，X_k-1为上一帧图像中细胞坐标，为第n个粒子在下一帧图像中的新坐标，Q为状态协方差矩阵；5c)以坐标X_k和为中心分别建立窗宽为H的矩形窗口，计算两个矩形窗的直方图估计概率密度分布，将两个直方图估计概率密度分布的Bhattacharyya距离D_n作为粒子的权值，其公式如下：$D_n={(1-\underset{u=1}{\overset{B}{\Sigma }}\sqrt{p_n^{\left(u\right)}{q}_n^{\left(u\right)}})}^{1/2}$其中，B为图像的灰度级数，分别为两个矩形窗的直方图估计概率密度分布；5d)利用粒子权值，预测待跟踪细胞在下一帧图像中的坐标X_k+1，其公式如下：$X_{k+1}=\underset{n=1}{\overset{N}{\Sigma }}{D}_n{X}_{k+1}^n;$(6)根据预测的坐标点，对预测结果进行判断：如果该坐标点在下一帧二值图像中某个细胞区域的内部，且此二值图像是该细胞轨迹的初始图像，则把该细胞和待跟踪细胞确定为同一细胞，并将该细胞的跟踪轨迹作为待跟踪细胞的后续跟踪轨迹；否则，运用均值漂移方法对预测的坐标进行更新，得到新的预测坐标点，再根据新的坐标点进行上述判断，若依旧不满足判断准则，停止对此待跟踪细胞进行跟踪，所述运用均值漂移方法对预测的坐标进行更新，具体步骤如下：6a)将预测的坐标X_k+1作为最初的初始样本x；6b)以初始样本x为中心建立窗宽半径为h的矩形窗口；6c)计算坐标样本均值m_h(x)：$m_h\left(x\right)=\frac{\underset{i=1}{\overset{n}{\Sigma }}G\left(\frac{x_i-x}{h}\right)w\left(x_i\right)x_i}{\underset{i=1}{\overset{n}{\Sigma }}G\left(\frac{x_i-x}{h}\right)w\left(x_i\right)}$其中，h是矩形窗半径，x为初始坐标，x_i为矩形窗中各点的坐标，w(x_i)为坐标点x_i在图像中的灰度值，G(X)选取高斯核函数，其表达式为$G\left(\frac{x_i-x}{h}\right)=\exp (-\frac{1}{2}{\left|\right|\frac{x_i-x}{h}\left|\right|}^2);$6d)计算坐标样本均值m_h(x)和x的差值，如果||m_h(x)-x||大于容许误差ε，将m_h(x)的值赋给x；6e)循环步骤6b)到6d)，直到||m_h(x)-x||小于容许误差ε，所得x即为更新的预测坐标点；(7)循环步骤(4)到步骤(6)直到最后一帧二值图像，完成对所有细胞的跟踪。