序列圖像中運動細胞跟蹤問題研究.pdf

1、細胞跟蹤是指在觀測時間內對特定細胞的運動軌跡，運動速度，形狀等屬性進行分析，在生物學、藥理學和病理學方面都具有十分重要的研究意義和使用價值。傳統(tǒng)的細胞跟蹤方法在技術日益革新的現今己不再適用，不但需要大量繁瑣的人為操作，而且可重復操作性不強，最重要的是傳統(tǒng)的研究方法由于使用物理化學操作，而使得研究結果不能客觀的反映細胞的自然運動，所以需要一種客觀且方便的方法。本論文針對這一問題展開研究，其主要工作如下：
　　 1、探討了基于KHM

2、的運動細胞跟蹤方法。首先通過KHM算法對細胞二值圖像進行聚類處理，然后結合最近鄰思想和代價函數完成關聯(lián)，確定細胞在下一幀中的位置，完成細胞的跟蹤，由于細胞數目較大且相對密集，引入KHM的“軟聚類”思想，實現了運動細胞精確跟蹤。
　　 2、探討了基于Meanshift的運動細胞跟蹤方法。由于Meanshift算法能夠沿著核密度函數的梯度方向快速找到與當前模式最匹配的模式，因此利用Meanshift算法能夠在較短的時間內完成對細胞二

3、值圖像的聚類處理，將得到的聚類中心作為待跟蹤細胞中心下一時刻的預測位置，以這些預測位置為中心，為每個待跟蹤細胞建立矩形搜索匹配區(qū)域，計算待跟蹤細胞與它的每一個可疑匹配細胞之間的代價函數值，將代價函數值最小的可疑匹配細胞作為待跟蹤細胞的最佳匹配細胞，完成對待跟蹤細胞的跟蹤。
　　 3、探討了基于PAM的運動細胞跟蹤方法。本文首次將PAM算法用于運動細胞問題中，根據PAM算法聚類的特點，利用PAM對分割后的細胞二值圖像進行聚類處理。

4、由于PAM存在計算量大的缺點，本章對PAM算法進行了一些改進，即用極少的非代表對象來檢驗是否替換代表對象，減少計算量，提高了算法的運算速度。仿真結果表明，本算法的細胞跟蹤位置誤差在很小的范圍內，有較好的跟蹤效果。
　　 從仿真結果可以看出，在跟蹤效果方面，基于KHM的運動細胞跟蹤方法最好，Meanshift算法次之，PAM算法最差，而從運行時間上來看，基于Meanshift的運動細胞跟蹤方法運行時間最短，KHM算法次之，PAM算